• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    小樣本預(yù)測埋地管道外腐蝕速率

    2024-07-04 13:57:11趙陽
    石油鉆采工藝 2024年1期
    關(guān)鍵詞:集輸線性向量

    趙陽

    摘要:為解決現(xiàn)有線性回歸模型、單一支持向量機和遺傳算法優(yōu)化支持向量機(GA-SVM) 等管道腐蝕速率預(yù)測準(zhǔn)確率低的難題,選取總含鹽量、氧化還原電位、pH 值、氯離子濃度、硝酸根濃度、硫酸根濃度、溶解氧含量、自然腐蝕電位等埋地管道外腐蝕速率的主要影響因素作為輸入變量,采用麻雀搜索算法優(yōu)化支持向量機算法,建立了麻雀搜索優(yōu)化的支持向量機(SSA-SVM) 腐蝕速率預(yù)測模型。測試集驗證結(jié)果表明,SSA-SVM 模型的決定系數(shù)R2 為0.991 9,高于線性回歸模型(0.718 9)、單一支持向量機(0.844 2) 和GA-SVM(0.913 7);均方根誤差為0.068 6 mm/a,低于其他3 種模型的0.116 6、1.774 5、0.118 3 mm/a;平均絕對誤差為0.090 2 mm/a,低于其他3 種模型的0.147 4、1.705 6、0.097 7 mm/a;平均相對誤差為3.94%,低于其他3 種模型的25.59%、32.29% 和6.42%。采用此模型隨機選擇B 管道8 組檢測數(shù)據(jù)預(yù)測埋地管線外腐蝕速率,與現(xiàn)場實際年腐蝕速率對比預(yù)測精度為0.964 2,高于GA-SVM 的預(yù)測精度0.669 0,表明該模型可應(yīng)用于埋地管道的外腐蝕量和腐蝕速率預(yù)測,為埋地管道的安全運行提供數(shù)據(jù)支持。

    關(guān)鍵詞:石油天然氣;油氣儲運;集輸管道;管道腐蝕;預(yù)測模型;影響因素;麻雀搜索算法;支持向量機

    中圖分類號:TE988.2;TP183 文獻標(biāo)識碼: A

    0 引言

    原油是油田企業(yè)的重要產(chǎn)品,因此,做好原油的輸送非常重要[1]。埋地油氣集輸管道受土壤環(huán)境影響導(dǎo)致腐蝕,降低管道使用壽命,增加維護成本,降低運行安全性[2]。預(yù)測腐蝕速率為管道建設(shè)、運維提供選址、維護等作業(yè)的關(guān)鍵參數(shù),是油氣集輸管道腐蝕防護領(lǐng)域的關(guān)鍵環(huán)節(jié)[3]。現(xiàn)階段,埋地管道腐蝕速率預(yù)測模型有很多,如線性回歸預(yù)測模型、灰色預(yù)測模型和機器學(xué)習(xí)預(yù)測模型等。

    線性回歸預(yù)測模型是一種統(tǒng)計學(xué)模型,該模型通過建立線性方程預(yù)測管道的腐蝕速率,但無法對埋地管道的腐蝕速率進行精準(zhǔn)預(yù)測[4]。張華禮等結(jié)合某油田油井歷史工況數(shù)據(jù),建立自變量與因變量的數(shù)據(jù)庫,利用線性回歸的方法建立了腐蝕預(yù)測模型[5],該模型具有一定的應(yīng)用價值,但由于各種環(huán)境因素相互作用,不能有效處理非線性關(guān)系,因此其預(yù)測精度一般。

    灰色預(yù)測模型將不確定性系統(tǒng)作為研究對象,適用于小樣本數(shù)據(jù),應(yīng)用較為廣泛[6]。何天隆等基于傳統(tǒng)GM (1,N) 模型(Grey Model (1,N)) 構(gòu)建了灰色預(yù)測模型,改進原模型存在的預(yù)測機理缺陷,驗證了模型的可靠性[7],但該模型存在預(yù)測波動性較大的問題。

    近年來,人工智能中的機器學(xué)習(xí)算法已被廣泛應(yīng)用于管道的腐蝕速率預(yù)測,并且能夠?qū)τ绊懸蛩氐姆蔷€性關(guān)系進行處理[8]。Xiang 等針對BP 神經(jīng)網(wǎng)絡(luò)模型(Backpropagation Neural Network, BP) 在計算中存在不穩(wěn)定的問題,利用灰色關(guān)聯(lián)度篩選出主要影響因素,并通過遺傳算法(Genetic Algorithm,GA) 優(yōu)化BP 網(wǎng)絡(luò),提高了模型預(yù)測的穩(wěn)定性[9],但需要大量數(shù)據(jù)才能維持模型的穩(wěn)定性,仍具有一定的局限。凌曉等針對螢火蟲算法(FireflyAlgorithm,F(xiàn)A) 易出現(xiàn)陷入局部最優(yōu)的問題,提出FA 的改進方案,提升FA 全局尋優(yōu)能力,并將改進的FA 算法與BP 結(jié)合在一起,使得BP 的預(yù)測精度得到大幅提升[10],但BP 的收斂速度較慢且不容易跳出局部最優(yōu)限制,對大規(guī)模問題處理能力較差。

