CN108537376B - 基于rs-pso-grnn的埋地油气管道土壤腐蚀预测方法 - Google Patents

Abstract

本发明公开了一种基于RS‑PSO‑GRNN的埋地油气管道土壤腐蚀预测方法，包括以下步骤：1)构建原始样本集{x_ij|i＝1,2,L,m,j＝1,2,L,n}；2)对步骤1)得到的原始样本指标值进行离散化处理，再根据离散化后的条件属性集及决策属性集建立决策表；3)采用RS理论中的属性约简删除决策表中的冗余指标，得管道核心指标样本集；4)对步骤3)得到的管道核心指标样本集进行归一化处理；5)将步骤4)得到的归一化处理后的管道核心指标样本集分为训练样本集及测试样本集，再将训练样本作为GRNN输入的训练集；6)将步骤5)得到的训练集输入至RS‑PSO‑GRNN土壤腐蚀预测模型中，得各监测点的管道年均腐蚀壁厚，该方法能够准确获取各监测点的管道年平均腐蚀壁厚。

Description

基于RS-PSO-GRNN的埋地油气管道土壤腐蚀预测方法

技术领域

本发明属于埋地油气管道风险评估技术领域，涉及一种基于RS-PSO-GRNN的埋地油气管道土壤腐蚀预测方法。

背景技术

近年来，随着我国地下管线铺设量增大，老管线服役时间过长，导致管道事故频发，埋地管道的安全性越来越受到人们广泛的关注。土壤腐蚀作为埋地管道面临失效风险的主要原因，由于其土壤成分繁多、结构复杂及腐蚀形式多样，使得准确评价管道的腐蚀状况并对管道进行安全性检测变得十分困难，同时管道所经某些地区，地广人稀，一旦发生泄漏，很难定位，可能引发连锁反应，造成极大的财产损失。因此，研究并掌握土壤的腐蚀规律和理化性质，建立具有普适性的土壤腐蚀预测新方法，以获取各监测点的管道年均腐蚀壁厚。

发明内容

本发明的目的在于克服上述现有技术的缺点，提供了一种基于RS-PSO-GRNN的埋地油气管道土壤腐蚀预测方法，该方法能够准确获取各监测点的管道年平均腐蚀壁厚。

为达到上述目的，本发明所述的基于RS-PSO-GRNN的埋地油气管道土壤腐蚀预测方法包括以下步骤：

1)识别管道土壤腐蚀因素，再根据管道土壤腐蚀因素构建埋地管道土壤腐蚀指标体系，然后获取埋地管道土壤腐蚀的原始样本指标，并构建原始样本集{x_ij|i＝1,2,L,m,j＝1,2,L,n}，其中，x_ij为第i个管道样本的第j个指标值，m及n分别为监测点管道序号总数及管道土壤腐蚀指标的维数；

2)对步骤1)得到的原始样本指标值进行离散化处理，再根据离散化后的条件属性集及决策属性集建立决策表；

3)采用RS理论中的属性约简删除决策表中的冗余指标，得管道核心指标样本集；

4)对步骤3)得到的管道核心指标样本集进行归一化处理；

5)将步骤4)得到的归一化处理后的管道核心指标样本集分为训练样本集及测试样本集，再将训练样本作为GRNN输入的训练集；

6)构建RS-PSO-GRNN土壤腐蚀预测模型，再将步骤5)得到的训练集输入至RS-PSO-GRNN土壤腐蚀预测模型中，得各监测点的管道年均腐蚀壁厚。

步骤4)中归一化处理的结果为：

其中，max(x_j)及min(x_j)分别为第j个指标的最大值及最小值，

为归一化后的指标特征值。

步骤6)中的RS-PSO-GRNN土壤腐蚀预测模型以GRNN输出的均方根误差最小为优化目标函数，以改进粒子群算法为求解该优化目标函数的方法。

优化目标函数为：

其中，n为样本数，

为第i个样本的GRNN的输出值，y_i为第i个样本的实际值，f_RMSE为GRNN的均方根误差。

改进粒子群算法具体为：

1a)分别引入非线性函数及余弦函数对粒子群算法的惯性权重及学习因子进行改进；

2a)设初始化种群个数为n，最大迭代次数为N，随机生成n个初始粒子X＝(X₁,X₂,LX_n)，其中，第i个粒子的位置向量及速度向量分别为X_i＝(x_i1,x_i2,L x_iD)^T及V_i＝(V_i1,V_i2,LV_iD)^T，其历史迭代的最优位置P_i＝(P_i1,P_i2,L P_iD)^T，全体粒子的迭代最优位置P_g＝(P_g1,P_g2,L P_gD)^T，D为单个样本的维度；

