基于參數(shù)優(yōu)化神經(jīng)網(wǎng)絡(luò)的海底油氣管道腐蝕泄漏預(yù)測(cè)

魯中歧， 肖文生， 崔俊國(guó)*， 張楊， 王魁濤， 尹豐

(1.中國(guó)石油大學(xué)(華東)機(jī)電工程學(xué)院， 青島 266580；2.中海油研究總院有限責(zé)任公司， 北京 100028)

油氣資源開(kāi)采逐漸向深海轉(zhuǎn)移，海底油氣管道擔(dān)任起油氣運(yùn)輸?shù)闹厝?，但在運(yùn)作過(guò)程中不可避免地會(huì)出現(xiàn)因腐蝕等原因?qū)е碌男孤┦?，污染自然環(huán)境，甚至危害工作人員生命安全，因此一種海底管道腐蝕泄漏預(yù)測(cè)技術(shù)的開(kāi)發(fā)極有必要。該預(yù)測(cè)技術(shù)的研發(fā)，在海洋油氣運(yùn)輸安全方面具有重要意義。

目前中外學(xué)者在該領(lǐng)域已展開(kāi)深入研究，提出了灰色預(yù)測(cè)模型，灰色理論與馬爾可夫鏈結(jié)合的預(yù)測(cè)模型以及一些機(jī)器學(xué)習(xí)算法，如隨機(jī)森林、神經(jīng)網(wǎng)絡(luò)等也逐漸應(yīng)用于海底管道腐蝕泄漏的預(yù)測(cè)中。Valor等[1]提出了兩種利用馬爾可夫鏈建立的不同的點(diǎn)蝕模型，對(duì)點(diǎn)蝕坑的生長(zhǎng)進(jìn)行了預(yù)測(cè)； Ren等[2]將反向傳播(back propagation，BP)神經(jīng)網(wǎng)絡(luò)應(yīng)用于長(zhǎng)輸管道腐蝕速率的預(yù)測(cè)，建立管道內(nèi)腐蝕速率預(yù)測(cè)模型，預(yù)測(cè)結(jié)果較為可靠。還有許多學(xué)者將多種算法綜合運(yùn)用，提出了組合預(yù)測(cè)模型。駱正山等[3]提出了一種利用隨機(jī)森林(random forest，RF)篩選腐蝕因素相關(guān)變量，蝗蟲(chóng)算法(grasshopper optimization algorithm，GOA)優(yōu)化相關(guān)向量機(jī)(relevant vector machine，RVM)的預(yù)測(cè)模型，穩(wěn)定度和準(zhǔn)確度相比于傳統(tǒng)單一模型得到了提高；駱正山等[4]還采取主成分分析法(principal component analysis，PCA)對(duì)試驗(yàn)所得數(shù)據(jù)進(jìn)行降維，用天牛須搜索(beetle antennae search，BAS)算法優(yōu)化投影尋蹤回歸(projection pursuit regression，PPR)預(yù)測(cè)模型對(duì)海底管道腐蝕速率展開(kāi)預(yù)測(cè)，為管道腐蝕預(yù)測(cè)提供了新思路；張新生等[5]在對(duì)腐蝕數(shù)據(jù)進(jìn)行因子分析降維處理以后，建立了改進(jìn)的隨機(jī)森林模型對(duì)海底管道腐蝕速率進(jìn)行預(yù)測(cè)，該模型穩(wěn)定性較好。

