基于PCA-TSO-BPNN模型的海底管道腐蚀速率预测方法

技术领域

本发明涉及一种基于PCA-TSO-BPNN模型的海底管道腐蚀速率预测方法，属于油气管道腐蚀速率预测领域。

背景技术

为了运输海上作业平台开采出来的石油和天然气，海底油气管道凭借经济、安全、便捷的独特优势成为首选输送方式。除人为破坏外，腐蚀是管道失效的主要影响因素，一般用腐蚀速率作为管道腐蚀的评价指标。一旦海底管道因腐蚀导致管体破裂，将会在海洋环境里造成油气泄漏的严重事故，后果不堪设想。海底管道内腐蚀的影响因素众多，如CO

目前，国内外学者对管道腐蚀速率预测问题进行了深入研究。尤其灰色系统理论和机器学习广泛应用于管道腐蚀速率预测方面。如程浩力等运用灰色系统理论和最小二乘原理，借助Excel软件构建GM(1，1)预测模型，通过实例验证表明该模型预测精度较好；骆正山等使用优化的灰色马尔科夫链动态模型对管道腐蚀速率进行预测，通过对比发现优化后的模型比传统的灰色马尔科夫链预测模型的预测精度更高；章玉婷等建立基于BP 神经网络管道腐蚀速率预测模型，但是传统BP神经网络模型会出现网络模型训练周期较长、常常导致局部过小、误差较实际值偏大等问题；肖荣鸽等建立WOA-BPNN模型对海底管道腐蚀速率进行预测，相比于单一BPNN、PSO-BPNN、GA-BPNN模型，WOA-BPNN模型稳定性更好和预测精度更高。吴庆伟等建立FOA-SVM管道腐蚀速率预测模型，与灰色组合模型、LS-SVM模型相比，FOA-SVM模型精度更高和稳定性更好，但训练时间较长；骆正山等提出了基于PCA-IBAS-ELM海底多相流管道内腐蚀速率预测模型，利用PCA降维和改进甲虫天牛须算法优化极限学习机，预测结果与实际值拟合度更高。

金枪鱼群算法是2021年提出的一种新型智能优化算法，运用金枪鱼群算法优化BPNN 模型的权值和阈值，不仅可以提升自身搜索到全局最优的能力，还能够有效避免单一BPNN 模型易导致局部过小、误差较大的缺陷。为了使海底油气管道内腐蚀速率预测更准确，研究者提出了一种基于PCA-TSO-BPNN海底油气管道内腐蚀速率预测方法。

发明内容

本发明的目的是提供一种基于PCA-TSO-BPNN模型的海底管道腐蚀速率预测方法，对海底管道腐蚀速率进行在线预测，从而为海底管道内腐蚀防护和油气管道流动保障提供决策支持。

本发明以海底管道腐蚀速率为目标函数和以影响海底管道腐蚀速率的温度、系统压力、CO

基于PCA-TSO-BPNN模型的海底管道腐蚀速率预测方法，具体步骤如下：

步骤1：收集海底管道腐蚀速率数据，利用PCA降维数据，筛选出海底管道腐蚀速率主要影响因素，分组划分成训练组数据和测试组数据；

步骤2：依据神经网络的输入、输出样本集，建立BP神经网络模型的的拓扑结构，将输入层、隐含层和输出层的神经元之间的权值以及阈值编码成实数向量，代表金枪鱼种群中的金枪鱼个体；

步骤3：设定TSO优化算法的初始参数，比如初始种群规模、最大进化代数、参数优化范围、训练目标最小误差等；

步骤4：随机初始化金枪鱼种群，包括算法中每一个金枪鱼个体的初始位置，权值系数a

步骤5：计算适应度值，更新权值系数a

步骤6：判断此时是否满足条件t＞t

步骤7：计算出算法的误差；

步骤8：判断误差是否满足预设精度或迭代是否达到最大次数，若误差满足预设精度，算法收敛，最后一次迭代的权值和阀值就是所求的最优解，若迭代次数未达到最大，返回步骤5，算法继续迭代，否则算法终止。

发明优点：

金枪鱼群算法(TSO)和BP神经网络都是计算智能领域重要的算法。金枪鱼群算法是2021年提出的一种新型基于群体的元启发式算法，TSO算法具有更好的性能如收敛速度快、寻优能力强。TSO算法模拟金枪鱼群的合作觅食行为，包含螺旋觅食和抛物线觅食两种策略。金枪鱼群使用上述两种觅食策略进行合作狩猎，然后获得猎物。在整个优化过程中，金枪鱼群的所有个体都会不断更新和计算，直到满足终止条件，最后返回最佳个体和相应的适应度值。同时考虑TSO算法与BP神经网络算法，即在标准BP的梯度下降法调整权值及阈值的基础上，再引入金枪鱼群个体位置更新方法进行权值及阈值的修正。由于TSO算法是一种群体寻优算法，它的多点搜索方式使其具有全局搜索能力，因此这种权值及阈值修正可以弥补标准BP算法收敛速度慢及容易陷入局部极小值等缺陷。

本发明是一种基于PCA-TSO-BPNN模型的海底管道腐蚀速率预测方法，提供了一种便捷、实时、在线的方法，对保障海底油气管道的平稳、安全和高效运行有重要意义。本发明能够预测海底油气管道的腐蚀速率，适用范围广，准确度高，稳定性好。

