基于自适应模糊神经网络的管道剩余强度评价.pdf
《基于自适应模糊神经网络的管道剩余强度评价.pdf》由会员分享,可在线阅读,更多相关《基于自适应模糊神经网络的管道剩余强度评价.pdf(6页珍藏版)》请在得力文库 - 分享文档赚钱的网站上搜索。
1、 l 1 l i l l I I i I 1 4 l 天 然 号 与 石 油l2 0 1 1 年1 2 月 0 0 INATU RA L GA S A ND O lL I 。 基于自适应模糊神经网络的 管道剩余强度评价 黄亚晖周丽丽 中国市政工程中南设计研究总院, 湖北 武汉 4 2 0 1 0 2 摘 要 : 油气长 输管道 的腐蚀剩余强度评价一直是管道完整性管理的重要 内容 ,国外对腐蚀管道 的剩 余强度评价取得 了很大 的成就。 也建立 了比较成熟的油气管道腐蚀评价规 范。 但 由于油气管道腐蚀 的机理复杂 , 腐蚀 的分类很难详细界定 , 各种腐蚀 评价标准对不 同使 用年 限、 不
2、同等级钢材管道 有 其各 自适应性 , 利用神经 网络的“ 黑箱” 原理 、 在 不能详细 了解 管道腐蚀原理 、 不 能对腐蚀进行 分类 的情况下 , 根据收集的爆破 实验 数据对 神经 网络进行模拟 , 通过 学习好 的神 经网络对管道 腐蚀剩余 强度进行评价 , 与 R S T R E N G软件 的计算结果进行 了比较 , 取得 了较好 的效果 。 关键 词 : 神经 网络 ; 管道 ; 剩余强度 ; 评价 文献 标识 码 : A 文 章编 号 : 1 0 0 6 5 5 3 9 ( 2 0 1 1 ) 0 6 0 0 1 4 0 6 O前 言 当今社 会 能源 安全 越来 越 受 重
3、视 , 石 油 工业 在 国 民经济 中的作用 也越 来越重 要 。这就 对石 油工 业 和油 气管道的安全有效运营提出了新 的要求和挑战。论 文利 用神 经 网络 的“ 黑 箱 ” 原理 、 在 不 能详 细 了解 管 道 腐蚀原理 、 不能对腐蚀进行分类 的情况下 E2 , 根据收集 的爆破实验数据对神经网络进行模拟 , 通过学习好 的 神经 网络对管道腐蚀剩余强度进行评价。 1 自适应动态模糊神经网络 1 1 模糊 神经 网络 简介 1 9 6 5年 美 国著名学 者 L A Z a d e h发表 了( F u z z y S e t s 这 一开创 性论文 , 提 出了模 糊集 合理
4、论 , 为处 理 客观世 界 中存 在 的模 糊性 问题 提供 了有力 的工 具 3 。1 9 7 4年 S C L e e和 E T L e e在 C y b e r n e t i c s 杂 志 上发表 了“ F u z z y s e t s a n d n e u r a l n e t w o r k s ” , 首次 把模 糊 集 和神经 网络联 系在 一起 : 1 9 7 5年 ,他们 又在 Ma t h B i o s c i 杂 志 上 发 表 了 “ F u z z y n e u r a l n e t w o r k s ” , 明确地对模 糊神经网络进行 了研究 。
5、1 9 8 9年 T Y a m a k a Ma提 出 了初 始 的 模 糊 神 经 元 ,这 种 模 糊 神 经 元 具 有 模 糊 权 系数 ,但 输 入 信 号 是 实 数 : 1 9 9 2年 他 又提 出了新 的模糊神经元 。 这种模 型的每个输入端 是 模 糊 权 系 数 和 实 权 系 数 串联 的集 合 ; 同年 , D a u e k 和 R r u s e提 出用 单 一 模 糊 权 系 数 的模 糊 神 经 元 进 行 模 糊 控 制 及 过 程 学 。 1 9 9 0 1 9 9 2年 期 间 , M M G u p t a提出了多种模糊神经元模 型 ,其模 型中有
6、一 类 同上 面 的 模 糊 神 经 元 模 型 , 还 有 含 模 糊 权 系数 并 可以输入模 糊量 的模糊神经元 。从此 , 许多学 者对 模 糊神经网络技术不 断进行 研究 , 并将这种技术 应 用 于解 决 各 种 问题 。 怍 没 运 睹 气 然 天 事 叭 要 主 士 硕 师 程 工 理 助 人 昌 南 西 江 男 日 简 晖 稿 者 亚 收 加作 黄 学兔兔 w w w .x u e t u t u .c o m第 2 9卷 第 6期 OI L AND GAS T RANSP 0RT A Tl ON AND S T ORAGE 1 2 自适应动态模糊神经网络的结构 本文所讲的
7、自适应动态模糊神经含有 4层 , 各层 之间的结构见图 1 。 图 1 自适应 动态 模 糊 神 经 网络 结 构 第一层为输入层: 该层每个神经元表示个输人变量。 第二层为模糊化层 : 该层神经元用于将上一层 的 清晰输入变量模糊化 ,每个神经元 的隶属 函数取为 G a u s s 型 , 即 : 。 M ( 筏) = e , = 1 , 2 , , r , j = l , 2 , M ( 1 ) 式 中 厂 的第 个隶属函数 ; 。 蕊的第 , 个 G a u s s 隶属函数的中心; 厂_ - 的第 7 个 G a u s s 隶属 函数的宽度 ; r 输入变量数; “ 隶属函数的数量