目前，一些模型的單一應(yīng)用或多或少的會(huì)出現(xiàn)誤差較大、欠學(xué)習(xí)、過(guò)擬合等問(wèn)題，而組合模型存在未考慮變量之間相互影響關(guān)系、過(guò)多考慮預(yù)測(cè)精度導(dǎo)致計(jì)算量增加、專(zhuān)注于模型穩(wěn)定性導(dǎo)致預(yù)測(cè)精度下降等問(wèn)題?；谝陨蠁?wèn)題，采用斯皮爾曼相關(guān)系數(shù)尋找各自變量因素中相關(guān)性較高的因素，采用隨機(jī)森林(random forest，RF 重要性評(píng)估的方法在各腐蝕影響因素對(duì)腐蝕速率的貢獻(xiàn)度方面進(jìn)行排序，并剔除相關(guān)性較高的因素中對(duì)腐蝕速率貢獻(xiàn)度較低的變量因素，選用篩選后的影響因素建立粒子群(particle swarm optimization，PSO)算法優(yōu)化的前饋神經(jīng)網(wǎng)絡(luò)(back propagation neural network，BPNN)預(yù)測(cè)模型進(jìn)行腐蝕速率的預(yù)測(cè)。以期為海底管道泄漏風(fēng)險(xiǎn)的精準(zhǔn)預(yù)測(cè)以及高效控制提供依據(jù)。

1 研究方法

1.1 斯皮爾曼相關(guān)系數(shù)

斯皮爾曼相關(guān)系數(shù)可以用來(lái)衡量?jī)蓚€(gè)變量之間的相關(guān)性，取值范圍為[-1,1]，計(jì)算公式為

(1)

式(1)中：rs為斯皮爾曼相關(guān)系數(shù)；n為樣本數(shù)；di為排序(升序或降序)好后的兩個(gè)變量之間的等級(jí)差。

當(dāng)一個(gè)變量表現(xiàn)為增加趨勢(shì)時(shí)，另一個(gè)變量同樣趨向于增加，則相關(guān)系數(shù)為正，反之為負(fù)，相關(guān)系數(shù)的絕對(duì)值越接近于1，相關(guān)性越強(qiáng)，越接近于0，相關(guān)性越弱。

1.2 隨機(jī)森林重要度評(píng)估

通常情況下，一個(gè)數(shù)據(jù)集往往有多個(gè)特征，如何選擇對(duì)結(jié)果影響較大的那幾個(gè)特征，以此來(lái)縮減建立模型時(shí)的特征數(shù)是一個(gè)問(wèn)題，選用隨機(jī)森林重要性評(píng)估的方法對(duì)影響腐蝕速率的多個(gè)因素進(jìn)行重要度排序。

隨機(jī)森林在選取數(shù)據(jù)集訓(xùn)練決策樹(shù)時(shí)，采用對(duì)輸入樣本集合進(jìn)行多次放回重復(fù)抽樣[6]的方法，該方法會(huì)導(dǎo)致樣本集合中有數(shù)據(jù)多次重復(fù)出現(xiàn)，同時(shí)也說(shuō)明在一個(gè)樣本集合中，會(huì)有部分?jǐn)?shù)據(jù)不參與決策樹(shù)訓(xùn)練，該部分?jǐn)?shù)據(jù)稱(chēng)之為袋外數(shù)據(jù)，在特征變量選擇中，就是基于袋外數(shù)據(jù)對(duì)每個(gè)特征變量重要性進(jìn)行計(jì)算，然后排序，選擇重要性較高的特征為后續(xù)模型的建立做準(zhǔn)備。其中，對(duì)于某個(gè)特征的重要性計(jì)算步驟如下[7]。

Step1選擇每一棵決策樹(shù)相應(yīng)的袋外數(shù)據(jù)進(jìn)行袋外數(shù)據(jù)誤差計(jì)算，記為Error1i。

Step2隨機(jī)加入干擾信號(hào)，重復(fù)步驟1，記為Error2i。

Step3假設(shè)森林中有N棵樹(shù)，則該特征的重要性I可表示為

(2)

若干擾信號(hào)加入后，袋外數(shù)據(jù)準(zhǔn)確率下降幅度較大，說(shuō)明該特征重要程度較高。

1.3 粒子群算法

PSO屬于進(jìn)化算法的一種，其算法規(guī)則較為簡(jiǎn)單，具有實(shí)現(xiàn)容易、收斂快、精度高等優(yōu)點(diǎn)[8]。該算法中粒子根據(jù)種群最優(yōu)和個(gè)體最優(yōu)兩個(gè)因素來(lái)實(shí)現(xiàn)自我更新，在找到這兩個(gè)最優(yōu)值后，粒子通過(guò)以下公式實(shí)現(xiàn)自己速度和位置的更新[9-11]。

