基于LASSO-WOA-LSSVM的海洋管线外腐蚀速率预测

目的 构建海洋管线外腐蚀速率预测模型,提高海底油气管线外腐蚀速率预测的准确性.方法 建立基于套索(LASSO)回归和鲸鱼优化算法(WOA)的最小二乘支持向量机(LSSVM)腐蚀速率预测模型,采用LASSO回归方法对指标进行筛选,提取海洋管线腐蚀的主要影响因素.应用最小二乘支持向量机算法建立海洋管线外腐蚀速率预测模型,并使用鲸鱼优化算法对模型参数进行优化,避免了参数取值对模型回归性能的影响.以海洋挂片实验为例,通过MATLAB进行模拟仿真,分析验证模型预测结果,并将预测结果与其他模型进行对比分析.结果 LASSO回归算法筛选得到影响腐蚀速率的主要因素为:温度、溶解氧含量、pH值.采用WOA-LSSVM模型所预测的结果与实际值较为吻合,其平均相对误差为2.23％,均方根误差(RMSE)为0.3248,决定系数R2达到0.9708,均优于其他两种模型.结论 基于LASSO回归和鲸鱼优化算法的最小二乘支持向量机预测模型具有更优的泛化能力和预测精度,为海底管道腐蚀研究工作提供了新思路,也为海洋油气输送系统的结构安全与风险防范提供了参考.     

基于KPCA-GA-BP模型的页岩气集输管道的内腐蚀速率预测

针对页岩气集输管道的内腐蚀,提出了一种基于KPCA-GA-BP组合模型的腐蚀速率预测算法。以某条页岩气集输管道的检测结果作为训练数据,运用反向传播(BP)神经网络建立预测模型,运用遗传算法(GA)优化了神经网络权值和阈值的初始值,运用核主成分分析法(KPCA)对数据进行了降维,在模型建立的过程中不断优化提升模型的预测精度,采用所建模型对另一条相邻管道进行预测并开挖验证。结果表明：选择TRAINGDM作为训练函数,隐含层节点为(8,1),遗传算法进化数为50,种群规模为100,交叉概率为0.3,变异概率为0.2,运用KPCA将数据从7维降为4维后,此模型的均方误差最低为0.12,当该模型用于相邻管道的预测时,均方误差为0.14。运用KPCA-GA-BP模型,对页岩气集输管道内腐蚀速率进行预测具有一定的准确性,此模型可用于辅助指导现场内腐蚀直接评价等相关工作。     

基于FOA-SVM模型的输油管道内腐蚀速率预测

针对管道内腐蚀速率相关问题,采集某输油管道内腐蚀的实测数据,应用多元统计分析算法,在支持向量机(SVM)的基础上建立管道内腐蚀速率预测模型。采用果蝇优化算法(FOA)对预测模型进行优化训练,建立FOASVM预测模型,利用实测数据样本对模型的预测结果进行检验。结果表明:综合方差和均差分别为1.397×10-3和0.037 4,FOA-SVM预测模型相比灰色组合模型预测值和最小二乘支持向量机(LS-SVM)模型预计结果稳定性好、精度高,但是FOA-SVM预测模型训练时间较长,今后在提高模型预测效率上需要进一步研究。     

天然气集输管道微生物腐蚀规律及腐蚀速率模型

为了研究硫酸盐还原菌(SRB)对天然气集输管道腐蚀行为的影响,通过浸泡试验,研究了常压和高压条件下不同SRB含量时5种钢材的腐蚀速率及其耐SRB腐蚀性能。依据试验结果建立了微生物腐蚀速率预测模型,并利用PIPSIM软件模拟管道温度和压力变化对模型进行了修正。结果表明：在常压和高压环境中,钢材的腐蚀速率均随着SRB含量的增加而增大,其中N80钢的耐SRB腐蚀能力最强;根据预测模型计算的腐蚀速率与实际腐蚀速率存在0.06～0.07 mm/a的误差,修正后的模型能够更好地预测管道微生物腐蚀速率。     

