管道腐蚀速率计算模型综述.docVIP

国内外研究现状 油气管道系统的腐蚀速率计算与可靠性分析的研究，多是基于概率论和数理 统计等数学工具对管道腐蚀的速率与可靠性进行定量分析⑴。现今，国内外主要 采用的方法有：马尔科夫、神经网络、。。。、等方法。许多专业研究人员、学者做 了大量研究工作，为这一领域打下了良好的基础，提供了强大的理论依据。 —＞神经网络 BP网络最初是由Werbos于1975年前后发明的，它由输入层神经元、输出 层神经元及隐层神经元组成，其屮隐层可以是一层或多层，相邻层采用全互连结 构，如图1所示。 输入层 隐层 输入层 隐层 输出层 图IBP神经网络结构 灰色神经网络模型 将GM (1, 1)模型与神经网络相结合，形成灰色神经网络模型⑵。其主要过 程是将GM (1, 1)模型得到的预测值作为传统的神经网络的输入样本，其真实值 作为神经网络的Fl标样本，采用一定的网络结构进行学习训练，调整其连接权值 直到达到网络训练H标要求，就可以得到调整后的连接权值，再用GM (1, 1)模 型预测得到的值作为网络的输入进行仿真〔叽 径向基过程神经网络模型 1985年，Powell提出了多变量插值的径向基函数(Radial-Basis Function, RBF)方法。1988年，Broomhead和Lowe首先将RBF应用于神经网络设计, 构成了径向基函数神经网络，即RBF神经网络。 输入圧N个基南数的隐含口 输出肚 图2典型的RBF神经网络 过程神经元网络与传统神经网络不同之处在于它的输入、激励阈值以及网络 的连接权均可以是时变函数或时变过程門。过程神经元在传统神经元空间加权聚 合运算1567啲基础上，增加了一个对于时间（过程）的累积算子，其聚合运算和 激励可同吋反映多输入吋变信号的空间加权聚合和对吋间过程效应的累积，并具 有连续性、对连续泛函数逼近能力等理论性质。 径向基过程神经元网络的输入层有n个节点单元，完成将时变函数向神经元 网络的输入；屮间径向基过程神经元隐层有m个节点单元，单元的变换函数是 径向基核函数；输出为隐层节点输出信号的线性加权和凶。网络拓扑结构如图3 输入层 隐层 输出层 图3径向基过程神经元网络 你（丿二1,2,..., /77）为网络输入函数，为第j个径向基过程神经元核 屮心函数，则径向基过程神经元网络输入输出Z间的关系为： T F（X（tz） ） = 丫忍?为押切一肌（巧）||）△广公式1 7 = 1 7=1 学习算法 设径向基过程神经元网络的输入及核屮心函数属于（c［o,门），网络训练主 要包括对径向基核函数K （?沖性质参数的调整，确定径向基核中心函数川匕）， 以及对输出层权系数的迭代修正，使之在有教师示教方式下，网络满足训练样木 输入输出之间的映射关系。 对于G （ C［0,门厂，定义 丄 |T（t7）一 肌a）| =（a（ty）一 乳丿（巧））（T（ty）一 肌匕））厂乂公式 2 考虑式2表示的径向基过程神经元网络的训练问题。 给定K个学习样本：（九］匕），九2匕），???，血”匕），乙），￡ = 1，2,???，《; 其屮，dk为第k个样本在过程区间［0,T］上的期望输出。设网络对应于第k个 样本的实际输出为yk，网络谋差函数定义为 E =工（儿—d“公式3 k = \ 若径向棊核函数取为Gauss函数，即 2 （v） = exp（- -^—7）公式 4 2/ 其中，。称为m个核中心函数的平均离差，可通过网络对学习样本集的训 练或由下式确定： cr = 公式 5 5/2/77 1 丁 1 Z7 1 d 二丄（￡ 工加（匚）- 一￡ 公式 6 m 八 1 /=1 m 八 1 径向慕过程神经元网络的训练可借鉴传统梯度下降算法，输出层权系数的学 习迭代式为 W\s + 1） = w .（s） 一 7 , J = 1,2, ???,〃？公式 7 dwj 上式屮，s为学习迭代次数，q为网络学习效率常数。 具体学习算法描述如下： 1.给定学习精度￡,设置累计学习迭代次数s=0,学习最大迭代次数N； 2?初始化网络参数Wj, (j = l,2,???,m)； 按式5和式6式计算。； 按式2计算” (t7) - H(训；按式1计算隐层第j神经元的输出oj；然后计算 Yk； 按式3计算误差函数E ,如果E e或s N ,转步7； 按式7修正权系数；s+1-s；转步3； 7?输出学习结果；结束. 1.00 图4预测结果对比 图4屮所示为腐蚀速率预测对比，其屮“ o ”表示实际腐蚀速率，“ + ”预测 腐蚀速率。 蒙特卡洛法 蒙特卡洛法(Monte-Carlo Method),也称统计模拟方法，是于20世纪40年 代提出来的，该方法是一种以概率统计理论为基础的数值计算方法〔％ 蒙特卡洛法的主要思想就是把这些离散的随机变量分布转换成预期的连续 分