速度更新公式為

vi=ωvi+c1rand(·)(pbesti-xi)+

c2rand(·)(gbesti-xi)

(3)

式(3)中：vi為粒子速度；i=1,2，…，N′，其中N′為粒子總數(shù)；ω為慣性因子；c1、c2為學(xué)習(xí)因子，通常取2；rand(·)為[1 2]的隨機(jī)數(shù)；pbesti為個(gè)體最優(yōu)；gbesti為種群最優(yōu)；xi為當(dāng)前粒子所在位置。

位置更新公式為

xi=xi+vi

(4)

1.4 BP神經(jīng)網(wǎng)絡(luò)

輸入、輸出層及隱層構(gòu)成神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，各層之間有相應(yīng)連接權(quán)值[11-12]， BP神經(jīng)網(wǎng)絡(luò)的主要思想是：輸入學(xué)習(xí)樣本，經(jīng)反復(fù)訓(xùn)練，使輸出值與期望值盡可能地接近，當(dāng)誤差低于指定要求后，將網(wǎng)絡(luò)權(quán)值和偏差進(jìn)行保存，完成訓(xùn)練[13]。具體步驟如圖1所示。

W、b分別為各層之間的權(quán)值、閾值矩陣圖1 神經(jīng)網(wǎng)絡(luò)模型建立流程圖Fig.1 Flow chart of neural network model establishment

圖2 預(yù)測(cè)模型建立流程圖Fig.2 Flow chart of prediction model establishment

2 模型構(gòu)建

2.1 模型建立

對(duì)海底管道腐蝕速率的影響因素進(jìn)行斯皮爾曼相關(guān)性分析，隨后采用隨機(jī)森林袋外數(shù)據(jù)誤差進(jìn)行影響因素重要性排序，篩選重要性高的特征參與粒子群優(yōu)化-反向傳播神經(jīng)網(wǎng)絡(luò)(particle swarm optimization-back propagation neural network，PSO-BPNN)預(yù)測(cè)模型的建立，完整模型的建立流程圖如圖2所示。

基于RF-PSO-BPNN海底管道腐蝕預(yù)測(cè)模型，經(jīng)數(shù)據(jù)篩選后，避免了大量強(qiáng)相關(guān)性數(shù)據(jù)影響建模的冗余度及精確度問(wèn)題，數(shù)據(jù)維度的降低有助于提高模型優(yōu)化及訓(xùn)練的速度，具體運(yùn)行過(guò)程如下。

Step1數(shù)據(jù)預(yù)處理。計(jì)算初始樣本各影響因素之間斯皮爾曼相關(guān)系數(shù)，分析其相關(guān)性，找出相關(guān)性較大的特征；將初始樣本數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，利用隨機(jī)森林袋外數(shù)據(jù)誤差進(jìn)行各影響因素的重要性排序，剔除上述相關(guān)性較大的因素中重要性較小者，并按照重要性排序選取重要性較大的特征進(jìn)行后續(xù)建模。

Step2模型參數(shù)的確定。設(shè)定粒子群種群規(guī)模、進(jìn)化次數(shù)、權(quán)重因子等參數(shù)，完成粒子位置、速度的初始化；確定神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)、訓(xùn)練次數(shù)、學(xué)習(xí)速率及訓(xùn)練目標(biāo)等參數(shù)。

Step3模型訓(xùn)練。將篩選后的數(shù)據(jù)進(jìn)行歸一化處理后，分為訓(xùn)練集和測(cè)試集，訓(xùn)練集用于模型的訓(xùn)練，測(cè)試集用于模型的檢驗(yàn)。