基于PSO-SVM模型的油气管道内腐蚀速率预测

目的针对油气管道的运行安全问题,建立油气管道内腐蚀速率预测新模型,对管道的内腐蚀状况进行准确预测。方法首先对内腐蚀的原理进行简单分析,探讨引起管道内腐蚀的主要原因。对PSO(粒子群算法)、SVM(支持向量机)以及PSO-SVM模型的原理及结构进行探讨,结合文献中获取的管道内腐蚀数据,使用PSO算法对SVM算法的参数C和g进行寻优。在此基础上,对Sine函数、Sigmoidal函数和Radial basis函数三种核函数进行对比优选。最终将PSO-SVM模型与GA-SVM模型、CV-SVM模型、LS-SVM模型和FOA-SVM模型四种模型进行预测误差对比,以此证明PSO-SVM模型的先进性。结果当SVM算法的参数C=83.9243、g=0.6972,核函数选择Sine函数时,PSO-SVM模型的平均绝对误差和均方根误差最小,平均绝对误差和均方根误差分别为0.58%和0.000618,但是该模型在使用的过程中,其训练数据所使用的时间为11.26 s,与GA-SVM模型、CV-SVM模型、LS-SVM模型和FOA-SVM模型四种模型相比,其预测误差较小,但训练数据所使用的时间较长。结论利用PSO-SVM模型对油气管道内腐蚀速率进行预测是可行的,预测误差相对较小,但是由于受限于数据训练速度问题,今后仍需要对该领域进行深入研究。     

基于改进的最小二乘支持向量机的退火炉内带钢延伸量预测

带钢在退火炉内进行长时间加热的过程中,由于炉内温度、张力以及带钢运行速度等变量间具有多重相关性且存在生产数据噪声,从而难以准确预测炉内带钢的延伸量。本文提出了一种基于遗传算法的BP神经网络理论(GA-BP神经网络)与最小二乘支持向量机(LSSVM)理论相结合的算法用于目标函数拟合,该算法兼顾最小二乘支持向量机的全局与局部拟合能力,有效避免算法陷入局部最优的缺点,利用改进的BP神经网络算法优化选择LSSVM 模型的惩罚因子和核函数参数,以避免人为选择参数的盲目性,使LSSVM具有更好的泛化能力和预测精度。将该方法应用到退火炉内带钢的延伸量预测,通过现场生产数据仿真模拟进行非线性函数估计,结果表明：本文所提出的方法具有良好的预测精度,可以应用于实际生产。     

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.     

应用灰色组合模型预测管道的腐蚀速率

将灰色系统理论与时间序列分析方法结合,建立灰色组合模型。引入Box-Jenkins模型,对随机性成分建模。应用灰色组合模型预测管道腐蚀速率的变化趋势,通过实例分析,检验了该模型的预测效果,并与其它几种方法比较,得出其精度非常高的结论。     

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。     

基于PSO-LSSVM的拉线棒腐蚀预测

根据鄂西某输电线路拉线塔的拉线棒腐蚀数据,通过灰色关联度算法分析了土壤因素与拉线棒腐蚀情况之间的相关性;应用粒子群算法(PSO)对最小二乘支持向量机(LSSVM)的关键参数进行优化;利用灰色关联度权重对有关数据进行处理,建立了PSO-LSSVM和考虑灰色关联度权重的PSO-LSSVM预测模型。实例计算表明,与LSSVM预测模型相比,PSO-LSSVM预测模型训练集所得结果的均方根误差下降了15.3%;预测集的均方根误差下降了35.71%。考虑灰色关联度权重后,PSO-LSSVM预测模型训练集和预测集的均方根误差进一步下降,分别减少了24.59%和20%。PSO-LSSVM用于拉线棒腐蚀预测具有较好的精度,考虑灰色关联度权重的PSO-LSSVM模型的预测精度更高。     

含油集输管道CO2腐蚀速率预测的研究进展

在一定条件下,腐蚀介质中含油对集输管道CO2腐蚀行为有一定的缓蚀作用,是否考虑油品的润湿性和腐蚀产物膜,已成为各个不同CO2腐蚀预测模型的最大的差别.介绍了已有的CO2腐蚀速率预测模型及其考虑的因素;在此基础上,从经验模型、半经验模型、机理模型及神经网络模型四个方面系统地总结了近年来考虑含油影响的CO2腐蚀速率预测研究的进展,并提出了现存的一些问题和今后的研究方向.     

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。     

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.     

