基于BP神经网络的腐蚀管道可靠性分析

合集下载

利用改进的神经网络预测腐蚀管道的剩余强度_喻西崇

(6)
J p(a , P , n)=Eσ′2s α(1 -at )a ×H1(at , n ,RRoi)×
(P )n +1 P0 式中 H1(a/ t , n , Ri/ Ro)———无量纲函数
(7)
R0 ———管道外半径 , mm
P0 ———完全塑性状态(n ※+∞)下的管材的
塑性失稳压力 ,MPa
J e(aeff
,
P)=E4[
×103P2 R (R2i ]
2
×
F 2(aeff/ t , Ri/ Ro)
(5)
式中 P ———输送压力 , MPa
Je(aeff , P)———J 积分的弹塑性解 , MN/ m
aeff 的计算如下 :aeff =a +0.1π768(KσsI)2 2)全塑性解 Jp(a , P , n)的计算 :
YU Xi -chong1 , 2 , ZHAO Jin -zhou2 , WU Ying -xiang1 , WU Ya -ling3 (1 .Institute of Mechanics Chinese Academy of Sciences , Beijing , 100080 , China ;2 .Cnooc Research Center , Beijing , 100027 , China ;3 .SouthWest Petroleum Institute , Nanchong , 637001 , China ;4 .Nanchong Refinery Factory , Nanchong , 637000 ,China)
度评价的目的是为了研究缺陷是否能在某一操作压
力下存在 , 在确定当前腐蚀缺陷下的剩余强度和最

基于神经网络和Monte Carlo方法的管道腐蚀可靠性分析

中图分类号：７Ｕ１８文献标志码：Ｂ文章编号：０９７６（０２Ｏ — ０４０１０ — ７７２１）１０６ — ３
ＲｅｉｂｉｔｌａｌｙＡｎａｙｉｆＰｉｅｉｒｏｉｎｙＮｅｒｌｅｗｏｋｎｄｉｌｓｓｏｐｌｎｅＣｏｒｓｏｂｕａｔｒａＮＭｏｅＣａｌｅｈｏｎｔｒｏＭｔｄ
高度非线性映射能力，用人工神经网络来映射管道习到的内容也是记忆在连接权之中。值调整变化的应权腐蚀处的应力，用ＭｏｔＣｒ再ｎｅａｌｏ法来进行结构可靠性原则（就是网络的学习规则）Ｈｂ也有ｅｂ学习规则、感分析，出一种人工神经网络结合ＭｏｔＣｒ给ｎｅａｌ的管知机学习规则、ｅａ学习规则以及其他多种学习规ｏ法Ｄｌｔ
摘
要：虑了壁厚、考腐蚀长度、蚀宽度、蚀深度和内部压力等因素对管道缺陷处最大应力的影响，用神经网络映腐腐利
射管道腐蚀处的应力函数，后应用ＭｏｔＣｒ然ｎｅａｌ管道进行了腐蚀可靠性分析。算例表明，用神经网络映射管道腐蚀ｏ对利处的应力与实测值之间的最大误差为４８应用文中的方法与大型有限元软件ＡＳＳ求得的结构可靠度误差为０７，．％。ＮＹ．％９而时间却相差４０。明该方法具有较好的计算精度和计算效率。２倍说关键词：道腐蚀；经网络；ｏｔＣｒ方法；管神Ｍｎｅａｌｏ可靠性

基于BP神经网络的管道腐蚀速率预测

损失十分惊人，每年因腐蚀带来的经济损失占本国纳规则，获得这些数据的内在规律，具有很强的非
本年度国民经济总产值（ＧＮＰ）的３％～５％。腐蚀问题线性映射能力，特别适合于因果关系复杂的非确性几乎各行各业都存在，而炼油行业在高温高压下进推理、判断、识别和分类等问题。ＢＰ神经网络是近
行，介质有毒有害、易燃易爆，因而腐蚀在炼油行年来广泛应用于各个领域的强有力工具，与传统的
＃ｍ攀辫业中表现尤为突出ｎ源自】。由于腐蚀影响因素多且复杂，
模式识别技术相比它具有更强的分类表达能力，可
并存在一定的交互作用，在室内试验过程很难控制以有效地描述其本身具有的不确定、多输入等复杂
ｎｅｔｗｏｒｋｔｈｅｏｙ．ｒＩｎｔｈｉｓｍｏｄｅｌ，ｐｒｅｓｓｕｒｅ，ｔｅｍｐｅｒａｔｕｒｅ，ｌｆｏｗｓｐｅｅｄ，ｓｕｌｐｈｕｒｃｏｎｔｅｎｔａｎｄａｃｉｄｎｕｍｂｅｒｗｅｒｅｓｅｔ
腐蚀研究
ＣｏｒｒｏｓｉｏｎＲｅｓｅａｒｃｈ
图臣固
基于ＢＰ神经网络的管道腐蚀速率预测
章玉婷
摘
杨剑锋
（北京化工大学化工安全教育部工程研究中心，北京１０００２９）要：本文将采用ＢＰ神经网络技术，以压力、温度、流速、含硫量和酸值作为输入参数，以管道内腐蚀速率作为输出参数，建立了输油管道的腐蚀速率预测模型。计算结果表明，该模型