Step4模型檢驗(yàn)。根據(jù)測(cè)試集預(yù)測(cè)結(jié)果，計(jì)算均方誤差、平均絕對(duì)誤差等來(lái)對(duì)所建立的模型進(jìn)行評(píng)價(jià)。

2.2 模型檢驗(yàn)

為驗(yàn)證RF-PSO-BPNN海底管道腐蝕預(yù)測(cè)模型的預(yù)測(cè)精度，采用平均絕對(duì)誤差(mean absolute error，MAE)、均方誤差(mean square error，MSE)以及決定系數(shù)R2來(lái)對(duì)模型進(jìn)行檢驗(yàn)評(píng)價(jià)，計(jì)算公式為

(5)

(6)

(7)

3 實(shí)例分析

3.1 數(shù)據(jù)預(yù)處理

以某海底管段為例，進(jìn)行實(shí)海腐蝕掛片實(shí)驗(yàn)，部分腐蝕實(shí)驗(yàn)數(shù)據(jù)如表1[4]所示。

用式(1)計(jì)算n1～n7影響因素中兩兩之間的斯皮爾曼相關(guān)系數(shù)，相關(guān)系數(shù)矩陣如圖3所示。

由圖3可知，部分影響因素之間存在較強(qiáng)的相關(guān)性，而強(qiáng)相關(guān)性的因素不僅會(huì)增加模型的冗余度還會(huì)影響模型精度，因此分析相關(guān)性后需進(jìn)行降維處理，圖中斯皮爾曼相關(guān)系數(shù)超過(guò)0.55的有pH(n5)和氧化還原電位(n4)、pH(n5)和附著海洋生物(n6)、溫度(n1)和附著海洋生物(n6)。接下來(lái)采用隨機(jī)森林計(jì)算各影響因素對(duì)腐蝕速率的重要度。首先用式(8)將表1中的腐蝕數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理。

(8)

確定隨機(jī)森林參數(shù)葉子大小及決策樹(shù)的數(shù)量，分別取葉子大小為5、10、20、50、100，決策樹(shù)數(shù)量為200，將訓(xùn)練數(shù)據(jù)按照式(8)進(jìn)行標(biāo)準(zhǔn)化處理，以消除不同因素量綱不同對(duì)模型精度的影響，代入標(biāo)準(zhǔn)化后的數(shù)據(jù)進(jìn)行訓(xùn)練，訓(xùn)練結(jié)果如圖4所示。

由圖4可知，紅色線(xiàn)始終處于最低位，即在上述5種葉子大小中，當(dāng)葉子大小為5時(shí)均方誤差最小，各曲線(xiàn)在樹(shù)的數(shù)量到達(dá)50時(shí)便不再有大幅度的下降，故在該模型中，葉子大小選取5，決策樹(shù)的數(shù)量選取50較為合適。選取以上參數(shù)建立隨機(jī)森林模型，進(jìn)行各影響因素重要度計(jì)算并排序，如圖5所示。

圖3 斯皮爾曼相關(guān)系數(shù)矩陣Fig.3 Spearman correlation coefficient matrix

圖4 RF模型參數(shù)擇優(yōu)Fig.4 RF model parameter optimization

表1 部分腐蝕試驗(yàn)數(shù)據(jù)Table 1 Partial corrosion test data

圖5 變量重要性排序Fig.5 Importance ranking of variables

由圖5可知，變量重要性依次為：pH(n5)、附著海洋生物(n6)、溶氧量(n2)、含鹽度(n3)、溫度(n1)、海水流速(n7)、氧化還原電位(n4)。結(jié)合上述斯皮爾曼相關(guān)性分析，pH(n5)和氧化還原電位(n4)、附著海洋生物(n6)相關(guān)性較強(qiáng)，而pH重要性較高，故剔除氧化還原電位和附著海洋生物兩項(xiàng)影響因素，剔除后按照重要性排序選取前4項(xiàng)影響因素分別為：pH(n5)、溶氧量(n2)、含鹽度(n3)、溫度(n1)。

