基于灰色组合模型的管道腐蚀速率预测

将灰色系统理论、人工神经网络及时间序列分析方法相结合,建立灰色组合模型,通过对腐蚀速率测量数据序列的趋势性、周期性及随机性成分分别建模,从而实现对腐蚀速率的预测.实例表明,灰色组合模型的预测精度高于其它几种预测方法,具有推广价值.     

灰色理论对碳钢、低合金钢海水腐蚀的预测和分析

应用灰色理论中的GM（1,1）灰色模型和灰色关联分析预测了碳钢、低合金钢在青岛、厦门和榆林全浸区的海水腐蚀速率并研究了海水环境对腐蚀速率的影响.模型经后验差检验显示有很好的精度.通过灰色关联分析建立的海水环境和腐蚀速率关联度显示,海水腐蚀的主要影响因素是溶解氧浓度、pH值和平均盐度.     

基于灰色GM（1，1）模型埋地金属管道腐蚀速率预测

本文针对历年来某条埋地管道腐蚀速率变化较大的特点,运用具有适用性广,预测准确率高等优点的灰色系统预测模型及灰色GM（1,1）模型对其腐蚀速率进行预测,并对模型精度进行了分析和检验。建立的GM（1,1）模型经拟合精度检验（C=0．1340,P=1．00）,模型判为优,预测精度高,能达到预测要求。最后,验证了灰色GM（1,1）模型用于埋地管道腐蚀趋势的可行性及有效性。     

输气管道腐蚀速率的BP神经网络组合预测方法

根据神经网络的非线性和良好的函数逼近特性,提出了基于人工神经网络的灰色模型、多项式回归模型组合的输气管道腐蚀速率预测模型.此组合模型将最佳组合权重隐含在网络的连接权中,兼具灰色预测、回归预测和神经网络预测的优点,克服了原始数据少,数据波动大对预测精度的影响,也增强了预测的自适应性,在客观地反映输气管道腐蚀速率变化趋势方面具有一定的优势.通过实例分析,表明预测值与实际结果有很好的一致性.     

基于IFA-BPNN的长输管道外腐蚀速率预测

目的 构建陆地长输管道外腐蚀速率的预测模型,提升管道外腐蚀速率预测的精度,对长输管道外腐蚀状态进行准确把控.方法 深入解析了萤火虫算法(FA)的工作原理,针对FA易出现陷入局部最优或因控制参数设置不合适而导致函数无法收敛等问题,提出了FA的改进方案:采用Logistics混沌映射的方法初始化萤火虫的位置,提升萤火虫种群的所养性;引入一种新的惯性权重计算方法来改进萤火虫位置移动公式,提升FA全局寻优能力.利用改进的萤火虫算法(IFA)对误差反向传播神经网络(BPNN)初始权值和阈值进行优化,建立基于IFA-BPNN的长输管道外腐蚀速率预测模型.以111组长输管道外腐蚀检测数据为例,在MATLAB中进行模拟仿真计算,使用粒子群算法优化的BPNN(PSO-BPNN)、遗传算法优化的BPNN(GA-BPNN)以及未进行优化的BPNN作为对比模型进行对比分析.结果 使用IFA优化BPNN,大幅提升了BPNN模型的预测精度.使用IFA-BPNN模型预测12组管道腐蚀速率,平均相对误差仅为5.94％,预测结果的R2为0.99595,均优于BPNN、PSO-BPNN以及GA-BPNN模型的预测结果.结论 IFA-BPNN作为预测管道腐蚀速率工具具有较好的预测精度和鲁棒性.     

结构腐蚀损伤定量预测方法对比研究

用BP人工神经网络(artificial neural简称ANN)算法分别对飞机结构材料、lCrl7不锈钢腐蚀损伤数据进行学习训练，建立了腐蚀损伤与环境条件的映射模型，并预测腐蚀损伤值。分析了三种预测方法的预测精度。得到了ANN预测的精度比灰色GM(1，1)模型及Logistic模型的预测精度高，且对数据有较好的适应能力的结论；采用ANN技术定量预测飞机结构腐蚀损伤是一种较好工程方法。     

