改进BP算法的腐蚀管道剩余强度预测

中国腐蚀与防护学报

2011, Vol. 31

Issue (5): 404-408

研究报告

本期目录 | 过刊浏览

改进BP算法的腐蚀管道剩余强度预测

孙宝财,李淑欣,俞树荣,曾海龙

兰州理工大学石油化工学院兰州 730050

PREDICTION OF REMAINING STRENGTH OF CORRODED PIPELINES BASED ON IMPROVED BP ALGORITHM

SUN Baocai, LI Shuxin, YU Shurong, ZENG Hailong

School of PetroChemical Engineering, Lanzhou University of Technology, Lanzhou 730050

全文: PDF(539 KB)

摘要: 利用人工神经网络所具有的高度非线性映射功能，对现役长输油气腐蚀管道失效压力进行预测，并综合分析了管径、壁厚、屈服强度、环向腐蚀速率、径向腐蚀速率、缺陷长度及蚀坑深度对腐蚀管道失效压力的影响。为了验证人工神经网络具有很好的通用性，通过选择6种不同管径的腐蚀管道样本训练集交叉对网络进行训练，并利用训练好的网络进行预测。结果表明，人工神经网络在满足工程需要的前提下，是一个比较准确、方便的数学模型。

关键词 ：腐蚀管道, 神经网络, 失效压力, 非线性映射, 剩余强度

Abstract：The failure pressure of long-distance gas pipeline was predicted based on nonlinear mapping function of artificial neural network. The effects of pipe diameter, pipe wall thickness, material yield strength, radial corrosion rate, longitudinal corrosion rate, defect length and pit depth on the pipeline failure were analyzed comprehensively. In order to illustrate the generality of neural network, the network was trained using sample training set from six corroded pipelines with different diameters. The result showed that the neural network can be a more accurate and convenient method to predict pipeline failure.

Key words： corroded pipeline neural network failure pressure nonlinear mapping residual strength

收稿日期: 2010-07-08

ZTFLH:

TE 988.2

基金资助:

国家自然科学基金项目（50805072）和甘肃省自然科学基金项目（2008GS02589）资助}

通讯作者: 孙宝财 E-mail: sunbaocai0518@163.com

作者简介: 孙宝财，男，1981年生，硕士生，研究方向为长输油气管道腐蚀可靠性评价

	服务

	把本文推荐给朋友
	加入引用管理器
	E-mail Alert
	RSS
	作者相关文章
	孙宝财
	李淑欣
	曾海龙
	俞树荣
44.8K

引用本文:

孙宝财,李淑欣,俞树荣,曾海龙. 改进BP算法的腐蚀管道剩余强度预测[J]. 中国腐蚀与防护学报, 2011, 31(5): 404-408.
XUN Bao-Cai, LI Shu-Xin, ZENG Hai-Long, YU Shu-Rong. PREDICTION OF REMAINING STRENGTH OF CORRODED PIPELINES BASED ON IMPROVED BP ALGORITHM. J Chin Soc Corr Pro, 2011, 31(5): 404-408.

链接本文:

https://www.jcscp.org/CN/ 或 https://www.jcscp.org/CN/Y2011/V31/I5/404

[1] Shuai J, Zhang C E, Chen F L. Comparison study on assessment methods for remaining strength of corroded pipeline [J]. Natur. Gas Ind.,2006, 11: 122-155

    (帅健, 张春娥, 陈福来．腐蚀管道剩余强度评价方法的对比研究 [J]. 天然气工业, 2006, 11: 122-155)

[2] Li S X, Zeng H L, Yu S R, et al. A method of probabilistic analysis for steel pipeline with correlated corrosion defects [J]. Corros.Sci.,2009, 51(12): 3050-3056

[3] Ahammed M, Melchers R E. Probabilistic analysis of pipelines subjected to pitting corrosion leak [J]. Eng.Struct., 1995, 17(2): 74-80

[4] Lian L X, Liu Y, Ye J W, et al. Prediction model for magnetic properties of Nd-Fe-Co-Zr-B alloys based on artificial neural network [J]. Acta. Metall. Sin., 2005, 41(5): 529-533

    (连利仙, 刘颖, 叶金文等. 基于人工神经网络的 Nd-Fe-Co-Zr-B系永磁合金磁性能的预测模型 [J]. 金属学报, 2005, 41(5): 529-533)

[5] Sinha S K, Pandey M D. Probabilistic neural network for reliability assessment of oil and gas pipelines [J]. Computer-Aid.Civil Infrastruct. Eng., 2002, 17(5): 320-329

[6] Silva R C C, Guerreiro J N C, Loula A F D. A study of pipe interacting corrosion defects using the FEM and neural networks [J]. Adv. Eng. Software. 2007, 38(11-12): 868-875