3.2 模型參數(shù)確定

3.2.1 RFR模型參數(shù)確定

根據(jù)圖5及3.1節(jié)的分析，選取葉子大小為5，決策樹(shù)數(shù)量為50建立隨機(jī)森林回歸模型，當(dāng)樣本數(shù)量足夠大時(shí)，由于隨機(jī)森林采用放回抽樣加交叉驗(yàn)證，所以一般不會(huì)出現(xiàn)過(guò)擬合的現(xiàn)象，而樣本數(shù)量較少時(shí)，不劃分訓(xùn)練集、測(cè)試集大概率會(huì)出現(xiàn)過(guò)擬合現(xiàn)象，因此在此選用總樣本的75%作為訓(xùn)練集，剩下的25%作為測(cè)試集進(jìn)行隨機(jī)森林回歸模型的建立。

3.2.2 BPNN模型參數(shù)確定

將篩選后的數(shù)據(jù)進(jìn)行歸一化處理，神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)集的劃分，若訓(xùn)練集劃分過(guò)少容易出現(xiàn)訓(xùn)練力度不足的問(wèn)題，若訓(xùn)練集過(guò)多，測(cè)試集過(guò)少則無(wú)法確定所訓(xùn)練模型的好壞。根據(jù)現(xiàn)有數(shù)據(jù)規(guī)模，選取總樣本集的75%作為訓(xùn)練集，25%作為測(cè)試集。依據(jù)上述篩選出的數(shù)據(jù)，將4個(gè)影響因素作為輸入，腐蝕速率作為輸出。故BP神經(jīng)網(wǎng)絡(luò)中輸入層神經(jīng)元個(gè)數(shù)為4，輸出層神經(jīng)元個(gè)數(shù)為1，隱層神經(jīng)元個(gè)數(shù)的確定至關(guān)重要，根據(jù)經(jīng)驗(yàn)公式[式(9)]確定為10，最大迭代次數(shù)為300次，期望誤差為0.000 1，學(xué)習(xí)速率設(shè)置為0.01，激活函數(shù)選擇Sigmoid函數(shù)，計(jì)算公式為

(9)

式(9)中：l為隱層神經(jīng)元個(gè)數(shù)；m為輸入層神經(jīng)元個(gè)數(shù)；nneu為輸出層神經(jīng)元個(gè)數(shù)；a為隱層神經(jīng)元個(gè)數(shù)計(jì)算經(jīng)驗(yàn)公式的輔助計(jì)算參數(shù)，取值為1～10。

(10)

所建立的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)拓?fù)鋱D如圖6所示。

x1～x4為輸入變量；y為輸出變量； W1、W2分別為輸入層到隱層、隱層到輸出層的權(quán)值矩陣； b1、b2分別為輸入層到隱層、隱層到輸出層的閾值矩陣圖6 神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)圖Fig.6 Topology of neural network

3.2.3 PSO參數(shù)確定

按照文獻(xiàn)[14]，c1、c2取2，種群規(guī)模為30，迭代次數(shù)為150，為避免陷入局部最優(yōu)或全局最優(yōu)，設(shè)置動(dòng)態(tài)權(quán)重因子w，其表達(dá)式為

(11)

式(11)中：we、ws為粒子群優(yōu)化算法中動(dòng)態(tài)權(quán)重因子的調(diào)節(jié)系數(shù)，ws取0.9，we取0.1；i為當(dāng)前迭代次數(shù)；mtotal為總迭代次數(shù)。

3.3 結(jié)果分析

按照3.2節(jié)參數(shù)設(shè)置，帶入篩選后的數(shù)據(jù)分別進(jìn)行5次模型訓(xùn)練，MAE、MSE和R2分別按照式(5)～式(7)來(lái)進(jìn)行計(jì)算，并計(jì)算5次訓(xùn)練結(jié)果的平均值，其中BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型各評(píng)判標(biāo)準(zhǔn)如表2所示，預(yù)測(cè)結(jié)果與實(shí)際值曲線(xiàn)如圖7所示。

