[发明专利]基于反向传播神经网络的颗粒碰撞靶材侵蚀量的预测方法

说明书

本发明涉及一种基于反向传播神经网络的颗粒碰撞靶材侵蚀量的预测方法，包括以下步骤：(1)搜集颗粒碰撞平面靶材侵蚀量的实验数据，搜集的实验自变量包括7个，分别为颗粒密度ρ，颗粒直径D，颗粒硬度H_p，入射速度V，入射角度α，靶材硬度H_t，颗粒与靶材硬度比H_p/H_t，因变量为靶材侵蚀量；(2)为消除不同变量间量级差异对权重分配的影响，对所搜集的实验数据标准化；(3)搭建反向传播神经网络结构，所搭建的反向传播神经网络结构，输入层的神经元节点分别对应实验自变量，输出层1个神经元节点对应因变量即靶材侵蚀量。(4)确定神经网络预测结果的评价指标；(5)网络模型训练优化。

技术领域

本发明属于油气能源输运领域中，流体携带固体颗粒碰撞管壁，造成管道侵蚀问题，具体涉及一种基于优化的反向传播神经网络的颗粒碰撞靶材造成的侵蚀量的预测方法。

背景技术

关于颗粒碰撞平面靶材引起的侵蚀，由于碰撞过程中参数众多，准确快速预测各种情况下的颗粒侵蚀量具有挑战性，前人从实验研究、理论分析和数值模拟等方面进行了大量研究。对于实验方法，其覆盖范围较小，会耗费大量人力物力，且实验周期较长；理论方面，往往对某一问题做出一定假设，很可能造成与真实情况的偏差；数模方面，同样会有一些简化处理，模型与真实情况存在差距，同时会消耗较大的计算机资源，有时也会遇到计算不收敛问题。另外，由实验或理论得出的一些经验或半经验公式，往往包括较多的参数，需要实验确定，不便于操作，同时，得出的公式的预测精度，也仅限于实验者本人进行的实验，公式的普适性差。目前人工智能以其计算速度快，结果稳定，能够处理大量数据等优势，开始应用于油气能源输运问题。但目前，利用人工智能方法，针对颗粒碰撞造成平面靶材的侵蚀问题，只关注某种靶材或某种侵蚀颗粒，适用范围较小。另外，在人工智能领域，反向传播神经网络是研究最成熟的神经网络算法之一，它具有良好的自学习、自适应、鲁棒性和泛化能力。三层反向传播神经网络就可以以任意精度逼近任意非线性函数。反向传播神经网络在模式识别、函数逼近、图像处理等领域得到了广泛的应用，但反向传播算法也存在收敛速度差、容易陷入局部极小值等缺点。因此，本发明在利用反向传播神经网络时需要对其进行一定的优化，以适应本问题，达到较好的预测效果。

参考文献

[1]Oka Y I,Okamura K,Yoshida T,Practical Estimation of Erosion DamageCaused by Solid Particle Impact:Part 1:Effects of Impact Parameters On aPredictive Equation[J],WEAR,2005,259(1):95-101.

[2]Oka Y I,Yoshida T,Practical Estimation of Erosion Damage Caused bySolid Particle Impact:Part 2:Mechanical Properties of Materials DirectlyAssociated with Erosion Damage[J],WEAR,2005,259(1):102-9.

[3]Huang C,Chiovelli S,Minev Pet al.,A Comprehensive PhenomenologicalModel for Erosion of Materials in Jet Flow[J],POWDER TECHNOL,2008,187(3):273-9.

发明内容

本发明的目的是提供一种适应性广更为安全可靠、预测速度和精度都较高的颗粒碰撞靶材侵蚀量的预测方法。本发明建立了一种基于优化的反向传播神经网络，能够预测较大参数变化范围的平面靶材侵蚀的预测模型，而不是仅仅针对某一种颗粒或某一种靶材材料的侵蚀。为实现以上目的，本发明采用的技术方案如下：

一种基于反向传播神经网络的颗粒碰撞靶材侵蚀量的预测方法，包括以下步骤：