長(zhǎng)期以來(lái),石油的輸送主要有埋地、架空、海底三種形式,其中埋地管道最為常見(jiàn)。但是,埋地管道的腐蝕因素多,具有非線性、強(qiáng)耦合的特性,傳統(tǒng)方法很難建立精確的腐蝕速率及深度預(yù)測(cè)模型。因此,對(duì)埋地管道腐蝕預(yù)測(cè)模型進(jìn)行優(yōu)化研究具有重要意義。本研究在閱讀大量文獻(xiàn)的基礎(chǔ)上,分析和總結(jié)了現(xiàn)階段埋地油氣管道的腐蝕研究現(xiàn)狀,結(jié)合管道的腐蝕機(jī)理及檢測(cè)方法,主要進(jìn)行了以下研究工作:（1）基于多元統(tǒng)計(jì)理論的腐蝕因素特征提取。由于埋地油氣管道各腐蝕因素的非線性相關(guān)性,原始樣本數(shù)據(jù)存在冗余信息。為降低檢測(cè)數(shù)據(jù)對(duì)腐蝕速率及剩余壽命預(yù)測(cè)過(guò)程的影響,本研究以核主成分分析法建立了腐蝕因素與腐蝕速率之間的映射關(guān)系,提取腐蝕因素的主成分,重構(gòu)原始數(shù)據(jù)集,以此作為GRNN腐蝕速率預(yù)測(cè)模型的輸入值。（2）基于GRNN的腐蝕速率預(yù)測(cè)。根據(jù)GRNN適用于小樣本、參數(shù)少、訓(xùn)練優(yōu)的特點(diǎn),將其用于對(duì)埋地管道在不同環(huán)境下的腐蝕速率進(jìn)行預(yù)測(cè)。鑒于以往GRNN的光滑因子隨機(jī)初始化,降低了模型的可靠性。為提高GRNN的預(yù)測(cè)效果,本研究采用天牛須算法優(yōu)化其光滑因子,提出了基于BAS-GRNN的埋地管道腐蝕速率預(yù)測(cè)模型。（3）基于IGM（1,1）-BAS... 

【文章頁(yè)數(shù)】：101 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
1 緒論
    1.1 選題背景和研究意義
        1.1.1 選題背景
        1.1.2 研究意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 國(guó)外研究現(xiàn)狀
        1.2.2 國(guó)內(nèi)研究現(xiàn)狀
        1.2.3 存在的主要問(wèn)題
    1.3 研究?jī)?nèi)容、方法和技術(shù)路線
        1.3.1 研究?jī)?nèi)容
        1.3.2 研究方法
        1.3.3 技術(shù)路線
    1.4 論文創(chuàng)新點(diǎn)
2 埋地管道腐蝕理論概述
    2.1 埋地管道腐蝕特征及類型
        2.1.1 埋地管道的特征
        2.1.2 埋地管道腐蝕類型
    2.2 埋地管道腐蝕檢測(cè)方法
        2.2.1 土壤腐蝕檢測(cè)
        2.2.2 雜散電流腐蝕檢測(cè)
        2.2.3 腐蝕速率的確定
    2.3 腐蝕預(yù)測(cè)研究方法
        2.3.1 單變量輸入的腐蝕預(yù)測(cè)方法
        2.3.2 多變量輸入的腐蝕預(yù)測(cè)方法
    2.4 本章小結(jié)
3 基于多元統(tǒng)計(jì)的埋地管道腐蝕因素特征提取
    3.1 主成分分析法
        3.1.1 主元個(gè)數(shù)確定
        3.1.2 PCA處理過(guò)程
    3.2 核主成分分析法
        3.2.1 核函數(shù)
        3.2.2 KPCA數(shù)學(xué)原理
    3.3 多元統(tǒng)計(jì)方法在管道腐蝕中的應(yīng)用
        3.3.1 實(shí)地調(diào)查收集數(shù)據(jù)
        3.3.2 實(shí)例驗(yàn)證樣本選取
        3.3.3 基于PCA的提取結(jié)果
        3.3.4 基于KPCA的提取結(jié)果
    3.4 本章小結(jié)
4 基于神經(jīng)網(wǎng)絡(luò)的埋地管道腐蝕速率預(yù)測(cè)
    4.1 人工神經(jīng)網(wǎng)絡(luò)的典型模型
        4.1.1 誤差反向傳播神經(jīng)網(wǎng)絡(luò)
        4.1.2 徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)
    4.2 廣義回歸神經(jīng)網(wǎng)絡(luò)
        4.2.1 GRNN的基本結(jié)構(gòu)
        4.2.2 GRNN的理論基礎(chǔ)
        4.2.3 GRNN的優(yōu)點(diǎn)
    4.3 GRNN的優(yōu)化算法
        4.3.1 智能優(yōu)化算法
        4.3.2 天牛須搜索算法
        4.3.3 天牛須搜索算法性能驗(yàn)證
    4.4 外腐蝕速率預(yù)測(cè)優(yōu)化模型的構(gòu)建
        4.4.1 建模步驟
        4.4.2 模型驗(yàn)證方法
    4.5 實(shí)例驗(yàn)證及分析
        4.5.1 預(yù)測(cè)模型的訓(xùn)練
        4.5.2 預(yù)測(cè)結(jié)果比較與分析
    4.6 本章小結(jié)
5 基于IGM(1,1)-BAS-GRNN的埋地管道剩余壽命預(yù)測(cè)
    5.1 灰色模型的優(yōu)化原理
        5.1.1 GM(1,1)模型
        5.1.2 優(yōu)化的GM(1,1)模型
    5.2 基于BAS-GRNN誤差補(bǔ)償?shù)膬?yōu)化模型
        5.2.1 建模思路
        5.2.2 優(yōu)化模型的后驗(yàn)差檢驗(yàn)
    5.3 實(shí)例驗(yàn)證
        5.3.1 最大腐蝕深度擬合過(guò)程
        5.3.2 埋地管道剩余壽命
    5.4 本章小結(jié)
6 總結(jié)與展望
    6.1 主要結(jié)論
    6.2 不足與展望
參考文獻(xiàn)
附表A 宏觀檢測(cè)結(jié)果
附錄B 60組檢測(cè)數(shù)據(jù)
攻讀碩士研究生期間發(fā)表的論文
致謝



本文編號(hào)：3656768