3a)以GRNN的均方根误差为优化目标，计算各粒子的初始适应度值，再将计算得到的所有粒子的初始适应度进行对比，得到并记录初始适应度值最优的粒子的位置向量及速度向量；

4a)通过更新公式更新粒子的速度及位置；

5a)计算当前各粒子的适应度值，再将当前粒子的适应度值与上一次迭代得到的粒子的适应度值进行比较，并按照择优保留公式进行择优保留，然后更新各粒子的位置及速度；

6a)判断迭代次数是否大于等于预设值、迭代精度是否达到预设目标，当迭代次数大于等于预设值时或者当迭代精度达到预设目标时，则输出最优结果，否则，则转至步骤4a)。

步骤5a)中的择优保留公式为：

其中，

为第i个粒子第k次迭代得到的适应度值，

为第i个粒子第k+1次迭代得到的适应度值。

步骤4a)中的更新公式为：

其中，d＝1,2,L,D，i＝1,2L n，k为当前迭代次数，r₁,r₂在[0，1]区间随机取值。

步骤1a)中，分别引入非线性函数及余弦函数对粒子群算法的惯性权重及学习因子进行改进，其中，

其中，

为第i个粒子在第k次迭代中的取值，N为预先设定的最大迭代次数，ω_max及ω_min分别为最大惯性权重及最小惯性权重，c₁及c₂均为学习因子，c₁为单调递减函数，c₂为单调递增函数，c₁及c₂的取值范围均为[0,2]。

本发明具有以下有益效果：

本发明所述的基于RS-PSO-GRNN的埋地油气管道土壤腐蚀预测方法在具体操作时，先识别管道土壤腐蚀因素，再构建埋地管道土壤腐蚀指标体系，以提高本发明的适应性，另外，本通过采用RS理论中的属性约简删除决策表中的冗余指标，以减少预测的误差，最后构建RS-PSO-GRNN土壤腐蚀预测模型，再将步骤5)得到的训练集输入至RS-PSO-GRNN土壤腐蚀预测模型中，得各监测点的管道年均腐蚀壁厚，操作简单，预测的精度较高，经验证，与常规的BP土壤腐蚀预测模型及RS-GRNN土壤腐蚀预测模型相比，本发明的准确率及预测精度均优于其它两种常规模型，表明本发明具有较强的工程适用性及良好的预测性能。

进一步，本发明分别引入非线性函数及余弦函数对粒子群算法的惯性权重及学习因子进行改进，以提高粒子的迭代寻优能力，有效避免粒子后期容易早熟而陷入局部最优等问题，迭代性能较优。

附图说明

图1是本发明的架构图；

图2为本发明的GRNN结构图；

图3为粒子位置更新图；

图4为管壁腐蚀图；

图5为管壁表层脱落图；

图6为本法明的埋地管道土壤腐蚀指标体系图；

图7为仿真试验中3种模型相对误差的对比图；

图8为仿真试验中3种模型预测效果的对比图。

具体实施方式

下面结合附图对本发明做进一步详细描述：

参考图1，本发明所述的基于RS-PSO-GRNN的埋地油气管道土壤腐蚀预测方法包括以下步骤：

1)识别管道土壤腐蚀因素，再根据管道土壤腐蚀因素构建埋地管道土壤腐蚀指标体系，然后获取埋地管道土壤腐蚀的原始样本指标，并构建原始样本集{x_ij|i＝1,2,L,m,j＝1,2,L,n}，其中，x_ij为第i个管道样本的第j个指标值，m及n分别为监测点管道序号总数及管道土壤腐蚀指标的维数；