[7] Li T J, An W G. Corrodent conduit reliability analysis based on artificial neural network [J].Mech. Eng., 2005, 6: 106-107

    (李铁钧, 安伟光. 基于神经网络的腐蚀管道的可靠性分析 [J]. 机械工程师, 2005, 6: 106-107)

[8] ASME-B31G. A supplement of ASME B31G code for pressure piping, 1995, Manual for determining the remaining strength of corroded pipelines [S]. New York: American Society for Mechanical Engineers, 1995

[9] Cong S. Neural network theory and applications with MATLAB toolboxes (3rd Ed.) [M]. Hefei: University of Science and Technology of China Press, 2009

    (丛爽. 面向MATLAB工具箱的神经网络理论与应用(第3版) [M]. 合肥: 中国科学技术大学出版社, 2009)

[10] Yan P F, Zhang C S. Artificial neural networks and evolutionary computing(2nd Ed) [M]. Beijing: Tsinghua University Press, 2005

     (阎平凡, 张长水. 人工神经网络与模拟进化计算(第2版) [M]. 北京: 清华大学出版社, 2005)

[11] Zhou Y, Xu B L. Orthogonal method for training neural networks [J]. J. Nanjing Univ.(Nat. Sci.), 2001, 137(1): 72-78

     (周毅, 徐柏龄. 神经网络中的正交设计法研究 [J]. 南京大学学报(自然科学), 2001, 137(1): 72-78)

[1]	郭宝会, 邱友绪, 李海龙. 人工神经网络在钛合金表面Ni-SiC复合电镀工艺中的应用[J]. 中国腐蚀与防护学报, 2017, 37(4): 389-394.
[2]	刘静,李晓禄,朱崇伟,张涛,曾冠鑫,孟国哲,邵亚薇. 利用人工神经网络技术预测气田环境下316L不锈钢临界点蚀温度[J]. 中国腐蚀与防护学报, 2016, 36(3): 205-211.
[3]	邓志安,李姝仪,李晓坤,王珊,王晓军. 基于模糊神经网络的海洋管线腐蚀速率预测新方法[J]. 中国腐蚀与防护学报, 2015, 35(6): 571-576.
[4]	杨专钊, 刘道新, 张晓化. 含平底型腐蚀缺陷钢管剩余强度的有限元求解和实验验证[J]. 中国腐蚀与防护学报, 2013, 33(4): 339-346.
[5]	汪川,王振尧,魏伟,谢陈平,柯伟. 腐蚀研究中的统计分析方法和预测模型[J]. 中国腐蚀与防护学报, 2010, 30(4): 306-312.
[6]	栾瑞鹏,贲可荣,萧星, 田立业. 基于改进型S算子BP神经网络的钢材大气腐蚀影响因子评估模型[J]. 中国腐蚀与防护学报, 2010, 30(3): 227-230.
[7]	刘威; 赵选民; 邓春龙; 李文军 . 灰色神经网络模型在海水腐蚀预测中的应用[J]. 中国腐蚀与防护学报, 2008, 28(4): 201-204 .
[8]	王海涛; 韩恩厚; 柯伟 . 基于人工神经网络模型的铝合金大气腐蚀的预测[J]. 中国腐蚀与防护学报, 2006, 26(5): 272-274 .
[9]	郁大照; 陈跃良; 段成美 . 基于神经网络的飞机结构腐蚀损伤统计研究[J]. 中国腐蚀与防护学报, 2006, 26(1): 19-21 .
[10]	王守琰; 宋诗哲 . 小波分析和神经网络研究纯锌大气腐蚀[J]. 中国腐蚀与防护学报, 2005, 25(5): 257-261 .
[11]	高志明; 宋诗哲; 徐云海 . 涂层失效过程电化学阻抗谱的神经网络分析[J]. 中国腐蚀与防护学报, 2005, 25(2): 106-109 .
[12]	刘学庆; 唐晓; 王佳 . 金属腐蚀速度与海水环境参数相关模型的人工神经网络分析[J]. 中国腐蚀与防护学报, 2005, 25(1): 11-14 .
[13]	谭晓明 . 基于人工神经网络的铝合金腐蚀预测及其精度分析[J]. 中国腐蚀与防护学报, 2004, 24(4): 218-221 .
[14]	高志明; 宋诗哲; 王守琰; 陈世利; 赖广森 . 埋地管道防护层缺陷现场检测与评价[J]. 中国腐蚀与防护学报, 2004, 24(2): 100-104 .
[15]	崔大为; 林乐耘; 赵月红 . 应用人工神经网络预测有色金属海水腐蚀的长期行为[J]. 中国腐蚀与防护学报, 2004, 24(1): 29-32 .

Viewed

Full text

Abstract

Cited

Shared

Discussed