基于DE-BPNN模型的含腐蚀缺陷管道失效压力预测

Vol. 17 No. 3Maw 2021第17卷第3期2021年3月中国安全生产科学技术Journal of Safety Science and TechnoWaydol ： 10. 11731/j. issn. 1 673-193x . 2021. 03. 014基于DE - BPNN 模型的含腐蚀缺陷管道失效压力预测**收稿日期：2020 -08 - 14*基金项目：国家自然科学基金项目(51904138 )；甘肃省自然科学基金项目(20JR5RA451)；甘肃省高等学校创新能力提升项目(2020A -019)作者简介：徐鲁帅，硕士研究生，主要研究方向为基于机器学习的管道完整性管理$通信作者：凌晓，博士，副教授，主要研究方向为油气储运设备完整性管理$徐鲁帅"，凌晓"，马娟娟"，马贺清"，付小华％(1•兰州理工大学石油化工学院，甘肃兰州730050 ； 2•兰州理工大学理学院，甘肃兰州730050)摘要：为提升含腐蚀缺陷管道失效压力预测精度，准确把控管道状态，建立基于DE - BPNN 的含腐蚀缺陷管道失效压力预测模型，有效避免BPNN 模型陷入局部最优问题,提升预测精度$基于61组管道爆破实验数据,分别用DE - BPNN 与BPNN 模型进行仿真计算。

结果表明：DE-BPN N 预测结果平均相对误差为3.26% 为0.985 85，预测精度较BPNN 模型有明显提升$应用DE - BPNN 模型预测含腐蚀缺陷的管道失效压力可为长输管道运输调配和检维修提供决策支持$关键词：腐蚀缺陷；管道；失效压力预测；机器学习；BP 神经网络;差分进化算法中图分类号：X937文献标志码:A 文章编号：1673 - 193X ( 2021) -03 -0091 -06Psdiction on failurr presskre of pipelirr contairirg corrosion defects based on DE 一 BPNNXU Lushuai 1 , LI A G Xiao 1 , MA Juanjuan 1 , MA Heqiny 1 , FU Xiaohuy 2(1. Colleve of Petroleum and Chemical Engineering , Lanzhou University of TechnoWay , Lanzhou Gansu 730050 , China ；2. Colleve of Sciences , Lanzhou University of TechnoWay , Lanzhou Gansu 730050 , China )Abstract ： Toimpeoeeihepeedieiion aeeueaeyofihefaioueepee s ueeofpipeoineeoniainingeo e o sion defe eis , and aeeueaieoyeonieooihepipeoinesiaie , a fai ou ee p ee s u ee p eedi eiion mode ofo eihe pipe oine wi ih eo e o sion defeeisbased on DE-BPNN wasestablished. DE performed an optimized search on the initial weights and thresholds of the BPNN , which Cfectively avvidedihepeoboem ofBPNN modeofa o i nginioiheooeaoopiimum , ihusimpeoeed iispeedieiion aeeueaey.Taking61 seisofpipeoineboasiingiesidaiaasexampoe , iheDE-BPNNand BPNNmodeosweeeused io pe efo em ihesimuoaiion eaoeuoaiion in Maioab ee- speeiieeoy.Theeesuoisshowed ihaiiheaeeeageeeoaiieee o eofDE-BPNN peedieiion eesuoiswasonoy3 .26%, wiih '2 of0. 985 85 ,and the prediction accuracy was significyntly improved cempariny with the BPNN model. The application of DE -BPNN mode oio p eedi ei ihe fai ou ee p eessu ee of pipe oines eon iaining eo e o sion defeeisean peoeidedeeision suppo eifo e ihetwnspoWation deployment , inspection and maintenance of Wny 风istance pipelines.Key wois ： cerrosion defect ； pipeline ； failure pressure prediction ； machine learniny ； BP neural neteork ； dW^'erentiyt vvelu-tiona * alyorithm0引言管道被广泛用于石油、天然气及危化品运输$截至2019年底，我国长输管道总里程达13.9 x 104 km ,管道失效将给企业与社会造成巨大损失*_3 + ,腐蚀是管道失效主要原因之一 *4宀$因此,研究腐蚀缺陷管道失效压力，对保障管道安全运行意义重大。

