[发明专利]基于PCA-RBF埋地管道腐蚀速率预测方法

权利要求书

1.一种基于PCA-RBF埋地管道腐蚀速率预测方法，其特征在于，包括如下步骤：

步骤S1、选择土壤中对埋地管道腐蚀相关的影响因素作为输入变量；

步骤S2、以埋地输气管线为研究对象，通过对管道沿线土壤理化性质的测试及对管线的检测，获得样本数据；

步骤S3、随机选择若干组样本数据作为训练样本，采用PCA-RBF方法建立埋地管道腐蚀速率预测模型，将余下的样本数据作为测试样本，以测试所建立模型的预测效果；

步骤S4、根据评价指标对模型预测效果进行评价。

2.根据权利要求1所述的基于PCA-RBF埋地管道腐蚀速率预测方法，其特征在于，所述步骤S1中，对埋地管道腐蚀相关的影响因素包括含水率、HCO₃^－含量、Cl^－含量、SO₄^2－含量、氧化还原电位、pH值、土壤电阻率。

3.根据权利要求1所述的基于PCA-RBF埋地管道腐蚀速率预测方法，其特征在于，所述步骤S3中，采用PCA-RBF方法建立埋地管道腐蚀速率预测模型的具体实现步骤如下：

(1)数据归一化：由式(1-1)对样本数据进行归一化，得T＝[T₁,T₂,···,T₁₃]；

式(1-1)中，x_i(k)为埋地管道腐蚀速率影响因素x_i第k个样本的采样值，X_i-max、X_i-min为影响因素x_i的最大值和最小值；T_max、T_min为归一化的最大值和最小值，取T_max＝1、T_min＝-1；

(2)采用主元分析PCA提取主元：

设有样本数据集X＝[x₁,x₂,···,x_n]，k表示样本序号，f表示维数，λ_i为协方差矩阵V特征根,L＝[L₁,L₂,···,L_f],L_i＝[γ_1i,γ_2i,···,γ_fi]^T是与λ_i对应的协方差矩阵V的单位正交特征向量，则样本数据X的第i个主元成分Y_i可表示为：

Y_i＝XL_i＝γ_1ix₁+γ_2ix₂+···+γ_fix_f (1-2)

确定主元个数t的方法可以用经验法，即取最小的t使得：

式(1-3)中，η为常数；

(3)建立RBF神经网络模型：以PCA提取的主成分数据作为RBF神经网络的训练样本数据，采用K-means法确定网络中心，使用最小二乘法确定网络权值，建立RBF神经网络埋地管道腐蚀速率模型；RBF神经网络由输入层、隐含层和输出层3层组成；其中，隐含层节点的径向基函数采用高斯函数，隐含层第l神经元的转换函数为：

式(1-4)中，Y为输入矩阵向量；c_l和σ_l分别为高斯函数中心和宽度；

RBF输出层输出如式(1-5)所示：

式(1-5)中，Z_p表示第p个网络输出值；W_p为输出层神经网络的阀值；W_lp为输出层神经网络的权值；q为隐含层节点数；

(4)采用测试集的数据检验所建立的RBF神经网络模型的预测效果，若预测结果不满意则返回步骤(3)重新训练网络。

4.根据权利要求1所述的基于PCA-RBF埋地管道腐蚀速率预测方法，其特征在于，所述步骤(2)中，取η＝0.9，即保证前t个主成分的累积贡献率超过90％。