基于IWOA-PNN模型的管道焊缝腐蚀剩余强度预测_骆正山.pdf

文章编号:1009-6094(2023)02-0435-07基于 IWOAPNN 模型的管道焊缝腐蚀剩余强度预测*骆正山，肖雨，王小完(西安建筑科技大学管理学院，西安 710055)摘要:针对管道焊缝腐蚀问题构建基于改进鲸鱼优化算法(Improved Whale Optimization Algorithm，IWOA)的概率神经网络(Probabilistic Neural Network，PNN)剩余强度预测模型。首先，通过种群初始化、非线性收敛因子和惯性权重因子提高鲸鱼优化算法的寻优速度和精度;然后，利用 IWOA 算法优化 PNN 的光滑因子，构建 IWOAPNN 预测模型;最后，以水压爆破试验数据为基础，使用 MATLAB 软件进行仿真试验，并与另外 2 个模型进行对比分析。结果表明:IWOAPNN 模型的 ERMS为 0.633 1，EAR为 2.19%，R2为 0.954 6，均优于 PNN 和鲸鱼优化算法(Whale Optimization Algorithm，WOA)PNN 模型;IWOAPNN 模型与传统模型相比误差更小，能够更为准确地预测焊缝腐蚀后剩余强度，为管道的维修和更换提供参考。关键词:安全工程;管道腐蚀;焊缝;剩余强度;改进鲸鱼优化算法(IWOA);概率神经网络(PNN)中图分类号:X937文献标志码:ADOI:10.13637/j issn 1009-6094.2021.1785*收稿日期:20211009作者简介:骆正山，教授，博士，从事油气管道风险评估、建模与方法、信息管理与信息系统等研究，。基金项目:国家自然科学基金项目(41877527);陕西省社科基金项目(2018S34)0引言管道的铺设过程中，管道与管道间大多采用焊接的方式进行拼接，存在大量的焊缝。由于焊接过程中的不均匀加热和冷却会造成焊缝处耐蚀性下降1。大量事故表明2，管道的失效集中发生在焊缝处，因此，有效地预测管道焊缝腐蚀剩余强度对于管道安全与可靠性研究具有重要意义。在管道失效问题上，国内外学者从不同的角度开展了大量的研究。任伟3 利用蒙特卡洛法对环焊缝进行可靠性分析，可以简单直观地计算含缺陷管道环焊缝的可靠度。王晓敏等4 利用有限元建模法，对管道 3 种常见不规则区域开展剩余强度研究，得出不规则区域的可靠新受腐蚀和残余应力的影响明显大于规则区域。韩庆华等5 将三参数威布尔分布与焊缝的腐蚀疲劳应力 寿命(SN)曲线结合在一起，降低了预测的平均误差。Motta 等6 在蒙特卡洛结果的基础上，加入核密度估计方法计算管道失效概率，这种方法在用于复杂工程的可靠性分析时更加准确。吴锴等7 于 2021 年提出利用非线性有限元法改进环焊缝极限载荷的计算模型和失效评估图，提高了高钢级管道环焊缝裂纹缺陷的评估精度。以上研究多基于力学分析，使用有限元模型提高管道风险评估的准确度，但是不同的研究对象失效准则不同，所建模型不具有通用性，因此提出通过数学建模来对焊缝腐蚀剩余强度进行预测。目前众多学者针对管道直管部分的剩余强度建立数学模型进行预测。马钢等 8 将主成分分析法(Principal ComponentAnalysis，PCA)与支持向量回归法(Support VectorRegression，SVR)相结合对单一腐蚀缺陷油气管道剩余强度进行预测，筛选出对剩余强度影响最大的因素为管道钢级，且 PCASVR 方法的预测准确率也较高。毕傲睿等9 利用果蝇优化算法(Fruit FlyOptimization Algorithm，FOA)优化广义回归神经网络(Generalized Regression Neural Network，GRNN)来预测管道内腐蚀剩余强度，FOAGRNN 模型的预测结果优于有限元模拟结果。朱峰10 使用粒子群算法(Particle Swarm Optimization，PSO)优化 BP 神经网络(Back Propagation Neural Network，BPNN)预测管道剩余强度，该模型预测结果的平均相对误差仅为 2.923%，较为准确。2021 年，谢鹏等11将有限元模拟与深度学习相结合，研究海底管道剩余强度，为这一方向的研究提出了一种新的方法。上述研究通过数学模型有效预测管道腐蚀剩余强度，提高了预测效率和精度，但由于腐蚀影响因素较多，BP 网络收敛速度相对较慢;PCASVR 模型的预测结果均小于实际剩余强度，保守性较强;未优化的 FOA、PSO 算法寻优结果不稳 定，容 易 出 现 局 部 最 优 导 致 输 出 结 果 精 度较低。