一种基于IWOA-SVM的油气管内腐蚀速率预测方法

技术领域

本发明涉及油气管道输送技术领域，具体为一种基于IWOA-SVM的油气管内腐蚀速率预测方法。

背景技术

管道运输被视为长距离和大容量流体运输的最安全和经济高效的方式，随着石油和天然气产业的迅猛发展，全球已在各种水深和土壤条件下安装了数千公里的管道。庞大的管道网络对全球经济至关重要。然而，管道容易受到各种损坏和老化缺陷的影响。数千起事故证明，管道故障的后果在经济和环境方面都是灾难性的。因此，保障管道运营的安全性对于世界能源需求至关重要。诸多研究表明，内腐蚀现象在石油与天然气运输管道风险评估中占据突出地位。通过对油气管道的内腐蚀预测，能让管道运营商合理地实施管道管理、检查和预防性维护。因此，在管道风险评估领域，油气管道内腐蚀预测是工业上的关注焦点，众多研究者致力于寻求有效且精确的预测方法。

鲸鱼优化算法(IWOA)是群智能算法领域，除了蚁群算法、粒子群算法之外的一种新型的群智能优化算法。该算法是2016年由澳大利亚格里菲斯大学的Mirjalili等人提出的一种新的群体智能优化算法。在鲸鱼优化算法中，每一条鲸鱼都代表一个解决方案，鲸鱼们在算法的迭代过程中不断探索和围捕猎物，并不断尝试改进自己的解决方案。鲸鱼优化算法能够有效地解决各种复杂的优化问题，并且具有较快的收敛速度。鲸鱼优化算法自发明以来，已经广泛应用于工业和学术领域，并在近几年受到了越来越多的关注。目前，鲸鱼优化算法已经成为了一种流行的优化算法，并在众多的研究领域中得到了广泛的应用。鲸鱼优化算法是一种基于鲸鱼行为的模拟算法，用于解决优化问题。他通过对自然界中座头鲸群体狩猎行为的模拟，通过鲸鱼群体搜索、包围、追捕和攻击猎物等过程实现优时化搜索的目的。

鉴于油气管道的内腐蚀预测领域中诸多不确定因素，实际工况下缺陷发展规律的确定颇具挑战。因此，腐蚀速率预测工作颇具难度。为此，探索新型方法以提高内腐蚀速率预测的准确性势在必行。

发明内容

为了解决上述问题，本发明提供一种基于IWOA-SVM的油气管内腐蚀速率预测方法，包括以下步骤：S1.选取油气管道运行过程中对内腐蚀行为具有代表性、相关性的因素作为输入变量；S2.对输入变量进行预处理，并将处理后的数据整理为数据集；S3.将数据集内数据划分为训练集与测试集；S4.建立基于IWOA-SVM的油气管道腐蚀速率预测模型，并对内腐蚀速率进行预测。

进一步地，所述S1步骤中对内腐蚀行为具有代表性、相关性的因素具体包括：CO

进一步地，所述S2步骤中对输入变量进行预处理的具体步骤为：对数据进行归一化处理，其中，进行数据归一化的计算公式为：

进一步地，所述S4步骤中建立基于IWOA-SVM的油气管道腐蚀速率预测模型具体包括以下子步骤：S41.使用SVM作为油气管道内腐蚀速率的基础模型；S42.对IWOA方法进行改进；S43.使用改进后的IWOA方法对SVM进行优化。

进一步地，所述S41步骤具体包括以下子步骤：S411.设定样本总量，并确定输入输出关系模型；S412.建立约束条件对输入输出关系模型进行优化；S413.引入核函数，并对样本进行分类映射。

进一步地，所述S42步骤中对IWOA方法进行改进，改进了IWOA方法中的收敛因子a的计算方法、局部搜索更新X(t+1)和权重ω(t)的方法，其具体改进如下：优化后的收敛因子a的计算公式为：

进一步地，所述A5步骤中ω(t)的计算公式为：

进一步地，所述S43步骤的具体实现步骤包括：B1.初始化SVM的参数权重与阈值，初始化IWOA；B2.设置座头鲸的种群数量N，最大迭代次数T

进一步地，所述B5步骤具体包括以下子步骤：当迭代数达到最大迭代数时，执行B6步骤；当迭代数未达到最大迭代数时，将当前迭代数+1后重复执行B3步骤。

进一步地，还包括对预测结果进行评价的步骤：S5.根据相关评价指标对预测结果进行评价；其中，相关评价指标具体包括：平均绝对误差MAPE、均方根误差RMSE、决定系数R