基于BP人工神经网络理论对埋地燃气管线腐蚀剩余寿命研究

图１。
６＝Ｘ一
＝
（）２
腐蚀速率的确定：土壤腐蚀是威胁管道安全的重要因素，表明，实践埋地管道腐蚀坑的深度或由管道穿孔年限确定的腐蚀速率往往远大于由均匀腐蚀计算的腐蚀深度指标。
一
０前言
在城市埋地燃气管线运营过程中，燃气管线的安全问题
腐蚀速率深度指标，ｎａ￣／。ｍ
可见只要知道某一管段的最小临界壁厚，后的剩余腐蚀壁厚，腐蚀速率，即可求出该管段的腐蚀剩余寿命。
直接关系到人民生命、的安全。如何预测在役埋地燃气财产管线的腐蚀剩余寿命具有重要的现实意义，因此，在Ｂ本文Ｐ人工神经网络管线腐蚀速率研究的基础上，根据现场数据，将其运用于腐蚀剩余寿命预测。
Ｋｅｒｓ：ｈｏｆｇａｉｎｏｙｗｏｄｔｅｃｎｕｒｔｏｆＢＰｅｗｏｋｍｏｅ；ｂｒｅａｐｌｎｉｎｔｒｄｌｕｉｄｇｓｐｉｅｉｅ；ｓｉｏｏｉｎ；ｌｅｐｅｃｉｎｏｌｃｎ＇ｓｏｉｒｄｉｔｆｏ
ＷＡＮＧａＷｎ，ＺＨＡＮＧｕＪｎｗｅＬＩＭｉｇ，ＺＨＡＮＧｅｅ，ＪＮａｐｎｎ，ＮｎＹｕｆｉＩＸｉｏｅｇ，ＷＡＮＧｎｐｎＲｏｇｉｇ
Ａｂｔａｔ：ＢａｅｎｔｔｄｆＢＰ＇ｔｆｃａｕａｅｗｏｋ，ｓｎａａｗｈｃｓｇｔｏｃｎｓｓｍｐｌｅＯｔａｎＢＰａｔｃａｅｒｌｓｒｃｓｄｏｈｅｓｕｙｏａｉｉｌｎｅｒｎｔｒｕｉｇｄｔｉｈｉｏｎｓｅｅａａｒｉｌｅｓｔｔｒｉ＇ｉｉｌｎｕａｒｆｉｎｔｒｔｄｌｏｒｄｉｔｒｍａｎｎｉｅｗａｓａｌｓｅＴｅｒｓａｃｅｕｔｈｏｄｔａ：ｈｏｒｓｏｅｉｉｇｌｆｆｇｓｐｉｅｉｏｄｅｗｏｋ，ｍｏｅｆｐｅｃｅｉｉｇｌｓｅｔｂｉｈｄ．ｈｅｅｒｈｒｓｌｓｓｗｅｈｔｔｅｃｒｏｉｎｒｍｎｎｉｏａｐｌｃｕｌｈｅｆａｅｎｅｂｒｄｃｅｙｔｅｔａｎｄａｔｃａｅｒｅｗｏｋａｄｗｅｅｂｓｃｌｎａｒｅｎｔｘｅｉｎａａａｅｐｅｉｔｄｂｈｒｉｅｒｉｉｎｕａｎｔｒｎｒａｉａｙｉｇｅｍｅｔｗｉｈｅｐｒｍｅｔｄｔ．ｉｆｌｌｌｌ

基于RBF-BP神经网络的管道腐蚀类型预测

精确的数学模型，而神经网络可以解决这类问题［１１。
一
个ＢＰ子网两部分组合而成的双隐藏层神经网
络，具体可看成一个由输入层、两个隐藏层和一个输出层组成的前馈型神经网络，ＲＢＦ — ＢＰ组合神经网络第一个隐藏层以从训练样本中提取出的特征
数据作为输入，隐藏层结点的传递函数使用高斯（Ｇａｕｓｓ）型核函数。第二个隐藏层的输入基于第一个隐藏层的输出，隐藏层结点的传递函数使用Ｓｉｇｍｏｉｄ
型函数。ＲＢＦ — ＢＰ组合神经网络的模型结构如图１
所示。
人工神经网络（以下简称神经网络）的神经元个
图１ＲＢＦ－ＢＰ组合神经网络结构不葸图
２ＲＳＦ — ＢＰ神经网络实现算法
算法原理如下：（１）根据具体应用需要和原始训练数据特征，设计合适输入模式，创建ＲＳＦ — ＢＰ组合神经网络。将组合网络的各个权值和阀值初始化为介于
数可以有很多，整个网络存储信息容量可以十分巨
大，在输入信息不完全、不准确或模糊不清的情况下，神经网络仍然能够联想存在于记忆中的事物的完整图像，只要输入的模式接近于训练样本，系统就能给出正确的推理结论【２】。因此，人工神经网络为具有百个以上参数的高复杂度问题提供了一种简单而有效的解决方法。传统神经网络预测管道的腐蚀类型，可以避开寻找各种因素对腐蚀类型影响规律的难题。但是传统的神经网络存在两个主要的问题，一是收敛速度较慢，二是容易陷入局部极小点。因此，文章将ＲＢＦ神经网络和ＢＰ神经网络相结合，使得管道腐蚀类型的预测，既具有ＢＰ网络较好的泛化能力，又具备ＲＢＦ网络较快的逼近速度，优化了网络权值和阀值的计算，提高了计算精度。