2)对步骤1)得到的原始样本指标值进行离散化处理，再根据离散化后的条件属性集及决策属性集建立决策表；

3)采用RS理论中的属性约简删除决策表中的冗余指标，得管道核心指标样本集；

4)对步骤3)得到的管道核心指标样本集进行归一化处理；

5)将步骤4)得到的归一化处理后的管道核心指标样本集分为训练样本集及测试样本集，再将训练样本作为GRNN输入的训练集；

6)构建RS-PSO-GRNN土壤腐蚀预测模型，再将步骤5)得到的训练集输入至RS-PSO-GRNN土壤腐蚀预测模型中，得各监测点的管道年均腐蚀壁厚。

步骤4)中归一化处理的结果为：

其中，max(x_j)及min(x_j)分别为第j个指标的最大值及最小值，

为归一化后的指标特征值。

步骤6)中的RS-PSO-GRNN土壤腐蚀预测模型以GRNN输出的均方根误差最小为优化目标函数，以改进粒子群算法为求解该优化目标函数的方法。

优化目标函数为：

其中，n为样本数，

为第i个样本的GRNN的输出值，y_i为第i个样本的实际值，f_RMSE为GRNN的均方根误差。

改进粒子群算法具体为：

1a)分别引入非线性函数及余弦函数对粒子群算法的惯性权重及学习因子进行改进；

2a)设初始化种群个数为n，最大迭代次数为N，随机生成n个初始粒子X＝(X₁,X₂,LX_n)，其中，第i个粒子的位置向量及速度向量分别为X_i＝(x_i1,x_i2,L x_iD)^T及V_i＝(V_i1,V_i2,LV_iD)^T，其历史迭代的最优位置P_i＝(P_i1,P_i2,L P_iD)^T，全体粒子的迭代最优位置P_g＝(P_g1,P_g2,L P_gD)^T，D为单个样本的维度；

3a)以GRNN的均方根误差为优化目标，计算各粒子的初始适应度值，再将计算得到的所有粒子的初始适应度进行对比，得到并记录初始适应度值最优的粒子的位置向量及速度向量；

4a)通过更新公式更新粒子的速度及位置；

5a)计算当前各粒子的适应度值，再将当前粒子的适应度值与上一次迭代得到的粒子的适应度值进行比较，并按照择优保留公式进行择优保留，然后更新各粒子的位置及速度；

6a)判断迭代次数是否大于等于预设值、迭代精度是否达到预设目标，当迭代次数大于等于预设值时或者当迭代精度达到预设目标时，则输出最优结果，否则，则转至步骤4a)。

步骤5a)中的择优保留公式为：

其中，

为第i个粒子第k次迭代得到的适应度值，

为第i个粒子第k+1次迭代得到的适应度值。

步骤4a)中的更新公式为：

其中，d＝1,2,L,D，i＝1,2L n，k为当前迭代次数，r₁,r₂在[0，1]区间随机取值。

步骤1a)中，分别引入非线性函数及余弦函数对粒子群算法的惯性权重及学习因子进行改进，其中，

其中，

为第i个粒子在第k次迭代中的取值，N为预先设定的最大迭代次数，ω_max及ω_min分别为最大惯性权重及最小惯性权重，c₁及c₂均为学习因子，c₁为单调递减函数，c₂为单调递增函数，c₁及c₂的取值范围均为[0,2]。

仿真试验

所选管道为中俄原油管道，中国境内全长933.11km，2011年投入使用，大部分管段埋入地下，且沿途气候恶劣，地质复杂，多处已发生较为严重的腐蚀，如附图4及图5所示，本发明选取该管道典型监测点中的35组腐蚀数据进行实证分析及研究，将管道年均腐蚀壁厚作为预测结果，其部分数据如下表1所示。

表1

设GRNN非线性回归公式主方程为：

其中，估计值

为所有样本观测值的加权平均值，观测值Y_i的每个权重因子由对应于样本X与X_i间距离的平方决定，GRNN模型由四层构成，如图2所示，图中，

Y_i为第i个年均腐蚀壁厚的输出值，由

计算得出。

由附图7、图8、表2及表3可知，本发明与BP模型相比，经RS理论处理的样本数据摒弃了土壤腐蚀因素间的冗杂性，RS-PSO-GRNN模型的均方根误差、平均相对误差及希尔系数分别低于BP模型的6.49％、9.87％及2.25％，说明RS理论能充分挖掘高维数据的耦合信息及冗余规律，提高了模型的预测精度。本发明与RS-SVM模型相比，其三种指标值分别降低了3.31％、4.49％及0.12％，表明GRNN比SVM更加适合埋地管道土壤腐蚀的建模研究。

表2

表3

本发明说明书中未作详细描述的内容属于本领域专业技术人员周知的现有公开技术。

以上实施方式仅用于说明本发明，而并非对本发明的限制。尽管为说明目的公开了本发明的相关实施例和附图，但是本领域的技术人员可以理解；在不脱离本发明及所附的权利要求的精神和范围内，各种替换、变化、修改都是可能的。因此，所有等同的技术方案也属于本发明的范畴，本发明的专利保护范围应由权利要求限定，而不应局限于最佳实施例和附图所公开的内容。

Claims (7)