进一步地，所述平均绝对误差MAPE的计算公式为：

均方根误差RMSE的计算公式为：

决定系数R

上述式中，n为样本数量，y为实际值，

本发明提供了一种基于IWOA-SVM的油气管内腐蚀速率预测方法，具有以下有益效果：

本发明对传统鲸鱼方法进行改进，并且与SVM方法相结合，提出了IWOA-SVM方法，改进包括引入自适应权重与非线性收敛因子，平衡了全局搜索与局部开发能力，使其具有既有较强的全局搜索能力，也不容易陷入局部最优解。本发明将改进后的WOA模型与SVM神相结合，以实现在役油气管道内腐蚀的高精度预测，保证在役油气管道运行的安全。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。

图1为本发明提供的方法流程图；

图2为本发明提供的仿真实验中油气管道内腐蚀速率实际值及各SVM模型预测值。

具体实施方式

应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

以下结合附图对本发明的实施方法进行详细说明，所描述的仅为部分实施例，并非全部实施例，为了清楚的目的，在附图及说明中省略了与本发明无关的表示及描述。

为了对本发明的技术特征、目的和有益效果有更加清楚的理解，现对本发明的技术方案精选以下详细说明。显然，所描述的实施案例是本发明一部分实施例，而不是全部实施例，不能理解为对本发明可实施范围的限定。基于本发明的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的其他所有实施例，都属于本发明的保护范围。

如图1所示，本发明提供一种基于IWOA-SVM的油气管内腐蚀速率预测方法，包括以下步骤：S1.选取油气管道运行过程中对内腐蚀行为具有代表性、相关性的因素作为输入变量；S2.对输入变量进行预处理，并将处理后的数据整理为数据集；S3.将数据集内数据划分为训练集与测试集；S4.建立基于IWOA-SVM的油气管道腐蚀速率预测模型，并对内腐蚀速率进行预测。

其中，S1步骤中对内腐蚀行为具有代表性、相关性的因素具体包括：CO

S2步骤中对输入变量进行预处理的具体步骤为：对数据进行归一化处理，其中，进行数据归一化的计算公式为：

S4步骤中建立基于IWOA-SVM的油气管道腐蚀速率预测模型具体包括以下子步骤：S41.使用SVM作为油气管道内腐蚀速率的基础模型；S42.对IWOA方法进行改进；S43.使用改进后的IWOA方法对SVM模型进行优化。

其中，S41步骤具体包括以下子步骤：S411.设定样本总量，并确定输入输出关系模型；S412.建立约束条件对输入输出关系模型进行优化；S413.引入核函数，并对样本进行分类映射。

使用SVM作为油气管道内腐蚀速率的基础模型：SVM的基本思想是通过寻找一个最优的超平面，将不同类别的数据点分隔开来，同时确保这个分隔超平面在所有可能的分隔超平面中具有最大的间隔。SVM的方法思想描述如下：

对于第i个样本的t个输入变量用一个向量表示为：x

假定共有N个样本，则输入与输出之间的关系可表示为如下形式：

为获取更为精确的表达式，可在如下约束条件确定优化目标：

通过构造拉格朗日函数，并引入核函数K(xi，xj)：

选择RBF作为SVM核函数，该核函数表达式为：K(x

S42步骤的具体实现步骤包括：

A1.包围目标猎物：以距离猎物位置最近的座头鲸位置为最优解，剩余座头鲸以向该最优解位置靠拢为目的，逐渐更新自身位置，该计算公式为：

式中，

A2.螺旋气泡网攻击：座头鲸通过收缩包围以及螺旋移动的方式更新自身位置，进而逐渐靠近猎物，最终发动攻击，其中，座头鲸螺旋移动的计算公式为：

式中，b为一个螺旋形状常数，l为一个[-1,1]之间的随机数。

通过p值大小进行螺旋位置更新或收缩包围判断，其计算公式为：

式中，p为[0,1]之间的一个随机数。

A3.搜寻锁定目标猎物：座头鲸不仅能够通过螺旋气泡网方式来追踪猎物，还能够通过座头鲸彼此之间的位置来进行搜寻猎物。当系数向量|A|≥1时，座头鲸更新位置的基准由最优解座头鲸位置改为随机选定的一座头鲸位置，进而进行全局寻优；当系数向量|A|<1时，座头鲸依旧以最优解位置进行位置更新，进行局部寻优，其计算公式为：