BP神经网络在可靠性增长分析中的应用

ｄｔａａｗｈｉｈｏｓｓｈａｓｒｂｔｏｌｗ．Ｔｈｔｏｓｎｌｚｄｗｉｈｓｃｆｃｔｓａａａｄｃｐｓｅｓｔｅｓｍｅｄｉｔｉｕｉｎａｅｍｅｈｄｉａａｙｅｔｐｅｉｅｔｄｔｎｉｄｍｏｔａｅｆｅｔｖ，ａｔｓｏｌｅｐｏｔｄｉｈｔｙｏｅｉｂｉｔｒｗｔ．ｅｓｒｔｄｅｆｃｉｅｎｄｉｈｕｄｂｒｍｏｅｎｔｅｓｕｄｆｒｌａｌｙｇｏｈｉ
输出层
了训练样本。
输入样本：
中间层
Ｐ［．．００１７０２６０３５０４４；０２＝０２０２．．８．７．５６４．０
０．６．８３５０．４．０；０．６２８１７０２６０．７４４０５１７０．６
维普资讯
电子产品可靠性与环境试验
１１４Ｎｏ３Ｊｎ，２０Ｉ２网络在可靠性增长分析中的应用Ｐ
陈海强，刘福太，张兵强
（军航空１程学院，山东烟台海一２４０）６０１
神经网络是对人的神经系统的模拟，它不仅可
ＢＰ神经网络通常是指基于误差反向传播算法
（Ｐ算法）的多层前向神经网络。它包括输入层、Ｂ中间层和输出层，中间层可以为一层或多层，每一层都有一定数量的处理单元ｆ经元）神，不同层的单元用权重连接，数据从输入层输入，输出层输

基于BP神经网络的管道缺陷识别

基于BP神经网络的管道缺陷识别作者：刘恩东来源：《电子技术与软件工程》2017年第02期摘要为了能够自适应地识别管道内部缺陷，针对目前管道内部图像须有人工实时检测的弊端，提出了一种以机器学习完成缺陷分类的方法。

该方法通过训练好的 BP 人工神经网络智能识别管道内缺陷及其种类，通过图像处理技术提取管道内各参数，最后利用管道内边缘周长、面积、辉度等参数识别缺陷类型。

实例应用结果表明：该方法能够有效地识别异物、裂纹、堵塞。

【关键词】BP神经网络管道缺陷缺陷分类目前，通过图像处理的方式进行模式识别已成为新的研究热点，并广泛应用于识别汽车车牌、手写汉字、水位线、水稻品质及各种工业产品等领域。

在城市管道检测技术方面，现多采用由管道机器人对待测管道进行内部信息采集，再由人工进行实时的观测并进行判断。

但是，由人工对管道内部问题进行判断，其判断的主观性与遗漏的可能性都是难以避免的。

针对这一情况，通过人工智能算法—BP神经网络对已获取的图像信息进行处理，从而得到管道内部的缺陷类型，不仅降低了系统操作人员的劳动强度，而且从整体上提高了缺陷分类软件的易用性和可移植性。

监控中视频处理的过程如图1所示，本项目将在图像处理技术的基础上通过BP神经网络着重对分类识别的部分进行研究，以达到机器智能检测的目的。

1 图像的预处理1.1 管道内部缺陷样本的采集建立管道内部缺陷库，是进行管道内部缺陷识别的必要条件。

同时也是对识别方法进行客观测试，估计其性能，评价其优缺点的根本依据。

采集样本时应符合大多数管道问题的实际情况，反映各种管道材料、直径、形状的特征等。

较差的学习样本不但会导致网络的错误映射关系，而且还可能会使该网络的学习过程不收敛，因此采集学习样本对于BP神经网络系统的学习和训练尤为重要。

本实验采集学习样本的原则为：1.1.1 代表性所用样本需要起到以点带面的作用，应当体现出输入输出关系，如选用特征突出的样本，只有通过具有代表性的学习样本所训练出来的BP神经网络才能很好的映射输入输出的关系。

