[发明专利]一种基于BP神经网络模型的冲蚀失效定量预测方法

说明书

一种基于BP神经网络模型的冲蚀失效定量预测方法：建立BP神经网络模型，BP神经网络模型：包含1个输入层，2个隐含层和1个输出层；数据采集和处理，即基于冲刷腐蚀机理分析，得到影响材料冲蚀速率的重要参数，建立参数样本数据库；BP神经网络模型训练；BP神经网络模型预测，即当取得与参数样本数据库中都不同的5种工况参数的样本时，按照顺序计算第一个隐含层、第二个隐含层和输出层神经元的输出值，计算得到的输出值，即为5种工况参数下的腐蚀率。本发明提供一种能够解决传统预测模型问题的方法，可准确、快速的预测材料的冲蚀速率。具有特别重要的现实意义和可观的经济价值。

技术领域

本发明涉及一种冲蚀失效定量预测系统。特别是涉及一种基于BP神经网络模型的冲蚀失效定量预测方法。

背景技术

在石油化工、煤化工、核电工程等流程型工业中，冲蚀是广泛存在的造成设备失效的腐蚀类型之一。现有研究表明：冲蚀机理十分复杂，失效形式多样，冲蚀是材料受流体冲刷和流体介质腐蚀共同耦合作用的结果，不仅和介质组成、温度、相变模块相关，而且和设备管道材质、流体流动特性等密切相关，冲蚀破坏具有明显的局部性、突发性和风险性，是影响设备寿命和安全生产的关键因素之一。

BP(Back Propagation)神经网络是一种模拟大脑信息处理算法的非线性方法，具有强大的分布式信息储存、并行处理和自适应学习能力等特点。BP神经网络由于结构简单、精度较高、易于编程、可操作性强、非线性映射能力强等优点。

按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一，BP网络能学习和贮存大量的输入—输出模式的映射关系，而无需事前揭示描述这种映射关系的数学方程。相对于之前建立的由固化机理出发建立的理论数学模型及由实验出发建立的数学回归模型，拟合的结果与实际的结果差别往往更小。

典型的BP神经网络为3层结构，可以实现任意从输入到输出的非线性模拟，网络拓扑结构较简单。为提高神经网络模型的预测精度，通过MATLAB的工具箱函数构建了双隐层BP网络模型。

本发明所提供的一种基于BP神经网络的模型的冲蚀失效定量预测方法针对腐蚀性流体介质造成的冲蚀破坏情况，结合BP神经网络结构的数学建模开展流体管道失效的定量预测是解决目前管道系统失效的有效途径，具有特别重要的现实意义和可观的经济价值。

发明内容

本发明所要解决的技术问题是，提供一种基于BP神经网络模型的冲蚀失效定量预测方法。

本发明所采用的技术方案是：一种基于BP神经网络模型的冲蚀失效定量预测方法，包括如下步骤：

1)建立BP神经网络模型，所述BP神经网络模型：包含1个输入层，2个隐含层和1 个输出层；具体BP神经网络模型如下：

(1)输入层：x₁,x₂,x₃,x₄,x₅，分别对应于归一化处理后的NH₄HS浓度、氯离子含量、温度、H₂S分压和剪切应力；

(2)第一隐含层输出计算公式：

其中：i为第一个隐含层的人工神经元编号；x＝[x₁,...,x₅]，分别为NH₄HS浓度、氯离子含量、温度、H₂S分压和剪切应力5种工况参数；a_i代表第一个隐含层中，第i个人工神经元的输出；w1_ij代表第一个隐含层中，第i个人工神经元与第j个输入层人工神经元的权值，b1_i代表第一个隐含层中第i个人工神经元的阈值；代表对j从1到5进行求和操作；f₁代表第一个隐含层的传输函数，这里选用logsig函数：