測(cè)試集預(yù)測(cè)結(jié)果曲線(xiàn)如圖8所示，隨機(jī)森林回歸預(yù)測(cè)模型5次訓(xùn)練的各評(píng)判標(biāo)準(zhǔn)如表3所示。

由表2、表3可知，隨機(jī)森林回歸預(yù)測(cè)模型MAE和MSE的5次訓(xùn)練結(jié)果平均值分別為1.289 96、2.804 12，均低于BP神經(jīng)網(wǎng)絡(luò)模型的1.593 46和3.370 44，可見(jiàn)該模型誤差較小，但決定系數(shù)為0.620 62，較神經(jīng)網(wǎng)絡(luò)模型低0.13，即預(yù)測(cè)值與實(shí)際值的相關(guān)性較弱，擬合度較差，在進(jìn)行長(zhǎng)期預(yù)測(cè)時(shí)，難免會(huì)出現(xiàn)較大誤差，反觀BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，由圖7、圖8可知，預(yù)測(cè)值與實(shí)際值趨勢(shì)較為一致，因此只需優(yōu)化算法進(jìn)行優(yōu)化，提高預(yù)測(cè)精度即可，采用粒子群優(yōu)化算法來(lái)優(yōu)化神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，建立了PSO-BPNN預(yù)測(cè)模型，預(yù)測(cè)結(jié)果如下。

表2 BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)結(jié)果分析Table 2 Analysis of prediction results of BP neural network model

圖7 神經(jīng)網(wǎng)絡(luò)測(cè)試集預(yù)測(cè)結(jié)果曲線(xiàn)Fig.7 Curves of prediction results of neural network test set

圖8 隨機(jī)森林回歸模型測(cè)試集預(yù)測(cè)結(jié)果曲線(xiàn)Fig.8 Curves of prediction results of test set of random forest regression model

根據(jù)3.2節(jié)設(shè)置好的參數(shù)進(jìn)行粒子群算法的迭代過(guò)程，如圖9所示。其中以神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值誤差作為適應(yīng)度值，由圖9可知，在迭代次數(shù)進(jìn)行到約20次時(shí)，已達(dá)最優(yōu)，將優(yōu)化好的權(quán)值、閾值重新賦予BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，再次進(jìn)行訓(xùn)練建模，模型評(píng)判指標(biāo)如表4所示，預(yù)測(cè)值與真實(shí)值曲線(xiàn)如圖10所示。

表3 隨機(jī)森林回歸模型預(yù)測(cè)結(jié)果分析Table 3 Analysis of prediction results of random forest regression model

圖9 粒子群算法迭代過(guò)程Fig.9 Iterative process of particle swarm optimization algorithm

表4 PSO-BPNN模型預(yù)測(cè)結(jié)果分析Table 4 Analysis of prediction results of PSO-BPNN model

由表4可知，經(jīng)優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型MAE、MSE分別為0.790 09、0.729 37，比未優(yōu)化的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型提高了0.803 37、2.641 07，預(yù)測(cè)精度有了顯著提升，R2為0.915 1，接近于“1”，相比于隨機(jī)森林和未優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)兩種模型也都有了顯著的提高，證明了PSO-BPNN海底管道腐蝕預(yù)測(cè)模型預(yù)測(cè)性能更優(yōu)，可為海底管道腐蝕泄漏預(yù)測(cè)研究提供參考。

4 軟件編制

基于以上所建立模型，編制了一款集神經(jīng)網(wǎng)絡(luò)、隨機(jī)森林以及粒子群優(yōu)化下的神經(jīng)網(wǎng)絡(luò)為一體的多模型管道腐蝕預(yù)測(cè)軟件，該軟件包括隨機(jī)森林回歸預(yù)測(cè)、神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)和粒子群優(yōu)化下的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)3個(gè)模塊，操作過(guò)程如下。