8、 , 也代表系统的规则数。 第三层为规则层 : 用 以表达可能的规则 I F T HE N 中的 I F部分 , 因此该层 的节点数反映了模糊规则数 , 第 个规则 R 的输 出为 : =e一 一 2 ,j = 1 , 2 , , M ( 2 ) 式 中 , = ( 1 , 2 , , ) R , = ( , c 2 , , c q ) R 是第 个 R B F单 元 的 中心 。 第 四层为清晰化层 ,用于执行去模糊化功能 , 也 就是规则 I F T H E N中的 T HE N部分 ,该层 的节点数 反 映输 出结 果 的维 数 。该层 的每 个输 出节 点代 表 一个 输入 信 号 的
9、加权 和输 出变量 : y ( , ) = ( 3 ) =l 式 中 1 一一个输入变量 的值 ; _ T H E N部分 。 对于 T S K模型 : W j = O L O j - - O g lj X I “ - + O L d X , , j = l , 2 , , ( 4 ) 1 3 自适 应动 态模 糊神 经 网络 学 习算法 本文所采用 的是伍世虔等人 提 出的学习算法 。 系统 的性 能 指标 为 : l l _ I l l ( 5 ) 式中 、 第 k个输人数据 甄 期 望输出和实际 输 出 。 油与储运 若l ie I I k , 则增加一条模糊规则。 是预先定好 的 一个
10、阀值 它在学习过程 中按以下规则变化 : i e 1 k n 3 k e= m a x e , e n 3 - 2 n 3 ( 6 ) I e 2 n 3 k J 式中 e ,广一 模糊系统的期望输出精度 ; e 。 广选择的最大误差 ; 学习次数 : ( 0 , 1 ) 称为收敛常熟 , 由下式计算 : 卢 : f 1 ( 7 ) e 如【 前提参数估计 : 当得到一个新 的样本 X ( = 1 , 2 , , ) , 按照规则 产生准则 需要产生一个新的模糊规则。 此时。 把多维 输入变量 兄 投射到相应的一维隶属 函数空间 ,同时 计算数据 和边界集 ( ) 之间的欧式距离: e d i
11、 ( ) = I ( ) I , j = l , 2 , u + 2 ( 8 ) 其中, ci 9 X in i n c C i2 c 一 , 同时找到: j n = a r g j = l :( e ) ) ( 9 ) 如果 e d ( , ) 小于预先设定的值 , 则不用在该维产 生新的隶属 函数 , 否则 。 将分配一个新 的 G a u s s 隶属 函数 , G a u s s 隶属函数的宽度为 : : :里 , 1 , 2 , , m ( 1 0 ) 、 l n ( 1 i e ) 其 中 c 和 C 是 以第 i 个隶 属函数相邻 的两个 隶属 函数 的 中心 。 G a u s
12、 s 隶属 函数 的中心设 置为 : C i ( u + 1 ) ( 1 1 ) 规则 的减少 则 根据规 则 的重要 性进 行删 除 : 、 ,户 l ,2 2 ( 12 ) 式中p 厂一 数据对第 个规则误差减少率 , 可以由清 晰化层 的回归模型求得 : 厂一 第 个规则的重要性 。若 r b k , 则删除 第 个规则 ; 预先定义的阀值。 2 实例 2 1 预 测 结果 与实验 结 果比较 加拿 大滑铁卢 大学 D u a n e S C r o n i n等人 在 2 0 0 0 年 国际管道会议上宣读 了一篇论文 , 在论文 中, 提供 了他们对 4 0根含缺陷管道所作的爆破试验
13、 ,实验数 据见表 1 。 1 5 : 学兔兔 w w w .x u e t u t u .c o m1 6 天 然 号 与 石 油 N A T U R A L G A S A N D O IL 2 0 1 1 年1 2 月 表1 管道爆破试 验数据 管号 外径 m m 壁厚 n lm 缺陷长度 l m缺陷深度 m m S r d Y S P a U 1 瓣 ¥ S I M P a试验压力 M P a 61 255 5 0 8 2 5 5 0495 5 0 8 0 o 8 6 3 6 O 6l 1 _ 3 5 32 3 8 5 61 1 51 5 0 8 0 0 8 6 3 60 5 0 6
