基于Lasso-PSO-BP神经网络的腐蚀管道失效压力的预测

发布时间：2021-10-30 21:02

　　管道是运输石油和天然气的重要工具,随着其腐蚀现象愈发严重,必须对腐蚀管道的失效压力进行预测。针对如何精确预测腐蚀管道失效压力的问题,提出一种Lasso-PSO-BP模型。首先,结合收集的腐蚀管道爆破试验数据,利用Lasso回归筛选出失效压力影响因素,确定BP神经网络的输入变量;然后,用粒子群算法（PSO）优化反向传播（BP）神经网络初始权值阈值;最后,将优化训练后的BP神经网络用于管道失效压力的预测。通过实例验证,对比分析2种模型的拟合效果,结果表明:相较Lasso-BP预测模型,Lasso-PSO-BP预测模型的平均误差（AE）从0.102 5减小到0.030 1,均方根误差（RMSE）由1.174 3减小到0.297 2,其各项指标都优于Lasso-BP模型,证明此方法具有较高的准确率,显示了PSO-BP神经网络模型更优的拟合度与预测精度,适用于腐蚀管道失效压力的预测。 

【文章来源】：材料保护. 2020,53(04)北大核心CSCD

【文章页数】：7 页

【部分图文】：

BP神经网络的结构

本工作构造的基于Lasso-PSO-BP模型的具体流程如下:将Lasso筛选出的特征指标，作为BP神经网络的输入;确立BP神经网络的拓扑结构以及PSO算法的初始参数;将经由PSO迭代寻优得到的最优权阈值赋给BP神经网络进行训练。综上，本工作构建的LassoPSO-BP腐蚀管道失效压力预测模型流程如图2。2 实例分析

式(10)中，x为归一化后的样本值;X为样本数据;Xmax、Xmin为数据系列中的最大值、最小值。归一化的部分训练样本如表4所示。根据各参数构建BP神经网络，初始化各权阈值，将BP神经网络的全部连接权阈值编码为粒子群位置的向量，根据适应度函数计算出每个粒子的适应度值，比较适应度值更新粒子的个体极值和群体极值，根据式(3)、(4)更新粒子的速度和位置，并确保在设定的速度范围内产生新的粒子群，每次更新迭代次数增加1，直到达到设定的最大迭代次数或满足预设精度停止迭代，此时的PgN为全局最优解，即为通过PSO算法迭代寻优得到的最优权值与阈值，如表5。然后将最优权值阈值带入到BP神经网络中训练网络并进行仿真测试，得到的预测值和真实值的对比如图3，相对误差如图4，模型的进化过程如图5。由图3可以看出:PSO-BP模型可准确地预测管道的失效压力，但同时可以看到有些样本的预测值与真实值有一定的偏差，这通常是由一些影响失效压力的其他因素造成的，但由于数据采集的局限性，较难避免。由图4可以看出:PSO-BP管道失效压力预测模型相对误差十分稳定，平均误差(AE)为0.042，且最高不超过0.16。由此可见PSO-BP模型辨识精度高，且较为稳定。在进行仿真预测时，有些样本的误差起伏较大，如样本3、样本5、样本18，此时神经网络自动调整，使误差降低，体现了神经网络的优越性。模型的进化次数设为150次，从图5中可以看出在迭代到136次完成了收敛，此时的适应度最小为33.88，说明已经找到了粒子的最优位置。图4 PSO-BP管道失效压力预测模型相对误差

【参考文献】：
期刊论文
[1]粒子群优化算法的性能分析和参数选择[J]. 王东风,孟丽.  自动化学报. 2016(10)
[2]局部腐蚀油气管道失效压力计算方法[J]. 崔铭伟,曹学文,封子艳,张俊,马玉鹏.  中国石油大学学报(自然科学版). 2013(06)
[3]RS-IPSO-BPNN模型在建筑工程估价中的应用[J]. 莫连光,洪源.  计算机工程与应用. 2013(21)
[4]基于自适应模糊神经网络的管道剩余强度评价[J]. 黄亚晖,周丽丽.  天然气与石油. 2011(06)
[5]改进BP算法的腐蚀管道剩余强度预测[J]. 孙宝财,李淑欣,俞树荣,曾海龙.  中国腐蚀与防护学报. 2011(05)
[6]基于有限元法在腐蚀管道剩余强度中的应用[J]. 骆华锋,白清东,王莉.  科学技术与工程. 2008(23)
[7]非线性有限元法用于腐蚀管道失效压力预测[J]. 帅健,张春娥,陈福来.  石油学报. 2008(06)
[8]腐蚀管道剩余强度评价方法的对比研究[J]. 帅健,张春娥,陈福来.  天然气工业. 2006(11)
[9]利用改进的神经网络预测腐蚀管道的剩余强度[J]. 喻西崇,赵金洲,吴应湘,邬亚玲.  压力容器. 2003(10)



本文编号：3467425