一种基于WOA-BPNN的海底管道腐蚀速率预测方法技术

基于WOA

【技术实现步骤摘要】
一种基于WOA
‑
BPNN的海底管道腐蚀速率预测方法


[0001]本专利技术涉及一种基于WOA(鲸鱼算法)
‑
BP神经网络的海底管道内腐蚀影响因素预测方法，以对海底管道内腐蚀速率进行在线预测，属于管道腐蚀速率预测领域。

技术介绍

[0002]在海洋和陆地之间进行油气输送时，海洋管线是一个重要的输送方式，海洋管线可以作为安全实现海上油气资源与陆地终端的运输桥梁。随着我国海洋资源的不断开发，海洋管道的建设不断增加，混输管道逐渐占据主导地位。据相关统计，1986年至2016年间，我国共建设海底管道315条，其中46％为混输管道。与单向流动管道相比，混输管道的经济性能更强，但是管输介质中含有的二氧化碳也有可能会造成更大的腐蚀。海洋环境较为复杂，一旦由于严重腐蚀造成管道泄漏，不仅会带来经济损失，还会给海洋环境造成严重破坏。因此，掌握海底管道的内管运行情况、腐蚀机理性质和腐蚀速率发展，采用合理有效的方法预测海底管道内腐蚀速率，对管道的防护以及海洋环境的保护具有重大意义。
[0003]近年来机器学习不断发展，许多学者用其来进行腐蚀研究，并且获得了一定进展。靳文博等通过广义回归神经网络对海底腐蚀的承载极限进行了预测，虽然其所得到的预测值与计算值较为接近，但是该方法的关键参数——光滑因子是通过人工调试，局限性较大，并且延长了运算时间；张新生等使用马尔科夫理论对海底管道的剩余寿命进行了预测，但是海底管道的相关数据不易获取，而其方法对于数据的依赖性较大，导致其在使用过程中受到一定限制；骆正山等基于蝗虫算法优化相关向量机对海底管道腐蚀速率进行预测，但相关向量机参数复杂，核函数要求限制大，蝗虫算法收敛速度慢，因此组合使用效果一般；Kamrunnahar等将神经网络作为数据挖掘工具对管道腐蚀进行预测，但是神经网络目标函数较为复杂、训练效率低下，预测效果不佳。
[0004]影响海底管道内腐蚀速率的因素有很多，所以腐蚀速率预测是由多种因素作用的复杂非线性映射问题，BP神经网络可以很好地解决此类问题。然而传统的BP神经网络算法的初始权值及阈值的随机性较大，同时还存在预测精度差、预测结果不稳定等问题。对于这种问题，研究者提出了一种利用鲸鱼算法优化BP神经网络对腐蚀速率进行预测的方法。