神经网络算法在腐蚀机理分析中的应用研究

神经网络算法在腐蚀机理分析中的应用研究神经网络算法在腐蚀机理分析中的应用研究摘要：腐蚀是指金属表面与介质中的化学物质或电化学反应相互作用后失去原有性能的过程。

腐蚀机理分析是研究腐蚀行为和腐蚀过程的一种方法。

近年来，神经网络算法在腐蚀机理分析中得到了广泛的应用，并取得了一些成功。

本文综述了神经网络算法在腐蚀机理分析中的应用研究，包括腐蚀行为预测、腐蚀速率预测和腐蚀机理模拟等方面的研究，并展望了神经网络算法在腐蚀机理分析中的未来发展方向。

一、引言腐蚀是金属材料在介质中损伤的一种形式，产生的腐蚀产物会导致金属结构的疲劳、断裂等问题，严重影响材料的使用寿命和可靠性。

因此，研究腐蚀机理，了解腐蚀行为和腐蚀过程对材料选型、设计和使用有重要的意义。

神经网络算法是一种通过模拟人脑中神经元之间的连接和相互作用来解决问题的技术，具有自学习和自适应的能力。

近年来，神经网络算法在各个领域得到了广泛的应用，包括腐蚀机理分析中。

二、神经网络算法在腐蚀行为预测中的应用腐蚀行为预测是研究腐蚀过程中不同条件下腐蚀行为变化规律的一种方法。

神经网络算法可以通过训练一定数量的腐蚀实验数据，建立一个模型，用于预测不同条件下的腐蚀行为。

通过神经网络算法的应用，可以提高腐蚀行为预测的准确性和可靠性。

三、神经网络算法在腐蚀速率预测中的应用腐蚀速率是腐蚀过程中腐蚀速度的量化指标，对于评估金属材料的抗腐蚀性能和研究腐蚀机理起着重要作用。

神经网络算法可以通过分析不同条件下的腐蚀实验数据，建立一个模型，用于预测不同条件下的腐蚀速率。

通过神经网络算法的应用，可以准确预测不同条件下的腐蚀速率，为材料的选型和设计提供参考依据。

四、神经网络算法在腐蚀机理模拟中的应用腐蚀机理模拟是通过模拟和分析腐蚀过程中的各种因素和变化规律，来模拟和预测腐蚀机理的一种方法。

神经网络算法可以通过训练一定数量的腐蚀实验数据，建立一个模型，用于模拟和预测腐蚀机理。

通过神经网络算法的应用，可以揭示腐蚀机理中的一些隐含规律和关键因素，为腐蚀控制和腐蚀防护提供科学依据。

一种基于BP神经网络的腐蚀疲劳寿命预测方法及应用[发明专利]

专利名称：一种基于BP神经网络的腐蚀疲劳寿命预测方法及应用
专利类型：发明专利
发明人：黄小光,韩忠英,孙峰
申请号：CN201610870731.0
申请日：20160930
公开号：CN106442291A
公开日：
20170222
专利内容由知识产权出版社提供
摘要：本发明涉及一种基于BP神经网络腐蚀疲劳寿命预测方法及应用。

预测方法包括以下步骤：选择最大应力、应力比、加载频率、溶液pH值为影响腐蚀疲劳寿命的主要因素；设计加工一套腐蚀疲劳试验的配套腐蚀溶液循环装置，针对高强度抽油杆试样进行特定生产环境下的腐蚀疲劳循环失效系列实验，收集整理实验数据并分成训练样本与预测样本；设置人工神经网络参数,建立影响因素与腐蚀疲劳寿命之间的非线性映射；神经系统训练及测试；新样本腐蚀疲劳寿命预测；本发明的有益效果是：本发明将BP神经网络模型的高度非线性逼近能力，实现了高强度抽油杆腐蚀疲劳寿命的预测，操作简单；预测方法推广性强，便于工程应用。

申请人：中国石油大学(华东)
地址：266580 山东省青岛市经济技术开发区长江西路66号
国籍：CN
代理机构：东营双桥专利代理有限责任公司
代理人：罗文远
更多信息请下载全文后查看。

基于人工神经网络理论的埋地燃气管线腐蚀及剩余寿命预测的研究

贵州大学硕士学位论文基于人工神经网络理论的埋地燃气管线腐蚀及剩余寿命预测的研究姓名：王琬申请学位级别：硕士专业：材料学指导教师：陶文亮20050601贵辩大学硕士掌位论文基乎Ａ工神经搿络理论的埋地燃气管线穗蚀及剩余寿命预测的研究第二章土壤腐蚀试验瘸链速率是迸芎亍管线瀚余寿命预测的基确。

本章通过Ａ３钢管道现场堙片熨验、极化曲线测试和电化学阻抗谱ＥＩＳ等一系列测试，采用扫描电镜ＳＥＭ、能谱分析ＥＤＸ技术，研究Ａ３铜管道在土壤中的腐蚀行为、腐蚀机理及腐蚀规律，确定Ａ３钢在不同土壤中的腐蚀形态，先建立土壤中Ａ３钢管道耀蚀速率与土壤痿蚀辍素之阉的豢化关系模型，提供理论依据和数据基础。

