【技术实现步骤摘要】
本专利技术属于油气管道，尤其是涉及一种基于bp神经网络模型的海管内腐蚀速率预测方法。
技术介绍
1、为实现实时海上油气输送管道内腐蚀速率预测，需要以流程模拟软件为基础搭建工艺模型，以模型计算的结果作为基础数据。
2、现阶段，尽管目前的流程模拟软件已经能够提供如海管内流体的工艺参数变化情况，及物料的流动状态、流速等大部分腐蚀预测所需的基础数据，但软件仍不具备单独进行腐蚀预测的能力，主要表现在以下方面，
3、1)流程模拟软件与腐蚀预测模型计算时间步长的方式不同，导致数据传输过程中，容易出现各种问题。同时，腐蚀预测软件通常在单位制、数据精度等方面与流程模拟软件存在较大差距，造成多余的数据单位转换、大量数据需人工输入等问题，甚至因为数据格式不兼容而造成无法计算等问题；
4、2)单独的腐蚀模型往往很难全面考虑管道流动过程中所有影响腐蚀的因素，因此，如果将工艺流程模拟程序和腐蚀模型连用，利用工艺流程模拟提供管道流动过程中流体的流态、流速等流动特性，结合温度压力等工艺参数，并采用腐蚀模型提供的基于离子的腐蚀模拟方法，则能够提供连续的腐蚀模拟结果；
5、3)商用腐蚀模拟软件通常需要单独的商业授权，价格昂贵，并且内置的腐蚀模型一般需要保密。而bp神经网络技术具有优良的多维函数映射能力，可以有效地描述输油管道内腐蚀速率本身具有的不确定、多输入等复杂的非线性特性。其基本算法均是开源的，可以充分对商业腐蚀模拟数据进行数据挖掘，并最终形成具有国产替代能力的腐蚀模型。
6、综上所述，由于流程模拟软
技术实现思路
1、本专利技术要解决的问题是提供一种基于bp神经网络模型的海管内腐蚀速率预测方法，该方法解决了流程模拟软件不能直接用于模拟腐蚀速率的问题，同时解决了工艺模型和腐蚀速率预测模型之间实时通信的技术问题，具有计算成本低、计算效率高的优点，具备极大的工业应用价值。
2、为解决上述技术问题，本专利技术采用的技术方案是：一种基于bp神经网络模型的海管内腐蚀速率预测方法，包括以下步骤，
3、s1：建立海上平台及海管的稳态工艺流程模型；
4、s2：收集现场沉积水分析数据，通过数据抽样方法，确定腐蚀速率预测模型所需的数据范围；
5、s3：搭建所述稳态工艺流程模型与bp神经网络管道内所述腐蚀速率预测模型之间的数据接口，实现对流程模拟软件模型数据的实时读取或写入，以及管道内腐蚀模拟工程；
6、s4：建立用户界面，控制所述腐蚀速率预测模型的运行和数据处理，利用bp神经网络技术训练数据范围内的所有数据，得到海管内腐蚀速率预测模型。
7、进一步的，在所述s1中，利用流程模拟软件建立海上平台及海管的稳态工艺流程模型。
8、进一步的，在所述s2中，现场沉积水分析数据包括影响腐蚀的主要离子，所述数据抽样方法为基于pyhon语言的一段算法或程序。
9、进一步的，所述s2包括以下步骤，
10、s21：从多元参数分布中近似随机抽样的方法，使决策变量在其范围内均匀分布；
11、s22：全面选择影响管道内腐蚀的因子，通过该抽样方法，保证bp神经网络模型训练基础数据的准确和全面。
12、进一步的，在所述s3中，基于active x技术，实现数据调用和交互策略。
13、进一步的，在所述s3中，包括一个基于active x通讯技术的由python语言编制的gui界面，以及一段算法，该算法通过协调不同流程模拟软件的计算步长，以及采用适当的数据调用策略，实现流程模拟软件和bp神经网络模型之间的数据交互。
14、进一步的，在所述s4中，所述bp神经网络为基于pyhon的算法，包括以下步骤，
15、s41：通过s3的数据调用和交互策略，与流程模拟软件通讯，不断获得温度、压力工艺参数；
16、s42：结合基于s2的数据抽样方法获得的管道内影响腐蚀的各种因子，利用神经网络算法进行训练和学习，反复计算并由获得的数据进行修正，最终实现对管道内腐蚀速率的连续预测。
17、进一步的，本专利技术还提供一种装置，运行上述的数据处理方法。
18、进一步的，本专利技术还提供一种设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的算法，所述处理器执行所述计算机程序时实现上述的数据处理方法。
