(19)中华 人民共和国 国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110734468.3 (22)申请日 2021.06.30 (65)同一申请的已公布的文献号 申请公布号 CN 113239504 A (43)申请公布日 2021.08.10 (73)专利权人 西南石油大 学 地址 610500 四川省成 都市新都区新都大 道8号 (72)发明人 贾文龙　杨帆　李长俊　吴瑕　 宋硕硕　张员瑞　林友志　李晓宇　 (51)Int.Cl. G06F 30/18(2020.01) G06F 30/27(2020.01) G06N 3/08(2006.01) G06F 113/14(2020.01) (56)对比文件 CN 110807540 A,2020.02.18 CN 105260784 A,2016.01.20CN 104063588 A,2014.09.24 CN 111783354 A,2020.10.16 CN 10215 6089 A,201 1.08.17 CN 109255490 A,2019.01.2 2 WO 2014142825 A1,2014.09.18 胡松青 等. “基于BP神经网络的输油管道内 腐蚀速率预测模型 ”. 《油气储运》 .2010,第2 9卷 (第6期),4 48-451. 何湋 等.“基于首轮内检测数据的成品油管 道内腐蚀 分析及对策 ”. 《油气储运》 .2020,第39 卷(第8期),885-891. Chen, Xiaox u等.“Principal Compo nent Analysis Based Dynamic Fuz zy Neural Network for I nternal Cor rosion Rate Predicti on of Gas Pipel ines”. 《MATHEMATICAL PROBLE MS IN ENGINEERING》 .2020,第2020卷摘要. 审查员 赵恒昌 (54)发明名称 一种基于优化神经网络的管道腐蚀缺陷预 测方法 (57)摘要 本发明公开了一种基于优化神经网络的管 道腐蚀缺陷预测方法， 步骤如下： 采集管道内腐 蚀缺陷信息、 输送介质条件、 管道本体及运行参 数； 对数据进行集成、 清理、 转换， 形成腐蚀缺陷 数据训练和测试样本； 初始化BP神经网络模型； 基于隐含层神经元取值优化、 有限储存BFGS算法 和学习率自适应动态调整优化神经网络模型， 通 过样本训练、 测试得到最优化神经网络预测模 型； 将待预测管道的输送介质条件、 管道本体及 运行参数等输入 预测模型， 预测得到管内腐蚀缺 陷的环向分布和尺寸大小。 本发 明充分考虑了管 道内腐蚀影响因素， 优化神经网络结构、 存储空 间、 迭代速度以及稳定性， 为在役天然气管道剩 余寿命预测、 腐蚀失效风险评估以及修复等提供可靠的参 考依据。 权利要求书2页 说明书8页 附图2页 CN 113239504 B 2022.01.28 CN 113239504 B 1.一种基于优化神经网络的管道腐蚀缺陷预测方法， 其特 征在于， 包括以下步骤： 步骤一、 采集管道内腐蚀缺陷信息及其所属管道的输送介质条件、 管道本体及运行参 数； 采集的管道内腐蚀缺陷信息包括缺陷的轴向长度、 峰值深度占比、 绝对距离、 环向时钟 方位； 采集缺陷所属管道的输送气质条件包括液态水含量、 Cl‑、 CO2和H2S浓度； 采集的含腐 蚀缺陷管道本体及运行参数包括管道 服役时长、 管材、 管道内径、 管道输送流量、 输送压力、 输送温度； 步骤二、 对步骤一采集的数据进行集成、 清理、 转换处理， 形成腐蚀缺陷数据训练和测 试样本； 步骤三、 BP神经网络预测模型初始化， 设定模型结构及参数初值， 包括确定输入层和输 出层神经元参量、 神经元激励函数、 BP神经网络的权重和阈值初值、 最大网络迭代 次数， 具 体步骤为： S31， 以液态水含量、 Cl‑、 CO2、 H2S浓度、 管道服役时长、 管材、 管道内径、 管道输送流量、 输送压力、 输送温度、 缺陷的绝对距离参 量作为输入层神经 元； S32， 以缺陷的环向时钟方位、 轴向长度、 峰值深度占比作为输出层神经 元； S33， 设定神经元激励函数 f(x)： 隐含层激励函数为tansig( x)， 输出层激励函数为 logsig(x)； S34， 为消除权重和阈值参数的相关性， 利用Nguyen ‑Widrow方法确定神经网络预测模 型权重 和阈值 初值， 其中 i表示神经网络第 p层神经元，j表示第p+1层的神 经元， 记 输入层、 隐含层、 输出层分别为神经网络第1、 2、 3层； 在此基础上将隐含层至输出层的阈值 设定为0， 权 重参数设定为1； 最大网络迭代次数为10 00； 步骤四、 神经网络预测模型优化、 训练和测试， 包括基于隐含层神经元取值优化、 有限 储存BFGS算法和学习率自适应动态调整优化神经网络预测模型， 并利用腐蚀缺陷数据训练 和测试样本对 模型进行训练、 测试， 得到最优化神经网络预测模型； 步骤五、 根据步骤三确定的输入层神经元参量， 将待预测管道的参数输入最优化神经 网络预测模型， 得到待预测管道内腐蚀缺陷的环向时钟分布、 轴向长度、 峰值深度占比； 其 中输入最优化神经网络预测模型的管道参数具体包括液态水含量、 Cl‑、 CO2、 H2S浓度、 管道 服役时长、 管 材、 管道内径、 缺陷的绝对距离、 管道输送流 量、 输送压力、 输送温度。 2.如权利要求1所述的一种基于优化神经网络的管道腐蚀缺陷预测方法， 其特征在于， 所述步骤四中神经网络预测模型优化、 训练和 测试过程包括如下步骤： S41， 通过经验式 确定隐含层神经元数量 Nhid， 其中，Nin为输入层 神经单元个数，Nout为输出层神经 单元个数，l为经验参数， 初次迭代计算时 l取1； S42， 训练参数初始化， 包括设定允许误差 、 初始正定矩阵 为单位矩阵、 最 近迭代次数 m=6、 迭代指标 k=0、 误差下降梯度 、 学习率 ； S43， 将训练样 本输入神经网络预测模 型， 计算当前迭代 误差 ， 其中 和yn分别为输出层第 n个神经元的输出值和实测值； 如果 成立， 则返回最优 权重值 ， 并执行步骤S48， 否则继续执 行下一步；权　利　要　求　书 1/2 页 2 CN 113239504 B 2S44， 调整当前迭代方向 ； 仅当k≥1时， 按以下方式调整学习率 ： 计算系数 ， 当η>0.01时， 取 （0<β<1） ； 当η<0时， 取 （2>γ>1） ； S45， 更新权 重值 ； S46， 当k>m时保留最近 m次迭代的曲率信息 和第(k‑m+1)次迭代误差 ； 当 k≤m时保留最近 k次曲率信息 和第k次迭代误差 ， 其中 ，  ； S47， 利用t wo‑loop recursion算法更新误差下降梯度： ， 其中 为海森近似矩阵； 更新迭代指标 k=k+1， 转步骤S43； S48， 更新经验参数 l=l+1， 当l≤10时， 转步骤S41； 否则比较迭代误差 、 ， 以迭代 误差最小确定隐含层神经 元数Nhid以及相应模型为 最优化神经网络预测模型； S49， 利用腐蚀缺陷数据测试样本对最优化神经网络预测模型进行精度测试， 得到模型 预测精度。权　利　要　求　书 2/2 页 3 CN 113239504 B 3