附图说明

图1为基于PCA-TSO-BPNN模型的海底管道腐蚀速率预测方法流程图。

图2为PCA-TSO-BPNN模型与对比模型PSO-BPNN模型和GA-BPNN模型分别预测海底管道腐蚀速率的预测输出与期望输出对比图。

图3为PCA-TSO-BPNN组合预测模型和PSO-BPNN模型和GA-BPNN模型的预测结果与真实值的相对误差对比图。

具体实施方式

以下结合附图1对本发明方法作进一步的详细描述：

基于PCA-TSO-BPNN模型的海底管道腐蚀速率预测方法，具体计算流程见图1，步骤包括：

PCA数据降维

收集海底管道腐蚀速率样本数据，利用PCA降维数据，筛选出海底管道腐蚀速率主要影响因素。

设样本总数为q，指标数为p，由于海底管道腐蚀速率影响因素的量纲不尽相同，为了便于分析与计算，利用下列公式对样本数据进行标准化处理，计算出标准化矩阵。

式中，x

利用下列公式求出相关系数矩阵R

式中，r

利用下列公式计算主成分的贡献率和累计贡献率。

式中，e

特征值的大小和累计贡献率反映了主成分影响力的大小，提取累计贡献率大于85％的前6个主成分F

每个主成分的特征向量表示对各因素的解释能力，其绝对值越接近1表示其解释能力越强，说明该因素对海底管道腐蚀的影响越大。

通过对比各主成分的特征向量，得到对海底管道腐蚀速率影响较大的因素有温度、系统压力、pH、介质流速、CO

确定BP神经网络初始结构

通常设计BP神经网络时应优先考虑3层网络(即有1个隐层)，虽然BP神经网络隐藏层数的增多能够降低计算误差，提高计算精度，但会使BP神经网络的结构变的复杂，因此延长了BP神经网络的训练时间和增加BP神经网络出现“过拟合”的倾向。

本发明设计使用的神经网络有3层网络。

BP神经网络输入层的输入量有温度、系统压力、pH、介质流速、CO

输出层的节点数1；隐藏层的节点数由计算隐含层元素个数的经验公式确定，常用的经验公式如下。

式中，n为BP神经网络输入层的节点数，m为BP神经网络隐含层的节点数，α为1～10之间的常数，1为输出层节点数。由经验公式可知，当m＝6时，计算得到最佳隐含层节点数应为9；

为了便于计算与比较，需要将输入层和输出层神经元进行归一化处理，归一化的公式为：

其中，x

该BP神经网络输出层只有一个输出即海底管道腐蚀速率，所以该BP神经网络输出层只有一个神经元。

划分训练集和测试集，按照4∶1的比例，随机选取40组数据作为训练集，用于训练模型，剩余10组数据作为测试集，用于模型预测和误差检验。

初始化BP网络结构

包括设定网络的输入层、隐含层、输出层的神经元个数和学习率α、β及训练样本的输入和输出。

初始化金枪鱼群

包括金枪鱼群的规模N及每个金枪鱼个体的位置、最大进化代数、参数优化范围、训练目标最小误差、权值系数α

迭代更新

TSO算法模拟金枪鱼群的合作觅食行为，包含螺旋觅食和抛物线觅食两种策略。

螺旋觅食策略是指金枪鱼群通过形成紧密的螺旋来追逐猎物，除了追逐猎物，成群的金枪鱼还相互交换信息。每一条金枪鱼都跟在前一条鱼的后面，因此可以在相邻的金枪鱼之间共享信息。基于上述原理，螺旋觅食策略的数学公式如下。

/>

β＝e

式中，

抛物线觅食是指金枪鱼群以食物为参照点形成抛物线形态捕食或通过搜寻自身四周觅食。抛物线觅食策略的数学公式如下。

式中，TF为-1或1的随机数，决定了种群开发的方向，p是随迭代次数自适应变化的关键参量，影响种群开发的幅度。

金枪鱼群使用上述两种觅食策略进行合作狩猎，然后获得猎物。在整个优化过程中，金枪鱼群的所有个体都会不断更新和计算，直到满足终止条件，最后返回最佳个体和相应的适应度值。

输出最佳个体的位置所确定的网络权值和阈值。

模型准确性检验

将得到的最优权值和阈值重新赋给BP神经网络，将测试样本代入BP神经网络，比较计算输出结果与真实结果，如果满足计算误差，则模型建立成功，若不满足计算误差，重复进行训练和预测，直到计算误差满足设计要求.

此时的BP神经网络即为经过金枪鱼群算法优化过的最优BP神经网络。此时预测的得到的海底管道腐蚀速率数据即为预测值。

为了对比PCA-TSO-BPNN组合预测模型与PSO-BPNN模型和GA-BPNN模型的差异性，本发明列举了相同海底管道腐蚀速率数据条件下，PCA-TSO-BPNN模型与对比模型PSO-BPNN模型和GA-BPNN模型分别预测海底管道腐蚀速率的预测输出与期望输出对比图，如图2所示，PCA-TSO-BPNN组合预测模型和PSO-BPNN模型和GA-BPNN模型的预测结果与真实值的相对误差对比图，如图3所示，对比可见本文改进后模型预测效果显著提高。

本发明以50组海底管道腐蚀速率数据为例，利用PCA-TSO-BPNN模型、PSO-BPNN 模型和GA-BPNN模型分别对数据样本进行训练和测试，PCA-TSO-BPNN模型的平均绝对百分误差和均方根误差分别为1.8441％和0.06757，远低于PSO-BPNN模型和 GA-BPNN模型，反映出PCA-TSO-BPNN模型的预测精度更高，说明PCA-TSO-BPNN模型可为海底管道内腐蚀防护和油气管道流动保障提供决策支持。

表1为50组海底管道腐蚀速率数据，其中X

表1 50组海底管道腐蚀速率数据

/>

/>