基于遗传算法优化BP神经网络预测CO_2/H_2S环境中套管钢的腐蚀速率

基于CO_2/H_2S共存腐蚀环境的复杂性、危险性,以及两者协同与竞争效应的不确定等原因,套管钢在CO_2/H_2S共存腐蚀环境中腐蚀速率测试存在试验时间长、误差较大且存在不安全隐患等缺陷,现有的单一腐蚀速率预测模型不能满足这方面的研究。利用建立的遗传算法优化BP神经网络模型分别对不同温度、不同CO_2分压和不同H_2S分压条件下套管钢的腐蚀速率进行预测。与单纯的BP神经网络模型预测相比,遗传算法优化BP神经网络训练收敛速率有所增加,预测效果得到改善;遗传算法优化BP神经网络预测值与实测值吻合较好,此预测模型可靠性很强;该方法为我国高酸性气田开发中快速获取腐蚀速率数值提供了一条新的思路。     

基于灰色理论的数控机床故障预测的研究

针对数控机床可靠性故障间隔预测模型过程中数据采样难度大、成本高、数据量小、常规数据拟合和预测方法误差较大、数据难以处理等问题,提出一种基于传统灰色预测模型,将灰色残差优化模型和BP神经网络模型相结合的预测方法。在预测过程中该模型首先根据灰色理论建立主轴可靠性故障模型,再用BP神经网络训练并优化灰色理论的残差,最后用文献的主轴故障数据验证预测精度。通过不同的算法对数控机床主轴故障的试验数据验证,证明了灰色神经网络模型在主轴可靠性故障间隔工作时间的预测上优于单一算法及GM(1,1,P)模型,验证了灰色神经网络模型的可行性及有效性。     

储罐底板腐蚀的预测研究

影响储罐底板腐蚀的因素很多，它的腐蚀深度和腐蚀速度是随时间变化的灰色量。为了预测储罐底板的腐蚀状况，掌握储罐底板腐蚀的基本规律，应用灰色理论中的GM(1，1)模型对储罐底板腐蚀速度的实际统计数据进行了灰色动态拟合，建立了相应的预测方程，对储罐底板的腐蚀深度和腐蚀速度进行了预测，并建立了残差值的GM(1，1)模型对原预测值进行补偿，从而提高了预测精度和平稳度，为储罐腐蚀防护提供了科学的依据。     

基于KPCA-BAS-GRNN的埋地管道外腐蚀速率预测

目的 提高埋地管道外腐蚀速率的预测精度。方法 建立基于核主成分分析法（KPCA）和天牛须搜索（BAS）算法优化的广义回归神经网络（GRNN）腐蚀速率预测模型,通过KPCA对原始数据进行预处理,提取影响管道外腐蚀的主要因素,应用GRNN建立埋地管道外腐蚀速率预测的数学模型,并采用BAS算法对模型进行优化,减小了人为设置参数的影响。以川气东送埋地管段为例,分析选取出12种关键影响因素,建立了埋地管道外腐蚀指标体系,借助MATLAB-R2014a编写程序进行仿真,并与实际值进行对比。结果 模型的预测结果与实际值基本一致,KPCA可有效降低指标体系的维度,提取出包含原始信息97.9%的3个主因素—土壤电阻率、氧化还原电位、氯离子含量,简化了运算过程。采用的BAS-GRNN模型将预测精度提高到7.83%以内,平均相对误差5.21%,决定系数取值0.93。与其他模型相比,该模型性能较好,预测精度更高。结论 采用KPCA提取的主要影响因素符合工程实际,建立的BAS-GRNN模型预测精度高,有较好的适应性,为埋地管道外腐蚀速率预测提供了新思路,对管道的维护更新工作提供了参考依据。     

常用金属海水腐蚀数据管理及预测系统

使用Ｖｉｓｕａｌ Ｂａｓｉｃ语言在Ｗｉｎｄｏｗｓ环境下编制了金属海水腐蚀数据管理和预测系统。该系统除包括数据浏览,录入,编辑等常用的管理功能外还具备关系型查询功能以及一定的预测功能。预测模块包括人工神经模型预测和灰色模型预测,使该系统不仅可查阅常用金属在我国典型海域的腐蚀行为,还能够预测材料的长期腐蚀速度及新材料在其它海域的腐蚀速度。     