19、进一步的，本专利技术还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机算法，所述计算机算法被处理器执行时实现上述的数据处理。
20、本专利技术具有的优点和积极效果是：
21、1、本专利技术克服了现有流程模拟软件不具备输油管道内腐蚀速率计算功能，以及bp神经网络腐蚀速率预测模型的计算需要流程模拟软件提供运行参数的缺点，充分将bp神经网络腐蚀速率预测模型的计算能力和流程模拟软件的工艺模拟能力结合起来，从而可以快速、精准地对输油管道内腐蚀速率进行预测分析。
22、2、本专利技术所建立的仿真系统可用于fpso平台或管道快速预测腐蚀速率，也可作为教学和培训使用。此外，这种仿真系统的开发方法可以适用于各种神经网络模型与化工过程相结合，应用范围广。
本文档来自技高网...【技术保护点】
1.一种基于BP神经网络模型的海管内腐蚀速率预测方法，其特征在于：包括以下步骤，
2.根据权利要求1所述的一种基于BP神经网络模型的海管内腐蚀速率预测方法，其特征在于：在所述S1中，利用流程模拟软件建立海上平台及海管的稳态工艺流程模型。
3.根据权利要求1或2所述的一种基于BP神经网络模型的海管内腐蚀速率预测方法，其特征在于：在所述S2中，现场沉积水分析数据包括影响腐蚀的主要离子，所述数据抽样方法为基于Pyhon语言的一段算法或程序。
4.根据权利要求3所述的一种基于BP神经网络模型的海管内腐蚀速率预测方法，其特征在于：所述S2包括以下步骤，
5.根据权利要求1或2所述的一种基于BP神经网络模型的海管内腐蚀速率预测方法，其特征在于：在所述S3中，基于Active X技术，实现数据调用和交互策略。
6.根据权利要求5所述的一种基于BP神经网络模型的海管内腐蚀速率预测方法，其特征在于：在所述S3中，包括一个基于Active X通讯技术的由Python语言编制的GUI界面，以及一段算法，该算法通过协调不同流程模拟软件的计算步长
7.根据权利要求1或2所述的一种基于BP神经网络模型的海管内腐蚀速率预测方法，其特征在于：在所述S4中，所述BP神经网络为基于Pyhon的算法，包括以下步骤，
8.一种装置，其特征在于：运行如权利要求1至7任意一项所述的数据处理方法。
9.一种设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的算法，其特征在于：所述处理器执行所述计算机程序时实现如权利要求1至7任意一项所述的数据处理方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机算法，其特征在于，所述计算机算法被处理器执行时实现如权利要求1至7任意一项所述的数据处理。
...【技术特征摘要】
1.一种基于bp神经网络模型的海管内腐蚀速率预测方法，其特征在于：包括以下步骤，
2.根据权利要求1所述的一种基于bp神经网络模型的海管内腐蚀速率预测方法，其特征在于：在所述s1中，利用流程模拟软件建立海上平台及海管的稳态工艺流程模型。
3.根据权利要求1或2所述的一种基于bp神经网络模型的海管内腐蚀速率预测方法，其特征在于：在所述s2中，现场沉积水分析数据包括影响腐蚀的主要离子，所述数据抽样方法为基于pyhon语言的一段算法或程序。
4.根据权利要求3所述的一种基于bp神经网络模型的海管内腐蚀速率预测方法，其特征在于：所述s2包括以下步骤，
5.根据权利要求1或2所述的一种基于bp神经网络模型的海管内腐蚀速率预测方法，其特征在于：在所述s3中，基于active x技术，实现数据调用和交互策略。
6.根据权利要求5所述的一种基于bp神经网络模型的海管内腐蚀速率预测方法，其特征...
【专利技术属性】
技术研发人员：缪磊，刘博，徐慧，王伟杰，赵起锋，闫言，汉继程，孙吉星，和一帆，周如东，狄志刚，
申请(专利权)人：中海油常州涂料化工研究院有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。