基于人工神经网络的压力容器初级评定方法

155. 50 1. 60 2. 85 0. 70 0. 60 3. 60 0. 84 0. 84 0. 92 0. 65
260 9 200 2 200 7 250 12 300 20 200 9 200 9 200 1 000 1 000
30. 0 2 100 50. 0 27. 5 550. 0 1 402. 5 25. 0 100. 0 1 600 1 600
i=0
j = 0 ,1 , …, Q - 1
(5)
Q- 1
V k ( n) = f
ρ W kj ( n) U j ( n) - θk ( n)
j=0
k = 0 ,1 , …, P - 1
(6)
式中 X i ( n) , U j ( n) , V k ( n) ———表示输入层 、 隐含层 、输出
k = 0 ,1 , …, P - 1
θk ( n + 1) =θk ( n) +βδk ( n) +η( n)Δθk ( n) θj ( n + 1) =θj ( n) +βδj ( n) +η( n)Δθj ( n)
j = 0 ,1 , …, Q - 1
(7)
i = 0 ,1 , …, N - 1
压力容器正在向大型化 、复杂化 、高参数及严 工况的方向发展 ,越来越多的功率强大 、结构复杂 的系统投入生产运行 ,在役压力容器的安全日益 引起人们的关注 。世界各国纷纷开展压力容器缺 陷评定方法技术研究 ,提出了一些工程评定方法 或规范[1～3 ] 。
由于压力容器安全评定是一个很复杂的非线 性问题 ,而且容器的评定工作也往往是以许多评 定案例的专家经验知识为基础而不断完善的 。鉴 于此 ,开发一种建立在专家经验知识基础上的评 定方法还是有必要的[4 ] 。人工神经网络是近年 来发展起来的一门交叉学科 ,该技术能处理高度 非线性问题 ,具有自学习 、自组织能力 ,本文提出 一种基于人工神经网络的压力容器初级评定方 法。 1 人工神经网络基本原理[ 5]
出值 。 d. 从输出层开始 ,反向调整权值和阈值 ,调
层 节 点 的 输 整公式如下 :
W kj ( n + 1) = W kj ( n) +αδk ( n) U j ( n) +η( n)Δ W kj ( n)
W ji ( n + 1) = W ji ( n) +αδj ( n) X i ( n) +η( n)Δ W ji ( n)
人工神经网络是采用物理可实现的系统来模 仿人脑神经细胞的结构和功能的系统 。 1. 1 人工神经网络模型
在人工神经网络应用中 ,具有广泛用途的是 多层前馈反向传播神经网络 。反向传播神经网络 (Back Propagation) 是 PDP 小组在 1985 年提出的 一种神经元模型 ,简称 BP 模型 ,它是一种多层感 知器结构 ( Multi2Layer Perception) 。从数学角度 看 ,多层前馈神经网络是由一组输入单元到一组 输出单元的映射 ,若网络输入层有 n 个单元 ,输
如何用神经网络对初级评定已经通过的在用
压力容器所含缺陷的安全裕度及其可能发生的失 效模式进行预测 ,有待于进一步研究 。
参 考 文 献
1 CVDA21984 压力容器缺陷评定规范. 压力容器 ,1985 , 2 (1) :1～17
2 Mats Bergman ,Bjom Brickstad ,Lars Dahlberg et al. A
(9)
k=0
式中 α、β———神经元学习效率的常数 ;
服强度 σy 作用下的弹性应变 ey 的比值 e/ ey 作
η( n) ———是动量因子 。
为神经网络的输入 ,将容器的实际评定结果作为
e. 计算 EG 和 E 。若 E 小于指定的误差范 围 ,则学习过程终止;否则更新学习次数 n , 返回
期望输出 ,训练集的误差 ε< 0. 001 。经过学习 , 网络具有了对样本的记忆和联想的能力 ,完全能
27. 0 19. 0 19. 0 15. 0 10. 0 3. 5 2. 0 1. 5 3. 0 3. 0
85. 0 28. 0 44. 0 24. 0 21. 5 25. 1 16. 0 15. 0 14. 2 10. 3