２．１Ａ３钢在贵阳市三种典型土壤中的现场埋片实验现场埋片实验怒研究域地金属管道腐蚀最可靠的方法之－－［２２１，能够获得最原始的资料，对研突管道震蚀意义重大。

为了掌握贵嬲枣土壤痿蚀性及冀变亿娥律，磋突管线最可能存在的腐蚀形态，对Ａ３钢进行为期２４０天的现场埋片实验。

２．１．１材料的选择选用Ａ３钢为实验用材，其化学成分见表２．１１４甜，企相组织见闰２．１。

从图中可以嚣出：众提缀织沿孝ｂ割方嶷呈强豢螅豢状努毒，凝爨铁一碳耀銎霹知这怒耍共攒镪，寝温下它们的平衡组织主要为均匀黑色祭状珠光体＋囱色的铁索体，晶粒度细小。

经过缕砂处理豹Ａ３锈，在其表蠢部分，菇粒缀小、致鬻。

表２．１Ａ３钢纯学残分（谢ｇ◇ｌ材料ＭｎＣｒＮｉＴｉＣｐＳＳｉＦｅＩＡ３钢０．４２Ｏ．３００．０１９０．０２９０．０１余量（ａ）未喷砂中段（ｂ）喷砂边缘图２．１金耀缝织（２００×）爨援大学嫒士学燕论文基于大王棒经鼹络援避黯埋琏燃气管线瓣蚀致剩余寿命预测於醑究蔺２．２沥青封边后试样的宏观形貌图２．３回填前试坑形貌试片表面形貌观察与分析：宏观观察：取出试只是，去睃试嚣表露的覆±，躅铲子将试冀周溺熟涯寅封头及试片表面坚实、赢低不平灼腐蚀产物去除，但应｛雯意避免损伤试片金属基体。

基于Lasso-PSO-BP神经网络的腐蚀管道失效压力的预测

mV o l.53 N o.4 Apr. 2020基于Lasso -PSO -B P 神经网络的腐蚀管道失效压力的预测张新生，张玥(西安建筑科技大学管理学院，陕西西安710000)[摘要]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 -B P 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B P 神经网络的输入变量；然后，用粒子群算法（PS 0)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B P 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 - B P 预测模型，Lasso - PS 0 - B P 预测模型的平均误差（/!£)从 0.102 5减小到0.030 1，均方根误差由 1.174 3减小到0.297 2,其各项指标都优于Lasso -B P 模型，证明此方法具有较高的准确率，显示了 PS 0-B P 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。

[关键词]管道腐蚀；失效压力；Lasso 回归；粒子群算法（PS 0) ; B P 神经网络；预测 [中图分类号]TE 88[文献标识码]A[文章编号]1001-1560(2020)04-0046-07Prediction of Failure Pressure of Corroded Pipeline Based on Lasso - PSO - BP Neural NetworkZ H A N G Xin-sheng, Z H A N G Y u e(School of Management, X i ’an University of Architecture and Technology，X i ’an 710000，China)Abstract： Pipeline i s an important tool for transporting oil and gas. With the increase of corrosion phenomenon, i t is essential to predict the failure pressure of corroded pipeline. A Lasso - P S O - B P model was proposed to accurately predict the failure pressure of corroded pipelines. Firstly, combined with collecting experimental data of corrosion pipeline blasting, Lasso regression was used to screen out the influencing factors of failure pressure and determine the input variables of B P neural network. Then, particle swarm optimization (P S O ) was used to optimize the initial weight threshold of B P neural network. Finally, the BP neural network after optimized training was applied to the prediction of pipeline failure pressure. Through the example verification, the two kinds of model fitting effect were contrasted and analyzed. Results showed that in the comparison of Lasso-BP predict model, the average error (A E ) of Lasso-PSO-BP prediction model decreased from 0.102 5 to 0.030 1, and the root mean square error (R M S E ) decreased from 1.174 3 to 0.297 2, which indicated that all indexes were better than those of the Lasso-BP model. Therefore, this method had high accuracy and displayed better fitting degree and prediction precision, proving that i t was suitable to be applied for the perdition of failure pressure of corroded pipeline.K e y w o r d s ：corrosion of pipes； failure pressure； Lasso regression； particle swarm optimization； B P neural network； predict0前言石油和天然气输送管道如果发生故障，会带来巨大的环境危害与经济损失。

基于BP神经网络的合金铸铁腐蚀深度预测

基于BP神经网络的合金铸铁腐蚀深度预测王玉荣;乌日根【摘要】通过动态质量损失法腐蚀试验获取BP神经网络的样本数据。

利用Matlab的工具箱函数建立了拓扑结构为4×15×8×1的BP神经网络，并对网络模型的预测精度和应用进行了研究。

结果表明，在样本集和训练条件下，4×15×8×1型BP网络能较好地反映腐蚀时间、合金铸铁主要合金成分与腐蚀深度之间的非线性关系。

可用于合金铸铁在高温浓碱液中的动态腐蚀性能的预测；当稀土和铜质量分数较低且适量时，其耐碱蚀作用较显著，而镍质量分数越高耐碱蚀作用越明显。

%The sample data of BP neural network were measured by the dynamic hydrometer method. The 4 × 15 × 8× 1 BP neural network model was established by the toolbox function of Matlab, and the prediction precision and application of network model were studied. The re sults showed that under this sample set and training condition, 4 × 15 × 8× 1 BP neural network model reflected the non-linear relationship between corrosion time and main components of alloy cast iron and corrosion depth very well, and it was used to predict dynamic corrosive nature of alloy cast iron in high temperature concentrated alkaline solution. When rare earth and copper contents were relatively low and proper, the caustic corrosion resistance function of rare earth and copper was comparatively obvious, the higher the nickel content, the obvious the caustic corrosion resistance function.【期刊名称】《腐蚀与防护》【年(卷),期】2011(032)012【总页数】4页(P962-964,1012)【关键词】BP网络;合金铸铁;腐蚀深度;耐碱蚀;预测【作者】王玉荣;乌日根【作者单位】包头职业技术学院,包头014030;包头职业技术学院,包头014030【正文语种】中文【中图分类】TG174.2;TG143.9制碱工业中大量使用的阀门、泵、旋液分流器、熬煎锅以及输送管道等设备腐蚀严重，使用寿命较短［1］。