14、7 3 8 6 3 6 0 5 0 8 0 0 5 0 8 0 0 2 7 445 2 7445 2 74 1 4 2 73 5 3 27 3 3 0 27 2 9 7 2 7 4 1 2 2 7 3 8 9 2 7 3 1 0 2 7 3 0 5 2 73 0 5 2 7 3 0 5 2 7 3 0 5 3 2 3 0 9 3 2 3 6 O 3 2 1 5 6 3 2 3 0 9 32 4 1 0 3 2 3 6 0 3 2 3 6 0 32 3 3 4 3 2 3 6 0 3 2 3 8 5 3 2 4 1 0 3 2 3 6 0 3 2 3 0 9 6 43 5 61 5 6 6 5
15、6 9 9 3 7 6 5 5 5 O 8 6 4 0 5 7 4 9 4 7 5 7 4 9 6 3 5 7 4 5 6 4 4 57 4 83 5 00 478 4 9 5 467 4 9 8 4 9 3 4 8 8 5 2 3 5 2 8 5 2 6 8 2 6 8 5 3 8 6 4 8 - 3 3 8 5 9 843 8 7 4 861 864 864 8 6 4 8 5 3 8 5 1 8 6 4 1 43 2 5 6 5 9 6 9 0 4 6 2 2 8 6 1 9 7 6 91 4 4 901 7 0 99 0 6 1 3 71 6 0 5 3 3 4 0 l 8 5 4 2
16、 1 3 2 08 2l 3 - 3 6 4 1 6 5 6 1 7 0 1 8 6 6 0 4 1 57 48 1 2446 3048 l 8 2 8 8 48 2 6 3 8 1 0 45 7 2 1 0 1 6 0 40 8 9 4 0 o 0 l 3 9 7 0 2 4l - 3 O 5 0 8 0 1 2 7 0 0 O00 2 0 3 - 2 0 0 00 0 o 0 1 44 7 8 635O O 00 O 00 0 0 0 0 0 0 6 0 9 6 3 5 6 3I 3 5 3 2 5 3 7 6 4 6 2 3 3 0 3 6 6 2 5 7 3 8 4 3 0 0 3 O
17、 2 3 63 3 0 5 2 4 6 274 2 11 2 1 6 1 6 3 3_ 3 0 2 6 2 2 72 1 6 O 2 1 8 1 85 0 0 0 1 73 3 9 6 2 1 8 2 6 7 0 0 0 2 9 7 0 0 0 0 0 0 3 3 0 2 1 6 0 0 O 0 0 0 0 0 0 0 00 2 6 9 3 5 8 6 2 3 7 9 31 3 7 9 3 1 3 7 9 3l 3 1 7 2 4 3 58 6 2 31 7 2 4 3 58 62 3 7 9 3 1 3l 7 24 3 79 31 31 724 3 79 31 3 79 31 28 9 6
18、6 28 9 6 6 2 8 9 6 6 28 9 6 6 2 8 9 6 6 2 8 9 6 6 2 8 9 6 6 28 9 66 28 9 66 3 58 62 3 58 62 3 5 8 6 2 31 7 24 31 7 24 31 7I 2 4 31 7 2 4 31 7 2 4 31 7 2 4 31 7 2 4 31 7 2 4 31 7 2 4 31 7 2 4 31 7 2 4 3 1 7 2 4 31 724 31 7 2 4 5 3 4 6 5 5 8 7 4 8 5 8 7 4 8 5 8748 5 0 8 1 4 5 3465 4 7 2 5 0 53 4 6 5 5
19、 8 7 4 8 5 0 8 1 4 58 7 48 5 0 8 1 4 5 8 7 4 8 5 8 7 48 4 5 3 9 7 4 53 97 4 5397 4 5 3 9 7 4 5 3 9 7 45 397 45 3 9 7 45 3 9 7 45 3 9 7 50 2_ 3 8 5 0 2 I 3 8 50 2- 3 8 481 2 4 4 6 9 3 9 46 9 3 9 4 6 9 39 4 6 9 _ 3 9 4 69 3 9 4 69- 3 9 4 6 9 - 3 9 4 69 3 9 4 69- 3 9 4 69_ 3 9 4 69_ 3 9 46 9- 3 9 46 9_
20、 3 9 40 2 63 4 6 2 4 5 4 6 2 4 5 4 62 45 4 0 0 3 4 4 0 2 6 3 3 72 81 4 0 2 6 3 4 6245 4o O 3 4 4 6 2 4 5 4 0 0 3 4 4 6 2 4 5 3 5 0 7 0 3 5 0 7 0 3 5 0 70 3 5 0 7O 3 5 070 3 507O 3 5 0 7 0 3 5 0 7 0 35 0 7 O 35 0 7 0 38 8 8 0 38 8 8 0 38 8 8 0 4 0941 35 648 35 648 3 5 648 3 5648 3 5648 3 5 6 4 8 3 56
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 自适应 模糊 神经网络 管道 剩余 强度 评价
限制150内