一种基于BP神经网络的油气管道高后果区风险评价方法技术

本发明专利技术是一种基于BP神经网络的油气管道高后果区风险评价方法，评价系统主要由输入层、隐含层、输出层三个主要部分组成。区别于常规的误差线性输入、输出，本评价系统运用三层拓扑结构进行误差反向传播算法，在输入层和输出层之间加入隐含层，三层层级相互交替，进行主动学习优化。本发明专利技术评价准确度能随训练次数不断优化，可以对缺失的输入信息进行联想复原，同时更具准确性和谨慎性。同时更具准确性和谨慎性。同时更具准确性和谨慎性。

【技术实现步骤摘要】
一种基于BP神经网络的油气管道高后果区风险评价方法


[0001]本专利技术涉及人工智能机器学习领域，具体涉及一种基于BP神经网络的油气管道高后果区风险评价方法。

技术介绍

[0002]高后果区是指如果管道发生泄露会危及公众安全，对财产、环境造成较大破坏的区域。近年来层出不穷的管道高后果区事故使得相关部门和单位逐渐意识到高后果区风险评价的重要性。
[0003]目前普遍使用的高后果区风险评价方法大多基于传统的风险管理打分法，存在不考虑指标间的相互影响因素、依存于专家经验主观性强、无法实现风险动态管理等问题，因此需要设计出一种精确度更高、应用范围更广、动态调整能力更强的高后果区风险评价方法。

技术实现思路

[0004]本专利技术所采用的技术方案是：
[0005]本专利技术是一种基于BP神经网络的油气管道高后果区风险评价方法，评价系统主要由输入层、隐含层、输出层三个主要部分组成。区别于常规的误差线性输入、输出，本评价系统运用三层拓扑结构进行误差反向传播算法，在输入层和输出层之间加入隐含层，三层层级相互交替，进行主动学习优化。
[0006]进一步地，明确收集高后果区各危险源数据，筛选收集之后对数各类据进行参数简化，根据所建立的评价指标体系具化为方便BP神经网络进行机器学习运算的数值。
[0007]输入历史高后果区评价数据中用于识别的输入数据和作为结果的预测数据，形成已知样本集对所构建的BP神经网络高后果区评价模型进行训练。
[0008]依据神经网络训练后的结果，输入需要进行风险评价的高后果区具化危险源数据，BP神经网络预测该高后果区等级，在输出层中输出。
[0009]进一步地，采取BP神经网络高后果区风险评价系统进行各因素的隐含关联分析，能够处理高后果区部分风险因素信息模糊、界定标准不清晰、准确度不高等复杂环境中的非线性问题。优选的，BP神经网络中的隐含层具有自动调节功能，各高后果区风险因素之间的关联信息不需要人为给定，出现偏差后会进行反向交替解析，实时优化处理逻辑。
[0010]与现有技术相比，本专利技术至少具有如下有益效果：
[0011]1.系统中的动态风险管理机制可以模仿神经系统进行不断训练，依据输入的新数据不断总结出适用于新环境的规律性分析逻辑，并使神经元之间的关联记忆得到不断优化，提高模型的评价准确度。
[0012]2.BP神经网络中的神经元单元之间存在关联性，整个神经网络系统中可以保留神经元中的信息，如接受的输入信息存在相似性，即使部分危险源数据存在缺失，也可以对信息进行联想或复原。
[0013]3.BP神经网络是连续函数的延伸，逻辑性强，使得本高后果区风险评价系统输出数值更具准确性和谨慎性。
附图说明
[0014]图1是油气管道高后果区风险评价系统BP神经网络学习框架图。
[0015]图2是油气管道高后果区风险评价系统BP识别神经网络模型图。
[0016]图3是油气管道高后果区风险评价系统代码截图。
[0017]图4是油气管道高后果区风险评价系统真实值与预测值误差分析图。
具体实施方式
[0018]下面结合附图对本专利技术做进一步说明。
[0019]参照图2，该BP神经网络是一种分层前馈型网络模型，网络具备输入层、隐层以及输出层。X
i
(i＝1，2，
…
，n)为网络输入函数，W
ij
(i＝1，2，
…
，n；j＝1，2，
…
，m)为网络输入层与隐层之间的连接权函数，f为输出层神经元激励函数，V
j
(j＝1，2，
…
，m)为隐层节点到输出节点的连接权，y为网络输出。BP神经网络油气管道高后果区系统训练主要包括以下方法步骤：
[0020]S1：网络构建
[0021]输入层各元素之间无互相关联，选取第三方损坏、腐蚀、制造与施工缺陷、地质灾害、介质危害、影响对象作为输入层神经元，因此输入层节点数为6；隐层的数量选取可在训练过程中进行调整，初步可以选取中间层节点数为10；输出层为油气管道高后果区风险等级，由此输出层节点数为1。
[0022]S2：数据预处理由于第三方损坏、腐蚀、制造与施工缺陷、地质灾害、介质危害、影响对象等元素难以量化，因此以赋值的形式将指标参数简化，根据BP神经网络所选取的激励函数为S形函数，取值范围[0,1]，对输入样本进行标准化计算：
[0023][0024]式中，x
max
、x
min
为同种输入元素的最大值和最小值。
[0025]S3：向前运算
[0026]对k(k＝1，2，
…
,n)个训练样本进行映射，网络输出输入之间的映射关系为
[0027][0028]a
j(1)
为隐藏节点的激励阈值，a为输出神经元阈值，可选取S形函数作为激励函数同时计算网络输出误差。
[0029]S4：反向计算
[0030]该BP神经网络的负梯度公式：
[0031][0032][0033][0034][0035]式中：y
k
为第k个样本的网络映射输出；g
jk
为第k个样本在第j个隐层神经元输出。
[0036]S5：循环输出
[0037]当集合中所有元素完成步骤S3，S4后，计算网络误差限，计数n＝n+1；当训练次数达到上限，即n>M，或网络训练误差限小于设定值时，完成网络训练；否则循环步骤S3，S4。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于BP神经网络的油气管道高后果区风险评价方法，其特征在于：主要由输入层、隐含层、输出层三个主要部分组成，同时区别于常规的误差线性输入、输出，本评价系统运用三层拓扑结构进行误差反向传播算法，在输入层和输出层之间加入隐含层，三层层级相互交替，进行主动学习优化。2.根据权利要求1所述的一种基于BP神经网络的油气管道高后果区风险评价方法，其特征在于：采取BP神经网络高后果区风险评价系统进行各因素的隐含关联分析，能够处理高后果区部分风险因素信息模糊、界定标准不清晰、准确度不高...

【专利技术属性】
技术研发人员：过思翰，张轩滔，蒋宏业，张豪，迟明华，徐涛龙，
申请(专利权)人：西南石油大学，
类型：发明
国别省市：