[发明专利]一种基于AIC-RBF的油气管道挤压形变估计方法

权利要求书

1.一种基于AIC-RBF的油气管道挤压形变估计方法，其特征在于：内容包括：通过对管道测量获得若干臂长数据以及与臂长数据对应的脉冲涡流数据，建立样本数据集；

对样本数据集中臂长数据的最小臂长变化曲线在不同多项式阶数下进行多项式拟合，通过建立统计综合评价指标F来确定多项式拟合阶数，所述统计综合评价指标F是基于AIC值、拟合优度、以及最佳AIC对应的样本段数量而建立，从而获得多项式拟合模型参数；

将样本数据集中的脉冲涡流数据以及获得的多项式拟合模型参数作为输入，选择隐含层为径向基函数的神经网络进行训练，构建基于神经网络的多项式参数模型；

将待测管道的脉冲涡流数据作为基于神经网络的多项式参数模型的输入，获得待测管道脉冲涡流数据对应的多项式模型参数，并获得待测管道的最小臂长多项式函数，对待测管道挤压段的最小臂长进行量化，获得待测管道挤压段形变的估计程度。

2.根据权利要求1所述的一种基于AIC-RBF的油气管道挤压形变估计方法，其特征在于：所述多项式拟合模型参数的获得方法如下：

2.1：对样本数据集中的若干臂长数据挤压样本段进行标号i＝1,2...m；

2.2：设定臂长数据中的最小臂长挤压样本标号i＝1，设定多项式拟合阶数n＝1；

2.3：对标号为i的最小臂长挤压样本进行多项式阶数为n的多项式拟合；

2.4：计算最小臂长挤压样本与多项式拟合曲线的AIC值，AIC计算公式为：

AIC＝2w+nln(SSR/n) (1)

其中，w是参数的数量，SSR是残差平方和，n是多项式阶数，当AIC值最小时对应的多项式阶数最优，其中SSR计算公式为：

式中，U_t为多项式阶数为t的最小臂长挤压样本曲线，为多项式阶数为t的基于多项式拟合获得的最小臂长样本曲线；

2.5：判断AIC_n＜AIC_n-1，若是则进行2.6，否则n＝n+1并返回2.3；

2.6：判断挤压样本标号i＞m，若是进行2.7，否则i＝i+1，n＝1并返回2.3；

2.7：统计比较样本数据集中的最佳拟合阶数，其最大值作为多项式拟合的最高阶数N；

2.8：计算多项式阶数n＝1,2...N的AIC值与拟合优度，拟合优度R²计算公式为：

其中，i是挤压样本段标号，m是挤压样本段数量，y_i是第i段样本，是平均值，是拟合值；并统计不同拟合阶数下最佳AIC对应的样本段数量，建立统计综合评价指标F，F计算公式为：

挤压样本段数量为m，挤压样本段标号为i＝1，2,...,m，对样本数据集中的若干臂长数据挤压段采用AIC准则进行多项式拟合，得到的多项式阶数的变化范围为k～k+p,n_j为多项式阶数是k+j的样本段数量，R_ij²为第i段样本用阶数为k+j拟合的拟合优度，AIC_ij为第i段样本用阶数为k+j拟合的AIC值，其中

2.9:综合拟合优度、AIC值和n_j数量评价指标，选取F值最大的模型对应的k+j作为最优多项式阶数，获得多项式拟合模型参数。

3.根据权利要求1所述的一种基于AIC-RBF的油气管道挤压形变估计方法，其特征在于：所述基于神经网络的多项式参数模型的构建以及训练方法如下：

3.1：随机初始化网络权重和阈值；

3.2：设置包括学习率v、损失函数loss、迭代次数iter、隐含层函数的网络参数；

3.3：采用梯度下降法对神经网络进行训练，计算隐含层、输出层各单元的输入及输出，以及计算隐含层、输出层各单元的校正误差，构建公式(6)的基于神经网络的多项式参数模型：

其中x为输入脉冲涡流样本信号，y为脉冲涡流对应的多项式参数，ω_i为第i个基函数与输出节点的连接权值，h为隐含层神经元个数，c_i为每个隐含层神经元基函数的中心，σ_i为基函数的方差；选取h个中心做k-means聚类，通过训练样本监督学习获得满足要求的ω_i、c_i、σ_i；

3.4：判断训练样本是否训练完，若是进行3.5，否则返回3.3继续训练；

3.5：更新迭代次数，判断迭代次数是否大于设定的迭代次数iter，若是进行3.6，否则返回3.3迭代训练；

3.6：输出训练好的基于神经网络的多项式参数模型。