    畢傲睿等采用粒子群算法(Particle Swarm Optimization,PSO) 對支持向量機(Support Vector Machine,SVM) 進行優(yōu)化,解決了SVM 的參數(shù)選取問題,建立的預(yù)測模型相對誤差僅2.82%[11],但PSO 易陷入局部最優(yōu)解的狀態(tài),會導(dǎo)致誤差增大。夏俏健等應(yīng)用主成分分析法(Principal Component Analysis,PCA) 降維處理,選取貢獻率較大的影響因素,建立的SVM 預(yù)測模型較好地處理了管道腐蝕的非線性問題[12],由于沒有優(yōu)化算法對SVM 進行優(yōu)化,導(dǎo)致模型訓(xùn)練時間較長。李響等為解決BP 神經(jīng)網(wǎng)絡(luò)需要大量數(shù)據(jù)的問題,利用GA 優(yōu)化SVM 的關(guān)鍵參數(shù),有效降低管道腐蝕的預(yù)測誤差,為管道腐蝕失效風(fēng)險提供參考[13],但運用GA 優(yōu)化時需要選擇適當(dāng)?shù)膮?shù)取值范圍。

    綜上所述,目前的研究主要存在兩個方面的問題:一是傳統(tǒng)的預(yù)測模型如線性回歸預(yù)測模型無法有效處理非線性問題,其處理復(fù)雜數(shù)據(jù)的能力較差,導(dǎo)致其預(yù)測精度低;二是一些基于機器學(xué)習(xí)建立的預(yù)測模型需要大量數(shù)據(jù)才能保證模型的準(zhǔn)確性,對小樣本問題的處理能力較差,且容易過擬合,也需要進一步改進。

    針對以往預(yù)測模型存在的問題,提出麻雀搜索算法(Sparrow Search Algorithm,SSA) 優(yōu)化SVM 的埋地油氣集輸管道外腐蝕速率預(yù)測模型, 利用SSA 對SVM 的懲罰因子C 和核參數(shù)g 進行尋優(yōu),從而得到預(yù)測精度更高、誤差更小的模型,并與線性回歸模型、單一SVM 模型和GA-SVM 模型的預(yù)測結(jié)果進行了對比。結(jié)果表明,SSA-SVM 預(yù)測模型相比其他模型具有更高的預(yù)測精度,能夠為管道的檢測和防護提供可靠的理論依據(jù)。

    1 SSA-SVM 模型構(gòu)建與評估

    1.1 模型構(gòu)建

    SSA 是一種較為新穎的群智能優(yōu)化算法,這是一種基于鳥類行為的啟發(fā)式算法[14],模擬了麻雀尋找食物和遷徙的行為,該算法通過個體搜索和群體搜索的策略,以尋找最優(yōu)解或接近最優(yōu)解的解決方案,從而提高預(yù)測模型的預(yù)測精度[15]。SSA 算法的學(xué)習(xí)能力較弱,不易產(chǎn)生過于復(fù)雜的模型形態(tài),可以防止過擬合問題的發(fā)生[16]。

    猜你喜歡
    集輸線性向量
    漸近線性Klein-Gordon-Maxwell系統(tǒng)正解的存在性
    向量的分解
    簡述油氣集輸系統(tǒng)安全管理問題及對策
    基于FLUENT天然氣集輸管道直角彎管磨損分析
    煤氣與熱力(2021年4期)2021-06-09 06:17:06
    線性回歸方程的求解與應(yīng)用
    聚焦“向量與三角”創(chuàng)新題
    HYSYS軟件在復(fù)雜山區(qū)頁巖氣集輸管線中的應(yīng)用
    二階線性微分方程的解法
    向量垂直在解析幾何中的應(yīng)用
    向量五種“變身” 玩轉(zhuǎn)圓錐曲線
    郎溪县| 东台市| 宜春市| 德格县| 龙山县| 沙河市| 彭州市| 连云港市| 泉州市| 交口县| 望江县| 峡江县| 越西县| 巨鹿县| 娄烦县| 睢宁县| 凤山市| 牙克石市| 汉阴县| 班戈县| 城市| 公主岭市| 乌海市| 桐乡市| 南郑县| 余干县| 平昌县| 探索| 留坝县| 马鞍山市| 鹤山市| 江华| 巴彦县| 台江县| 陆丰市| 富裕县| 紫云| 永顺县| 新巴尔虎左旗| 涟水县| 许昌县|