0. 36 1. 00 0. 90 0. 74 1. 22 1. 13 1. 32 1. 41 0. 71 1. 08
出层有 m 个单元 ,则网络是 :
F : R n →R m , { Y } = F ( X)
(1)
本文采用改进型的 3 层 BP 模型网络 ,由输
入层 、输出层和连接它们的隐含层组成 。输入层
接收外部的信息并负责传递到隐含层 ,隐含层处
理来自输入层的信息 ,并把它的输出信息传输给
输出层 ,输出层处理完信息后输出整个网络的输
t/ mm
24. 0 25. 0 15. 0 12. 5 30. 0 15. 0 36. 0 15. 0 15. 0 10. 3 10. 3 10. 5 13. 8 10. 6
按 CVDA2 按初级 FAD 按神经网 神经网络 e/ ey 84 方法评定 法评定 络法评定 输 出 值 1. 06 未通过 未通过 未通过 0. 0001 0. 71 未通过 未通过 未通过 0. 0001 1. 25 通 过 通 过 通 过 0. 9 998 0. 87 通 过 通 过 通 过 0. 9999 0. 83 未通过 未通过 未通过 0. 0001 1. 71 未通过 未通过 未通过 0. 0001 0. 77 未通过 未通过 未通过 0. 0001 1. 86 未通过 未通过 未通过 0. 0001 1. 78 未通过 未通过 未通过 0. 0001 0. 85 通 过 通 过 通 过 0. 9999 0. 92 通 过 通 过 通 过 0. 9998 0. 37 通 过 通 过 通 过 0. 9999 0. 85 通 过 通 过 通 过 0. 9999 0. 42 通 过 通 过 通 过 0. 9999
由表 2 可看出 ,通过学习 ,神经网络已获取了 知识 ,可以准确地对未知评定结果进行预测 。 3 结论 3. 1 压力容器的失效评定是一个很复杂的过程 , 具有高度非线性 ,评定结果是多种因素如材料性 能 、裂纹几何尺寸 、裂纹部位的应力状况及外加载 荷等综合影响的结果 。本文引入神经网络技术 , 以成功的评定案例为基础 ,得出用神经网络技术 可以成功地解决此类问题 。 3. 2 本文采用神经网络方法对典型在用压力容 器进行安全评定 ,和 CVDA284 方法的评定结果 完全一致 ,从而说明了将神经网络方法引入压力 容器的初级评定中是可行的 。 3. 3 人工神经网络方法用于压力容器初级评定 为压力容器安全评定智能化 (专家系统) 建立了一 个初步基础 。
式中 Ok , V k ———输出层中第 k 个神经元的期 望输出与实际输出 。
具体算法步骤如下 : a. 网络参数的初始化 。
全体样本的总误差为 :
b. 输入学习样本并标准化 。
E = ρ EG G
(4)
c. 逐层计算神经网络各节点的实际输出值 。
N- 1
Uj ( n) = f
ρ W ji ( n) X i ( n) - θj ( n)
以16组实验数据作为训练样本文中只列出10组见表1以特征?压?p直径d裂纹半长c穿透裂纹半长或表面裂纹高或埋藏裂纹半高a壁厚t总拉应变e按文献6中式39计算与屈服强度y作用下的弹性应变ey的比值eey作为神经网络的输入将容器的实际评定结果作为期望输出训练集的误差amp
1 76 化 工 机 械 1999 年
ห้องสมุดไป่ตู้
步骤 c 。
识别这些样本 。再选取另 20 组实验数据作为“未
2 用人工神经网络进行压力容器初级评定
知”样本 ,由已掌握了知识信息的神经网络对其进
本文采用的样本数据全部来自文献 [ 6 ] 。以 行预测 ,预测结果与按 CVDA284 方法评定结果
16 组实验数据作为训练样本 (文中只列出 10 组 , 完全一致 ,见表 2 (文中只列出 14 组 , 为进行对
1 78 化 工 机 械 1999 年
容器名称
球 罐 球 罐 球 罐 丙烯塔 球 罐 球 罐 球 罐 球 罐 球 罐 丙烯塔 丙烯塔 丙烯塔 丙烯塔 丙烯塔
材 质
15MnV 15MnV 16Mn Q2352A 16MnR 16Mn 16MnR 16MnR 16MnR 16Mn 16Mn 16Mn Q2352A Q2352A