金属材料海洋环境腐蚀数据咨询管理及预测诊断系统

采用面向对象的编程语言Visual Basic(VB)编制了金属材料海洋环境腐蚀数据咨询管理和预测诊断系统。系统中包含常用金属材料实海腐蚀数据和腐蚀形貌图谱的图文数据库．除常用的数据库管理功能外，还具有一定的腐蚀预测和腐蚀形貌诊断功能。腐蚀预测可分为人工神经网络模型预测和灰色模型预测。人工神经网络模型根据材料的合金成分或海水环境因素对材料的腐蚀进行预测，而灰色模型用于对材料的长期腐蚀数据进行计算并给出灰色模型参数。由扫描得到的金属材料的腐蚀形貌图像的灰度值分布或分形特征值和对应的腐蚀形貌作为知识库，通过模糊模式识别理论建立了腐蚀形貌分析诊断系统。可以对材料的腐蚀形貌进行诊断。     

基于遗传神经网络的铣削力预测方法

铣削过程的复杂性和铣削力产生的多因素性使得铣削力预测模型很难建立.论文在遗传算法与BP网络模型相结合的基础上,利用遗传算法训练神经网络权重的方法,建立了铣削力预测的遗传神经网络模型.最后将神经网络预测结果与实验数据进行比较和误差分析,证明了该神经网络能够准确地预测铣削力的大小.     

基于GA-BP的NiFe2O4基金属陶瓷阳极优化设计

采用BP神经网络对铝电解NiFe2O4基金属陶瓷惰性阳极的电解腐蚀过程进行了系统辨识。建立了以Al2O3质量浓度、电解温度、分子比、面积比和电流密度为输入,腐蚀率为输出的网络模型。在材料的设计中,采用了GA-BP优化方法,BP网络参与GA迭代计算时对个体的评价。应用结果表明,NiFe2O4基金属陶瓷惰性阳极的电解腐蚀率预测结果与实测值吻合;优化设计的结果与实验值很接近。     

基于GA-BP的6061Al切削参数优化

针对6061Al铣削中表面粗糙度预测精度低、切削参数选择不合理的问题,提出一种基于遗传神经网络与遗传算法结合的优化模型,对6061Al切削参数进行优化。采用遗传神经网络(GA-BP)构建表面粗糙度预测模型;基于表面粗糙度预测,以材料去除率为目标函数构建切削参数优化模型;利用遗传算法进行优化求解,对6061Al切削参数进行优化。研究结果表明:所建预测模型表面粗糙度预测精度在97%以上;同时,优化模型能优化6061Al切削参数,达到较好的全局寻优效果,为铝合金工件铣削加工切削参数优化提供参考。     

基于改进BP神经网络优化的管道腐蚀速率预测模型研究

目的构造金属管道腐蚀速率预测模型,预测管道的使用寿命。方法分析了二氧化碳(CO2)和硫化氢(H2S)对金属管道的腐蚀过程,给出了管道腐蚀的化学反应方程式。引用了BP神经网络构造金属管道腐蚀速率的数学模型,采用了改进粒子群算法对预测模型进行优化。以45号金属管道为例,借助于Matlab软件对管道腐蚀速率进行仿真验证,并与实验测量数据进行对比和分析。结果金属管道腐蚀速率随着CO2或H2S压强的增大而逐渐增大,仿真结果显示CO2和H2S的最大腐蚀速率分别为7.20×10-5 mm/h和5.76×10-5mm/h,而实验测量结果显示CO2和H2S的最大腐蚀速率分别为7.14×10-5 mm/h和5.65×10-5 mm/h,采用改进BP神经网络预测模型所产生的相对误差在5%以内。结论金属管道在不同压强条件下,采用改进BP神经网络预测模型能够近似地预测其腐蚀速率,为金属管道的更换提供了参考依据。     

基于神经网络理论的轴承内孔加工精度的预测研究

针对神经网络的特点，探讨了神经网络对非线性时间序列预测的应用。利用神经网络建立了轴承内圈内径磨削过程尺寸精度的数学模型。比较了神经网络模型和灰色系统模型对磨削过程尺寸精度的预测效果，得到神经网络模型的预测精度高于灰色系统模型。