1.一种基于RS-PSO-GRNN的埋地油气管道土壤腐蚀预测方法，其特征在于，包括以下步骤：

1)识别管道土壤腐蚀因素，再根据管道土壤腐蚀因素构建埋地管道土壤腐蚀指标体系，然后获取埋地管道土壤腐蚀的原始样本指标，并构建原始样本集{x_ij|i＝1,2,…,m,j＝1,2,…,n}，其中，x_ij为第i个管道样本的第j个指标值，m及n分别为监测点管道序号总数及管道土壤腐蚀指标的维数；

2)对步骤1)得到的原始样本指标值进行离散化处理，再根据离散化后的条件属性集及决策属性集建立决策表；

3)采用RS理论中的属性约简删除决策表中的冗余指标，得管道核心指标样本集；

4)对步骤3)得到的管道核心指标样本集进行归一化处理；

5)将步骤4)得到的归一化处理后的管道核心指标样本集分为训练样本集及测试样本集，再将训练样本作为GRNN输入的训练集；

6)构建RS-PSO-GRNN土壤腐蚀预测模型，再将步骤5)得到的训练集输入至RS-PSO-GRNN土壤腐蚀预测模型中，得各监测点的管道年均腐蚀壁厚；

步骤6)中的RS-PSO-GRNN土壤腐蚀预测模型以GRNN输出的均方根误差最小为优化目标函数，以改进粒子群算法为求解该优化目标函数的方法。

2.根据权利要求1所述的基于RS-PSO-GRNN的埋地油气管道土壤腐蚀预测方法，其特征在于，步骤4)中归一化处理的结果为：

其中，max(x_j)及min(x_j)分别为第j个指标的最大值及最小值，

为归一化后的指标特征值。

3.根据权利要求1所述的基于RS-PSO-GRNN的埋地油气管道土壤腐蚀预测方法，其特征在于，优化目标函数为：

其中，n为样本数，

为第i个样本的GRNN的输出值，y_i为第i个样本的实际值，f_RMSE为GRNN的均方根误差。

4.根据权利要求1所述的基于RS-PSO-GRNN的埋地油气管道土壤腐蚀预测方法，其特征在于，改进粒子群算法具体为：

1a)分别引入非线性函数及余弦函数对粒子群算法的惯性权重及学习因子进行改进；

2a)设初始化种群个数为n，最大迭代次数为N，随机生成n个初始粒子X＝(X₁,X₂,…X_n)，其中，第i个粒子的位置向量及速度向量分别为X_i＝(x_i1,x_i2,…x_iD)^T及V_i＝(V_i1,V_i2,…V_iD)^T，其历史迭代的最优位置P_i＝(P_i1,P_i2,…P_iD)^T，全体粒子的迭代最优位置P_g＝(P_g1,P_g2,…P_gD)^T，D为单个样本的维度；

3a)以GRNN的均方根误差为优化目标，计算各粒子的初始适应度值，再将计算得到的所有粒子的初始适应度进行对比，得到并记录初始适应度值最优的粒子的位置向量及速度向量；

4a)通过更新公式更新粒子的速度及位置；

5a)计算当前各粒子的适应度值，再将当前粒子的适应度值与上一次迭代得到的粒子的适应度值进行比较，并按照择优保留公式进行择优保留，然后更新各粒子的位置及速度；

6a)判断迭代次数是否大于等于预设值、迭代精度是否达到预设目标，当迭代次数大于等于预设值时或者当迭代精度达到预设目标时，则输出最优结果，否则，则转至步骤4a)。

5.根据权利要求4所述的基于RS-PSO-GRNN的埋地油气管道土壤腐蚀预测方法，其特征在于，步骤5a)中的择优保留公式为：

其中，k为当前迭代次数，

为第i个粒子第k次迭代得到的适应度值，

为第i个粒子第k+1次迭代得到的适应度值。

6.根据权利要求5所述的基于RS-PSO-GRNN的埋地油气管道土壤腐蚀预测方法，其特征在于，步骤4a)中的更新公式为：

其中，d＝1,2,…,D，i＝1,2…n，k为当前迭代次数，

为第i个粒子在第k次迭代中的取值，c₁及c₂均为学习因子，c₁为单调递减函数，c₂为单调递增函数，r₁,r₂在[0，1]区间随机取值。

7.根据权利要求4所述的基于RS-PSO-GRNN的埋地油气管道土壤腐蚀预测方法，其特征在于，步骤1a)中，分别引入非线性函数及余弦函数对粒子群算法的惯性权重及学习因子进行改进，其中，

其中，

为第i个粒子在第k次迭代中的取值，N为预先设定的最大迭代次数，ω_max及ω_min分别为最大惯性权重及最小惯性权重，c₁及c₂均为学习因子，c₁为单调递减函数，c₂为单调递增函数，c₁及c₂的取值范围均为[0,2]。

Images