Procedure for Safety Assessment of Components wit h Cracks2Handbooks. SA/ Fou2REPOR T 91/ 01. The Swedish Plant Inspectorate ,Stockholm ,1991 3 王志文 ,李培宁 ,雷月葆等. 我国压力容器通用失效评 定曲线的初步研究. 化工机械 ,1995 ,22 (2) :115～120 4 俞树荣 ,王志文. 压力容器安全评定的现代方法. 化工 机械 ,1995 ,22 (3) :176～179 5 Toshio Fukuda , Takanori Shibata. Theory and Applica2
出信息 。3 层网络结构如图 1 所示 。
图 1 3 层神经网络 ( B P 模型)
网络中的节点作用函数采用 Sigmoid 函数 :
f
( x)
=
1
+
1 e
-
γx
(2)
式中 γ———函数修正因子 。
1. 2 B P 模型算法 神经网络的自学习过程是一种误差反向传播
修正的过程 。对于第 G 个样本 ,其误差函数为 :
表 2 基于神经网络在用压力容器的初级评定结果
p/ MPa D/ mm c/ mm a/ mm
1. 00 0. 30 0. 84 0. 92 1. 00 0. 84 1. 00 0. 84 0. 84 0. 65 0. 65 0. 65 0. 92 0. 92
9 200 9 200 9 200 1 000 9 200 9 200 9 200 9 200 9 200 1 000 1 000 1 000 1 000 1 000
800. 0 62. 0 200. 0 125. 0 500. 0 2. 5 190. 0 55. 0 17. 5 90. 0 300. 0 27. 5 1 600. 0 75. 0
18. 0 21. 0 1. 5 3. 0 26. 0 4. 0 22. 0 5. 0 4. 0 3. 0 3. 0 3. 0 3. 0 3. 0
δk ( n) = V k ( n) [ 1 - V k ( n) ] [ Ok ( n) - V k ( n) ] k = 0 , 1 , …, P - 1
(8)
P- 1
δj ( n) = U j ( n) [ 1 - U j ( n) ] ρ δk ( n) - W kj ( n) ] , j = 0 , 1 , …, Q - 1
基于人工神经网络的压力容器初级评定方法Ξ
俞树荣ΞΞ 李尔国 贾 立
(甘肃工业大学)
摘 要 引入人工神经网络方法对压力容器进行初级评定 , 评定结果和 CV DA284 方法 的评定结果一致 。人工神经网络方法为压力容器安全评定智能化 (专家系统) 建立了一个 初步基础 。 关键词 压力容器 失效评定 人工神经网络
见表 1) ,以特征量压力 p 、直径 D 、裂纹半长 c 、穿 比 ,表中还列出了用 CVDA284 和失效评定图[6 ]
透裂纹半长或表面裂纹高或埋藏裂纹半高 a 、壁 两种方法评定出的结果) 。
厚 t 、总拉应变 e (按文献[ 6 ]中式 (39) 计算) 与屈
容器名称
超高压釜 球 罐 水洗塔 球 罐 球 罐 蓄热器 球 罐 球 罐 丙烯塔 丙烯塔
表 1 在用压力容器的 CV DA284 初级评定结果与神经网络的训练值
材 质 p/ MPa D/ mm
c/ mm
a/ mm
t/ mm
e CVDA284 方 神经网络 神经网络 ey 法评定结果 训练类别 训 练 值
CrNiMo 16Mn Q2352A 15MnVR 16MnR 20g 16Mn 16Mn Q2352A 16Mn
未通过 未通过 未通过 未通过 未通过 通 过 通 过 通 过 通 过 通 过
未通过 未通过 未通过 未通过 未通过 通 过 通 过 通 过 通 过 通 过
0. 0001 0. 0001 0. 0001 0. 0001 0. 0007 0. 9999 0. 9969 0. 9779 0. 9999 0. 9984
EG =
1 2
P- 1
ρ ( Ok -
k=0
V k) 2
(3)
Ξ 原机械部基金资助项目 。 ΞΞ 俞树荣 ,男 ,1962 年 3 月生 ,副教授 ,化工学院副院长 。甘肃省兰州市 ,730050 。
第 26 卷 第 3 期 化 工 机 械 1 77