基于BP神经网络预测含腐蚀缺陷管道的极限压力

基于BP神经网络预测含腐蚀缺陷管道的极限压力青树勇;代卿;郭鸿雁【摘要】基于非线性有限元法,建立了含腐蚀缺陷管道极限压力计算的数值模型,并使用现有试验数据验证模型的准确性.根据正交试验组合,综合考虑管径,壁厚,腐蚀缺陷深度、长度、宽度对管道极限压力的影响,并在此基础上给出了基于BP神经网络预测含腐蚀缺陷管道极限压力的方法.最终通过与实际工况参数结果对比表明,该方法的预测结果具有较高的准确性.【期刊名称】《腐蚀与防护》【年(卷),期】2018(039)008【总页数】4页(P634-637)【关键词】腐蚀管道;非线性有限元分析;正交试验法;人工神经网络;极限压力预测【作者】青树勇;代卿;郭鸿雁【作者单位】中国石油集团工程设计有限责任公司北京分公司,海淀100083;中国石油集团工程设计有限责任公司西南分公司,成都610017;中国石油集团工程设计有限责任公司北京分公司,海淀100083【正文语种】中文【中图分类】TE973.1管道是油气资源长距离输送的主要工具，随着使用年限的增加,管道中累积的缺陷对管道的安全运行产生了巨大的威胁。

其中腐蚀缺陷是管道最为常见的缺陷类型。

为保证管道的安全性，国内外许多学者开展了含腐蚀缺陷管道剩余强度的分析与预测方法研究。

帅健等[1]使用有限元方法对含腐蚀缺陷中低钢管道的剩余强度进行了分析，并基于大量有限元计算结果给出了管道极限压力的预测模型，同时分析对比了现有标准中腐蚀缺陷管道强度分析方法的优缺点[2]。

王禹钦等[3]基于现有的标准给出了腐蚀管道剩余强度的评价方法。

ZHU等[4]从理论上详细推导了含缺陷管道的强度计算方法，并对各种模型之间的差异进行了讨论。

MA等[5]在帅健等人提出的模型基础上，给出了高强钢管道的极限压力预测公式。

苏晨亮等[6-8]均使用有限元方法对不同载荷工况下的腐蚀管道进行了分析。

现有的针对腐蚀管道极限压力的预测方法主要基于大量有限元数值计算结果与回归分析。

基于BP神经网络的管道腐蚀速率预测

基于BP神经网络的管道腐蚀速率预测章玉婷;杨剑锋【摘要】A model for predicting the corrosion rate of oil pipeline was built based on BP neural network theory.In this model,pressure,temperature, flow speed,sulphur content and acid number were set as input parameters while the corrosion rare was the output parameter.The results show that the model has good forecasting accuracy and it can reflect the corrosion factors effectively.%本文将采用BP神经网络技术，以压力、温度、流速、含硫量和酸值作为输入参数，以管道内腐蚀速率作为输出参数，建立了输油管道的腐蚀速率预测模型。

计算结果表明，该模型具有较好的预测精度，模拟出的腐蚀速率与实测值能较好的吻合，并且能够反映各因素与腐蚀速率之间的关系。

【期刊名称】《全面腐蚀控制》【年(卷),期】2013(000)009【总页数】5页(P67-71)【关键词】BP神经网络;腐蚀速率;预测模型【作者】章玉婷;杨剑锋【作者单位】北京化工大学化工安全教育部工程研究中心，北京100029;北京化工大学化工安全教育部工程研究中心，北京100029【正文语种】中文【中图分类】TG174腐蚀是材料和周围环境相互发生作用而使材料失效或变质的过程。

世界各国因腐蚀而造成的经济损失十分惊人，每年因腐蚀带来的经济损失占本国本年度国民经济总产值(GNP)的3%～5%。

腐蚀问题几乎各行各业都存在，而炼油行业在高温高压下进行，介质有毒有害、易燃易爆，因而腐蚀在炼油行业中表现尤为突出[1]。

基于ASO-BP神经网络的海底油气管道腐蚀速率预测

基于ASO-BP神经网络的海底油气管道腐蚀速率预测
肖荣鸽;王栋;王勤学
【期刊名称】《化学工业与工程》
【年(卷),期】2022(39)6
【摘要】随着我国海洋油气管网的发展与建设,管道数据采集量随之增大,优秀的预测模型可以应对大量数据,准确预测管道腐蚀速率,对保障管道安全健康运行具有重大意义。