圖11為登錄界面，用戶(hù)輸入相應(yīng)賬號(hào)及密碼即可進(jìn)入軟件。

首先進(jìn)入軟件主界面，如圖12所示，用戶(hù)根據(jù)自己需要選擇合適的模型，點(diǎn)擊左側(cè)欄相應(yīng)模型下的確認(rèn)按鈕即可進(jìn)入該模型進(jìn)行預(yù)測(cè)。

軟件各預(yù)測(cè)模塊截面如圖13所示，將經(jīng)驗(yàn)數(shù)據(jù)讀取后，輸入各模型相應(yīng)參數(shù)，即可完成模型的訓(xùn)練，在右側(cè)欄及模型檢驗(yàn)處可查看該次訓(xùn)練模型的優(yōu)劣，模型訓(xùn)練完成后，讀取所要預(yù)測(cè)數(shù)據(jù)，點(diǎn)擊預(yù)測(cè)按鈕即可實(shí)現(xiàn)該讀入數(shù)據(jù)的預(yù)測(cè)。

圖10 PSO-BPNN預(yù)測(cè)模型預(yù)測(cè)結(jié)果分析Fig.10 Analysis of prediction results of PSO-BPNN prediction model

圖11 登錄界面Fig.11 Login interface

圖12 軟件主界面Fig.12 Software main interface

圖13 軟件預(yù)測(cè)界面Fig.13 Software prediction interface

該軟件與所述模型相對(duì)應(yīng)，用戶(hù)可根據(jù)不同需求選擇不同的預(yù)測(cè)模型來(lái)實(shí)現(xiàn)相應(yīng)的功能，模型的訓(xùn)練不需反復(fù)的去調(diào)整程序，只需簡(jiǎn)單的修改界面參數(shù)即可完成，方便快捷，上手簡(jiǎn)單，易于操作，極大節(jié)省了不同條件下的數(shù)據(jù)預(yù)測(cè)時(shí)模型的建立時(shí)間。

5 結(jié)論

針對(duì)現(xiàn)有管道腐蝕預(yù)測(cè)模型的局限性，提出了一種基于RF-PSO-BPNN的海底管道腐蝕泄漏預(yù)測(cè)模型，并驗(yàn)證了其可行性，得出如下結(jié)論。

(1)影響海底管道腐蝕速率的因素有許多，且一些影響因素間存在較強(qiáng)相關(guān)性，在此先采用斯皮爾曼相關(guān)系數(shù)對(duì)影響因素間的相關(guān)性進(jìn)行分析，找出相關(guān)性較強(qiáng)的因素，隨后采用隨機(jī)森林進(jìn)行影響因素重要性排序，剔除掉相關(guān)性較強(qiáng)且重要性較小的因素，成功篩選出重要性較高且相關(guān)性較弱的四項(xiàng)因素，有效降低了因素間相關(guān)性及因素的冗余性對(duì)預(yù)測(cè)精度的影響。

(2)對(duì)比BPNN和RFR兩種預(yù)測(cè)模型，發(fā)現(xiàn)BPNN預(yù)測(cè)模型較RFR擬合度較好，但預(yù)測(cè)精度稍差，因此采用PSO優(yōu)化算法對(duì)BPNN的權(quán)值、閾值進(jìn)行優(yōu)化，建立了PSO-BPNN預(yù)測(cè)模型，該模型MAE僅為0.790 09，比未優(yōu)化的模型提高了0.803 77，MSE提高了2.641 07，且R2為0.915 14，接近于1，可見(jiàn)優(yōu)化后的模型在預(yù)測(cè)精度及擬合度等方面都有了顯著的提高?？蓪?duì)不同工況下的油氣運(yùn)輸管道腐蝕泄漏風(fēng)險(xiǎn)進(jìn)行較為精準(zhǔn)的預(yù)測(cè)，延長(zhǎng)海底油氣管道的生命周期。

(3)基于所建立模型，編制了管道腐蝕預(yù)測(cè)軟件，使管道腐蝕泄漏預(yù)測(cè)工作更為簡(jiǎn)單方便。