油气集输管道腐蚀速率预测研究.docVIP

油气集输管道腐蚀速率预测研究 伶立强，张鹤群 (冀东油田油气集输公司，河北唐山063000) 摘要:腐蚀速率的精确预测对于油气集输管道的安全运行具有重要意义。鉴于神经网络算法陷入 局部最小值、收敛速度慢和引起振荡效应等问题，同时考虑白适应遗传算法在广泛的空问搜索和向最 优解的方向尽快收敛于最优目标的特点，构建了优化的混合算法神经网络模型。利用该模型对多种因 素影响下的油气集输管道的腐蚀速度进行了预测研究。实际应用表明:该模型大大提高了网络的学习 效率和预测评判的精度，可以作为油气集输管道腐蚀速率预测的良好工具。 关键词:神经网络;腐蚀;改进的遗传算法 引言 腐蚀常给油气田造成重大的经济损失，包括灾难性的事故和环境污染。影响油管腐蚀的因素很多，包括材料因素、环境因素、所输介质的组分因素等，同时 影响腐蚀各因素之问的相互作用十分复杂，而实验过程又往往不能控制所有因素变化情况，从而导致实验结果分散性比较大，因此用精确的数学解析公式来表达它们之问的关系是非常困难的，所以有必要采用其他科学的方法对实验数据进行分析处理，以便从分散性较大的实验数据中分清和判断各种因素的影响，作出不掺杂主观成份的推论和判断。 BP神经网络技术被广泛应用于输油气管道腐蚀速度预测研究中，但由于BP神经网络具有收敛速度慢，极易陷入局部极值点等弱点该方法的预测效率及精度都不高。文中利用改进的遗传算法结合BP神经网络对集输管道的腐蚀速率进行分析，建立系统模型，用现场实验数据对模型进行了检验。结果表明:其预测效率及精度均较高。 1腐蚀速度的预测方法 1．1人工神经网络方法 大量的仿真实验和理论研究已经证明，BP ( backpropagation)算法是一种有效的神经网络学习算法，它具有很强的处理非线性问题的能力，近年来应用广泛。但在实际应用中，BP神经网络也暴露出一些白身的弱点如收敛速度慢，极易陷入局部极值点;另外，神经网络的初始连接权以及网络结构的选择缺乏依据，具有很大的随机性，很难选取具有全局性的初始点因而求得全局最优的可能性小，限制它在实际中的应用。 1．2遗传算法 遗传算法(genetic alaoritlmi } GA)最初由H o hand于20世纪70年代提出，它的主要特点是群体搜索策略和群体中个体之问的信息交换，搜索不依赖梯度信息，也不需要求解函数可微，只需要该函数在约束条件下可解。因此，该方法尤其适用于处理传统方法难以解决的复杂和非线性问题[3〕。在传统遗传算法的基础上，文献f4l提出了一种改进白适应遗传算法(inproved adaptive genetic algoritl ns)，在用其求解实际问题时，能在广泛的空问搜索和向最优解的方向尽J陕收敛于最优目标，求得全局最优解两方面均有较强的能力，做到了两者兼顾，因而应用广泛。 13改进遗传算法和BP算法结合的混合算法 BP算法的优点是寻优具有精确性，但它具有易陷入局部极小、收敛速度慢和引起振荡效应等缺点。局部极小问题在实际计算过程中可以通过调整初始权值和阀值来解决，而收敛速度较慢和引起振荡效应往往是网络训练后期陷入局部极小所致。如果在BP算法之前，能用一种有效的方法大致搜索出一定的权值和阀值，以此时的权值和阀值作为BP算法的初始权值和阀值，则可以解决上述问题。由于改进的遗传算法具有很强的宏观搜索能力，并且具有简单通用、鲁棒性强、并行运算的特点，所以用它来完成前期的搜索，能较好地克服BP算法的缺点。综上所述，将二者结合起来，形成一种混合训练算法，达到优化网络的目的。即: (1)充分发挥GA全局搜索的优点和BP局域寻优迅速的优点，将两者有机地结合起来; ( 2)以要真正发挥出进化的特点，保持群体点问的联系是一个前提条件，在该方法中，将GA, BP分别搜寻得到的结果混合起来，再根据误差大小，将误差较大的部分交给IA GA进行全局寻优，将误差较小的部分交给BP算法进行局部寻优，将GA, BP的群体点充分联系起来，有益于发挥以进化的特点; ( 3)此方法可使大量点群以BP算法的梯度下降法快速地或者以GA大范围地向各白的最优值逼近。 14混合算法的步骤 (1)根据给定的输入、输出训练样本集，设计神经网络的输入层、隐含层和输出层的节点数，确定神经网络的拓扑结构。 ( 2)初始化网络及群体，给出训练参数;对于每个输入向量V，先使其规格化，文中规格化的公式为m二(V;)一min(V;)·0. 9 + 0. O5,网络的初始权值为[-1, 1]内的一组随机数。 ( 3)对种群中的染色体，计算染色体的在神经网络中的误差平方和E;和适应度f;的值，如果满足精度要求，则转向(9); ( 4)对该种群进行，iA进化，进化到一定代数就转向(5); ( 5)对种群进行适应度计算，如果满足精度要