将原子搜索优化算法(ASO)思想引入BP(Back propagation)神经网络,构建ASO-BP神经网络用于海底油气管道腐蚀速率的预测。

以50组现场数据为例,使用Matlab进行模拟仿真计算,分别构建具有代表性的BP、GA-BP和ACO-BP 模型作为对比,对海底油气管道腐蚀速率数据进行训练和预测,结果表明ASO-BP模型预测精度较高,其平均绝对百分比误差(MAPE)为3.16%,预测结果优于BP、GA-BP和ACO-BP,验证了其可靠性以及良好的预测性能,为海底管道腐蚀速率预测研究提供了新的方法和思路。

【总页数】8页(P109-116)
【作者】肖荣鸽;王栋;王勤学
【作者单位】西安石油大学陕西省油气田特种增产技术重点实验室
【正文语种】中文
【中图分类】TP301.6
【相关文献】
1.基于RF-GOA-RVM的海底管道腐蚀速率预测
2.基于KPCA-GA-ELM的海底管道外腐蚀速率预测技术
3.基于参数优化神经网络的海底油气管道腐蚀泄漏预测
4.基于WOA-BP算法的海底管道腐蚀速率预测
5.基于PCA-IBAS-ELM的海底多相流管道内腐蚀速率预测
因版权原因，仅展示原文概要，查看原文内容请购买。

利用BP神经网络预测注水管道的腐蚀速率

利用BP神经网络预测注水管道的腐蚀速率
喻西崇;赵金洲;邬亚玲
【期刊名称】《石油机械》
【年(卷),期】2003(031)001
【摘要】利用人工神经网络的自适应、自组织学习能力,通过对训练样本集的学习,预测了注水管道的腐蚀速率.通过实例,采用4种不同的预测腐蚀速率的方法,即采用传统的预测腐蚀速率的CVDA-84规范、传统的BP神经网络、改进的Rumelhart 和MBP神经网络计算注水管道的腐蚀速率.CVDA-84规范偏保守,采用BP以及改进的BP神经网络预测的腐蚀速率和观测值基本一致.但采用BP人工神经网络预测时,迭代次数比CVDA大得多,采用改进的Rumelhart和MBP神经网络能有效地提高预测速度,改善网络的收敛性,并且使预测精度有所提高.
【总页数】3页(P14-16)
【作者】喻西崇;赵金洲;邬亚玲
【作者单位】西南石油学院;西南油气田分公司南充炼油化工总厂;西南油气田分公司南充炼油化工总厂
【正文语种】中文
【中图分类】TE98
【相关文献】
1.改进BP神经网络预测埋地金属给水管道外腐蚀速率的研究 [J], 李亚峰;陶翠翠;蒋白懿;叶友林
2.GA-BP神经网络预测金属腐蚀速率 [J], 向乃瑞;闫海;王炜;刘闯;陈思凡
3.基于遗传算法优化BP神经网络预测CO2/H2S环境中套管钢的腐蚀速率 [J], 万里平;徐友红;冯兆阳;孔斌;杨兵
4.利用灰色理论预测注水管道腐蚀速率的变化趋势 [J], 喻西崇;赵金洲;邬亚玲;胡永全;纪禄军
5.应用BP神经网络预测N80油管CO2腐蚀速率 [J], 贺海军
因版权原因，仅展示原文概要，查看原文内容请购买。

输气管道内腐蚀速度BP神经网络预测模型

输气管道内腐蚀速度BP神经网络预测模型
蒋仕章;王清华;樊成
【期刊名称】《油气储运》
【年(卷),期】2002(21)7
【摘要】人工神经网络是模仿人脑神经元结构、特性和大脑认知功能而构成的新型信号、信息处理系统。

利用实验获得的输气管道在气相或液相中含有H_2S、CO_2、缓蚀剂浓度与其所导致的内腐蚀速度值,采用Levenberg-Marquardt算法建立了输气管道内腐蚀速度BP神经网络预测模型。

利用该模型对输气管道内腐蚀速度进行了预测,取得了比较满意的效果。

【总页数】4页(P22-24)
【关键词】输气管道;内腐蚀速度;人工神经网络;预测模型
【作者】蒋仕章;王清华;樊成
【作者单位】中国人民解放军后勤工程学院;宁夏长宁天然气公司
【正文语种】中文
【中图分类】TE988.2
【相关文献】
1.漏磁腐蚀检测器在输气管道中的运行速度分析 [J], 白港生;黄凯;季峰;吴南勋
2.输气管道腐蚀的最优灰色组合预测模型 [J], 王晓光;周慧
3.基于BP神经网络的输油管道内腐蚀速率预测模型 [J], 胡松青;石鑫;胡建春;任振甲;郭爱玲;高元军
4.基于改进BP神经网络优化的管道腐蚀速率预测模型研究 [J], 许宏良;殷苏民
5.输气管道内检测器压力-速度模型及速度调整策略 [J], 杨理践;赵洋;高松巍因版权原因，仅展示原文概要，查看原文内容请购买。