技术实现思路

[0005]本专利技术的目的是提供基于WOA(鲸鱼算法)
‑
BP神经网络的海底管道腐蚀速率预测方法，通过大量机器学习，对海底管道内腐蚀速率进行在线预测。
[0006]本专利技术通过对海底管道输送介质的温度、压力、CO2分压、PH值、介质流速、Cl
‑1浓度、CO2浓度、HCO3‑1浓度、含水率等9个影响变量和目标变量腐蚀速率进行分析以及归一化处理，建立影响变量与目标变量的映射关系，通过WOA
‑
BP神经网络不断训练、学习，达到计算海底管道腐蚀速率预测的目标。
[0007]基于WOA
‑
BP神经网络预测海底管道腐蚀速率的方法，具体步骤如下：
[0008]利用鲸鱼算法构建神经网络结构部分：
[0009]步骤1：明确BP神经网络基本结构，得到初始权值和阈值；初始化鲸鱼算法，将初始权值和阈值转变为座头鲸的位置向量，对种群规模、最大迭代次数、初始最大权重和最小权重以及收敛因子进行赋值；
[0010]步骤2：计算个体适应度值，将座头鲸的位置和系统向量参数不断更新；产生随机算子，并选择包围机制或螺旋方式，更新鲸鱼个体位置；计算每个个体的适应度值，记录最优个体及位置；
[0011]步骤3：最优个体位置达到终止条件时，转到步骤4，否则返回步骤2重复执行；
[0012]步骤4：将最优的权值和阈值进行解码，后输入BP神经网络中，即得到结构最优的神经网络。
[0013]鲸鱼算法对神经网络优化部分：
[0014]步骤1：明确神经网络的结构，确定神经网络的输入、输出样本集；
[0015]步骤2：神经网络权值和阈值的初始化；
[0016]步骤3：给定种群规模(初始种群规模为30)、最大迭代次数、初始最大权重和最小权重以及收敛因子；
[0017]步骤4：将神经网络的初始权值和阈值换算为座头鲸的位置向量X
*
；
[0018]步骤5：令种群初始迭代次数为1，产生[0，1]之间的随机数p；
[0019]步骤6：若距离系数|A|＜1且p＜0.5，则鲸鱼通过收缩环绕的方式更新位置进行包围捕食，如公式(1)～(4)所示；
[0020]A＝2ar
‑
a
ꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0021]C＝2r
ꢀꢀꢀꢀꢀꢀ
(2)
[0022]式中：a是在迭代过程中从2到0线性减小的常数；
[0023]r是[0，1]之间的一个随机数；
[0024]D＝|CX
*
(t)
‑
X(t)|
ꢀꢀꢀꢀꢀ
(3)
[0025]X(t+1)＝X*(t)
‑
AD
ꢀꢀꢀꢀꢀꢀꢀ
(4)
[0026]式中，A、C表示向量系数，t表示当前迭代次数，X
*
(t)表示第t代最优位置向量，X
*
(t)为第t代位置向量，X(t+1)为第t+1代的位置向量；
[0027]步骤7：若距离系数|A|＜1且p≥0.5，则鲸鱼通过螺旋的方式更新位置进行包围捕食，如公式(5)、(6)所示；
[0028]D
′
＝|X
*
(t)
‑
X(t)|
ꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0029]X(t+1)＝D
′
e
bl
cos(2πt)+X
*
(t)
ꢀꢀꢀꢀꢀꢀ
(6)
[0030]式中，D
′
为第t代最优位置向量与第t代位置向量之间的距离，X(t+1)为第t+1代的位置向量，b是常数，用来定义螺旋形状，1为一个随机数，区间范围[
‑
1，1]；
[0031]步骤8：若距离系数|A|≥1，此时处于搜索猎物阶段，依靠随机选择的鲸鱼位置对其他鲸鱼的位置进行更新，从而使得鲸鱼被迫偏离猎物，进而寻找一个更合适的猎物，如公式(7)、(8)所示；
[0032]D＝|CX
rand
‑
Xt|
ꢀꢀꢀꢀꢀꢀꢀ
(7)
[0033]X(t+1)＝X
rand
‑
AD
ꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0034]式中，X
rand
是随机选择的鲸鱼位置向量；
[0035]步骤9：计算每个个体的适应度值，记录最优个体位置；
[0036]步骤10：重复步骤5
‑
步骤10，对新生成的群体再次进行迭本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.本权利要求所述的基于WOA
‑
BP神经网络预测海底管道腐蚀速率的方法，其特征是优化算法准确性高，全自动的计算与误差分析，对原始数据的要求友好。2.本权利要求所述的鲸鱼算法构建神经网络结构部分，主要包括：明确BP神经网络基本结构，确定连接神经元的初始权值和阈值；计算个体适应度值，更新座头鲸位置，更新系统向量参数；生成随机算子，并选择包围机制或螺旋方式，更新鲸鱼个体位置；满足性能评价标准或到达给定代数，将最优的权值和阈值进行解码，然后输入BP神经网络中，即得到结构最优的神经网络。3.本权利要求所述的鲸鱼算法对神经网络优化部分，其特征是：具有良好的全局搜索性能，较好的克服了BP算法局部最优的缺陷，同时可优化BP神经网络初始权重和阈值，进一步提高...

【专利技术属性】
技术研发人员：肖荣鸽，庞琳楠，刘国庆，刘亚龙，崔振铎，
申请(专利权)人：西安石油大学，
类型：发明
国别省市：