基于CART的长输管道腐蚀速率计算方法

管道腐蚀速率评估是管道完整性管理的重要部分,为了得到比较准确的管道腐蚀速率,利用连续两轮内检测(ILI)的数据计算管道局部腐蚀速率,以局部腐蚀速率为依据,采用分类与回归树(CART)将管道划分为若干管段,通过对管段腐蚀速率的评估,建立管道腐蚀速率计算模型,并结合工程实例,比较分析了局部腐蚀速率、管段最大腐蚀速率、管线最大腐蚀速率对制定维修计划的影响。结果表明：该模型确定了腐蚀最严重的管段为1、6、12、25、38号管段,便于业主对这些管段进行重点监测和维护,并检查相关防腐蚀设施的有效性;基于CART管道划分的管段最大腐蚀速率方法最适用于作为管道评估腐蚀速率,该方法在确保管道安全的前提下,既能很好地表征各管段的腐蚀速率,又能防止管道的过度维修。     

基于循环神经网络的腐蚀速率预测

采用循环神经网络(RNN)对腐蚀探针的监测数据(90%)进行训练，建立了管道腐蚀速率预测模型，并利用剩余的10%监测数据对模型的有效性进行了验证。结果表明：基于RNN建立的腐蚀速率预测模型能准确地预测出管道的腐蚀速率，预测值与监测数据的均方误差为0.008%,该方法可以为管道的腐蚀监测提供预警信息。     

灰色模糊LSSVM预测模型在锌净化除钴中的应用

针对锌净化除钴过程生产数据存在噪声和系统参数缓慢变化的问题,提出一种基于灰色模糊LSSVM的钴离子浓度预测模型。对样本数据进行灰色累加,削弱原始数据序列中的噪声,使数据规律性增强,灰色累加后数据作为LSSVM输入,提高模型抗干扰能力和预测能力;由于锌净化除钴工序的系统参数随时间发生变化,提出对不同时期的样本赋予不同的模糊加权值;利用改进PSO的全局优化能力和快速收敛性,优化LSSVM模型的惩罚因子和核函数参数,避免人为选择参数的盲目性。对硫酸锌溶液净化除钴过程生产数据的仿真结果表明,灰色模糊LSSVM预测值能很好地跟踪实际值的变化趋势,满足钴离子浓度预测要求。     

基于主成分和粒子群优化支持向量机的管道内腐蚀预测

目的研究输油金属管道内腐蚀预测模型,以改善管道维修策略和提高使用期限。方法分析输油管道内腐蚀原因,归纳腐蚀因素,采用主成分分析法对腐蚀因素进行优选,摒弃相关联但腐蚀贡献率较低的因素,以最大化表征腐蚀原因及减少不必要的处理过程。将贡献率较大的腐蚀因素作为支持向量机预测模型的输入变量,以腐蚀率作为目标输出,建立管道腐蚀预测模型。针对支持向量机参数选取问题,应用鲶鱼粒子群算法进行寻优,以提高预测精度。以20#钢管为例进行了模型验证,并与其他预测模型进行了对比和分析。结果主成分分析筛选得到的管道内腐蚀的主要因素有:H_2S、CO_2、Cl~-、酸碱值、压力、介质温度、流速。通过鲶鱼粒子群算法改进的支持向量机模型的预测与实际值的平均相对误差为2.82%,相关性系数值为0.9955,均优于其他三种预测模型。结论金属管道的内腐蚀由多个腐蚀因素共同作用形成,采用主成分和粒子群优化的支持向量机模型能够精确预测内腐蚀率,对金属管道维修和管理的借鉴性高。     

混输高矿化度气田水集输管道绝缘接头附近非保护端管线内腐蚀分析及解决方案

集输管道外防腐多采用防腐层外加强制电流阴极保护或牺牲阳极保护。但实际使用中发现,由于管道内存在矿化度高的导电介质,导致了对绝缘接头附近非保护端管线严重内腐蚀。本文针对四川某含高矿化度气田水气藏阴极保护绝缘接头附近非保护端管线内腐蚀现状,分析了内腐蚀原因;提出了初步解决方案:将绝缘接头改为地面竖直安装;对绝缘接头非保护端加强测厚监测(以便对有问题的管段及时更换);对符合条件的采用绝缘接头跨接等。