式中，X

IWOA方法原理简单，需要人为调节的参数少，但方法的寻优能力全由收敛因子a决定，a的值越小，代表方法寻优能力更偏向于局部寻优；a的值越大，则表示方法寻优能力更接近于全局寻优。a的值以线性规律变化，可能会导致方法困于局部寻优。故而引入非线性调整的方式，可以在不改变a递减趋势的同时，提高方法搜索能力。

A4.对收敛因子a进行优化，优化后的收敛因子a的计算公式为：

式中，a

当引入了非线性收敛因子后，线性变化的惯性权重就无法使方法拥有更好的优化效果。

A5.将线性变化的惯性权重变为非线性变化的自适应权重，其改变后的计算公式为：

式中，ω(t)为随迭代次数t变化的自适应权重，

其中，A5步骤中ω(t)的计算公式为：

S43步骤的具体实现步骤包括：

B1.初始化SVM的参数权重与阈值，初始化IWOA。

B2.设置座头鲸的种群数量N，最大迭代次数T

B3.更新非线性收敛因子与自适应权重，计算系数向量A，并对随机数p，l进行初始化。根据

B4.根据A值更新座头鲸位置信息。

当|A|≥1时，按照

B5.判断迭代数是否达到最大迭代数：当迭代数达到最大迭代数时，执行B6步骤；当迭代数未达到最大迭代数时，将当前迭代数+1后重复执行B3步骤。

B6.输出最优解，获取最优核参数g与最优惩罚因子C。

在本发明所述方法中，获取到最优核参数g与最优惩罚因子C，可以使用这些参数来配置SVM模型，从而进行腐蚀速率的预测。其具体步骤包括：

模型配置：将最优核参数g和最优惩罚因子C应用于SVM的初始化配置中。

数据准备：准备训练数据集，输入的内腐蚀行为具有代表性、相关性的因素。

模型训练：使用准备好的训练集和配置好的参数，训练SVM。

验证模型：使用测试集来验证模型的性能和预测能力，确保模型可以准确预测腐蚀速率。

应用预测：使用训练好的模型对新的或未知的数据进行腐蚀速率预测。输入特征到模型中，得到腐蚀速率的预测值。

还包括对预测结果进行评价的步骤：S5.根据相关评价指标对预测结果进行评价；其中，相关评价指标具体包括：平均绝对误差MAPE、均方根误差RMSE、决定系数R

进一步地，所述平均绝对误差MAPE的计算公式为：

均方根误差RMSE的计算公式为：

决定系数R

上述式中，n为样本数量，y为实际值，

在上述三种评价方法中，平均绝对误差MAPE、均方根误差RMSE数值越小，表明预测结果预测精确，R

为证明本发明方法建立的IWOA-SVM相比其他方法有一定的优越性，因此同时建立PSO-SVM、WOA-SVM油气管道内腐蚀速率预测模型，对比各种方法的预测效果，具体结果如图2所示，IWOA-SVM模型整体预测结果都更为接近真实值，并且该模型具有较强的稳定性。PSO-SVM、WOA-SVM与IWOA-SVM油气管道内腐蚀速率预测模型的平均绝对误差(MAPE)、均方根误差(RMSE)如下表1所示，由表可知IWOA-SVM的R2是0.9806，是全部模型中最接近1的，而均方根误差(RMSE)为0.0450，平均绝对误差(MAPE)为1.6202，是全部模型中最小的。由此可以得知，IWOA-SVM模型与其他模型相比有较好的预测精度和泛化能力，可以为相关的工作人员提供较为可靠的内腐蚀速率参考。

表1模型预测性能评价指标对比

本发明对传统鲸鱼方法进行改进，并且与SVM方法相结合，提出了IWOA-SVM方法，改进包括引入自适应权重与非线性收敛因子，平衡了全局搜索与局部开发能力，使其具有既有较强的全局搜索能力，也不容易陷入局部最优解。本发明将改进后的WOA模型与SVM神相结合，以实现在役油气管道内腐蚀的高精度预测，保证在役油气管道运行的安全。

以上所述仅是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。