[发明专利]一种管道中腐蚀点的参数测量方法及其设备

说明书

本说明书实施例公开了一种管道中腐蚀点的参数测量方法及其设备。与现有技术相比，相较于传统的点蚀信号的计算方法，本方案首先基于实际中腐蚀点的参数，建立多个训练样本，训练样本对应于预先被确定的腐蚀点，所述训练样本以腐蚀深度h和腐蚀半径r为特征，以训练样本的电场指纹特征值为标签，并且基于训练样本来调整神经网络的初始权值和阈值，并根据调整后的初始权值和阈值实现对神经网络模型的训练，在训练得到目标模型之后，即可以基于待预测的腐蚀点的电场指纹特征值和所述目标模型直接预测所述待预测的腐蚀点的腐蚀深度h和腐蚀半径r。

技术领域

本说明书涉及工程控制领域，尤其涉及一种管道中腐蚀点的参数测量方法及其设备。

背景技术

在石油管道、炼化工业、桥梁监测等工程应用中，依据被测对象表面微小的电场特征变化，对金属结构的缺陷、裂纹、腐蚀以及他们的扩展情况进行高精度检测，是一种已经被广泛应用的技术。

但是，在实际应用中，对于腐蚀点的确定和数据解析时面临蚀坑参数的多值性问题，即检测区域内小面积、大深度的蚀坑与大面积、小深度的蚀坑具有相同的特征。同时，传统方案中还不能直接给出对于蚀坑的半径预测。

基于此，需要一种更为准确的管道中腐蚀点的参数测量方案。

发明内容

本发明的目的在于，提供一种更为准确的管道中腐蚀点的参数测量方案。

为解决上述技术问题，本发明采用如下技术方案，一种管道中腐蚀点的参数测量方案，所述方法包括：

获取包含多个训练样本的集合，其中，所述训练样本对应于预先被确定的腐蚀点，所述训练样本以腐蚀深度h和腐蚀半径r为特征，以训练样本的电场指纹特征值为标签；

根据所述集合中的训练样本，对神经网络模型的参数的初始值进行调整，得到所述参数的目标初始值，其中，所述参数的初始值包括神经网络中输入层与隐含层之间的初始权值、隐含层与输出层之间的初始权值、隐含层神经元的初始阈值或者输出层神经元的初始阈值中的至少一个；

根据所述集合中的训练样本，对包含所述参数的目标初始值的神经网络模型进行训练，当达到预设的训练截止条件时，确定此时的神经网络模型为目标模型；

获取待预测的腐蚀点的电场指纹特征值，基于所述目标模型预测所述待预测的腐蚀点的腐蚀深度h和腐蚀半径r。

本申请实施例还提供一种设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现如前述任一项所述的方法。

本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：

与现有技术相比，相较于传统的点蚀信号的计算方法，本方案首先基于实际中腐蚀点的参数，建立多个训练样本，训练样本对应于预先被确定的腐蚀点，所述训练样本以腐蚀深度h和腐蚀半径r为特征，以训练样本的电场指纹特征值为标签，并且基于训练样本来调整神经网络的初始权值和阈值，并根据调整后的初始权值和阈值实现对神经网络模型的训练，在训练得到目标模型之后，即可以基于待预测的腐蚀点的电场指纹特征值和所述目标模型直接预测所述待预测的腐蚀点的腐蚀深度h和腐蚀半径r。本申请的方案中可以直接确定出点蚀的腐蚀深度h和腐蚀半径r，并且反演算法误差较小，检测精度更高，适应于危险性较高、需要重点监控的工程中的敏感管道中。

附图说明

图1a为本申请实施例所涉及的一种系统的正面示意图；

图1b为本申请实施例所涉及的一种系统的截面示意图；

图2为本申请实施例所提供的一种管道中腐蚀点的参数测量的流程示意图；

图3为本申请所训练得到的目标模型的回归系数R值的示意图；

图4为本申请所提供的神经网络模型的训练以及应用的流程示意图；