鉴于此，本文提出一种利用改进的鲸鱼优化算法(Improved Whale Optimization Algorithm，IWOA)和概率神经网络(Probabilistic Neural Network，PNN)有机结合的管道焊缝腐蚀剩余强度预测方法。用IWOA 对 PNN 的光滑因子进行优化，建立 IWOAPNN 的管道焊缝腐蚀剩余强度预测模型，根据钢管水压爆破试验压力数据进行调整得到焊缝相关数据进行实证研究，并通过指标和对比模型来进行验证和分析。534第 23 卷第 2 期2023 年 2 月安全 与 环 境 学 报Journal of Safety and EnvironmentVol 23No 2Feb，20231理论基础1.1概率神经网络(PNN)PNN 是一种前馈型神经网络，优秀的泛化和快速学习的能力使其已被广泛运用于非线性函数的拟合回归、模式分类识别等领域12，PNN 拓扑结构图见图1。图中 k1，k2，kn为输入特征向量，l1，l2，lm为输出特征向量，输入层将输入样本传递给模式层，模式层通过式(1)计算影响因素特征向量与训练集中剩余强度的匹配关系。f(K，Wi)=exp(K Wi)T(K Wi)22(1)式中K 为输入特征向量，Wi为输入层与模式层之间的权值，为光滑因子。在求和层中，依据内部竞争法求和估计各剩余强度的概率，输出层根据上层的概率估计，利用贝叶斯理论进行判别而后输出。PNN 结构简单，优化参数单一，更容易训练，因此选用概率神经网络构建管道焊缝腐蚀剩余强度的模型。其中，光滑因子的取值会影响预测结果的准确性，因此，优化 PNN 模型的重点在于利用算法调节光滑因子，并减少人为因素的影响。图 1PNN 拓扑结构图Fig 1PNN topology diagram1.2鲸鱼优化算法自然界中鲸鱼种群在围捕猎物时，会潜入底部营造出独特的圆圈型气泡网，将猎物限制在一个较小的范围，而后由下往上到达海面开始进食。鲸鱼捕食行为示意图见图 2。Mirjalili 等13 根据鲸鱼捕食的这一特征于 2016 年提出了鲸鱼优化算法(Whale Optimization Algorithm，WOA)算法，该算法为一种元启发式算法。鲸鱼优化算法操作简单，调整参数少，可以与其他算法很好地结合在一起来解决寻优问题。鲸鱼捕食行为分 3 个阶段:收缩包围、气泡网狩猎和搜索猎物。鲸鱼狩猎阶段和搜索阶段的寻优定位具有如下关系。W(t+1)=W*(t)ADp 50%Deblcos(2l)+W*(t)p 50%(2)W(t+1)=Wrand(t)AD(3)图 2鲸鱼捕食行为示意图Fig 2Schematic diagram of whale predation behavior式中t 为迭代次数;W(t+1)为第 t+1 次迭代时鲸鱼的位置;W*(t)为当前最优位置向量;A 为系数向量;D=|CW*(t)W(t)|，D 为当前鲸鱼距猎物的位置，W(t)为第 t 次迭代时鲸鱼的位置，C 为系数向量，|为绝对值，表示逐元素相乘;D=|W*(t)W(t)|，D为第 i 个鲸鱼距猎物的距离;l1，1，p 0，1，均为随机数;b 为常数;Wrand为当前种群中随机选择的位置向量。2算法改进与试验方案2.1改进鲸鱼优化算法2.1.1Cubic 混沌映射初始化种群在群体智能算法中，初始阶段粒子的均匀分布便于后续结果的优化14，可以显著提高算法性能15。WOA 算法通常使用随机数法生成初始种群，不均匀的种群分布会降低搜索效率。混沌是一种非线性动态随机行为，可以在初始种群中产生良好的多样性，使粒子搜索面积遍及全部搜索区域，且不改变其随机性16。Feng 等17 通过计算最大Lyapunov 指数对比常用的一维混沌映射，得出 Cubic映射的混沌性与 Logistic 映射、Tent 映射的最大Lyapunov 指数相近，且优于 Sine 映射、Circle 映射、Singer 映射和 Kent 映射等一维映射。Cubic 混沌映射的表达式如下。634Vol 23No 2安全 与 环 境 学 报第 23 卷第 2 期xn+1=xn(1 x2n)(4)式中xn为鲸鱼种群的混沌序列，xn(0，1);为控制参数，(1.5，3)。根据式(4)运用 MATLAB 软件进行仿真，得出在 =2.59 时，Cubic 映射具有较好的混沌遍历性，仿真结果见图 3。图 3Cubic 混沌映射Fig 3Cubic mapping2.1.2收敛因子的改进调整 WOA 算法中的参数 A 可以改变算法的搜索范围，而参数 A 主要受收敛因子 a 的影响18。a较大时，算法搜索范围广;a 较小时，算法搜索范围变小，收敛速度变快。原算法中参数 A 的表达式为A=2ar a(5)式中a 随迭代次数增加而由2 到0 线性减小;r 为 0，1 的随机数。原算法中收敛因子线性递减，收敛速度较慢。采用非线性调整的方式，可以在不改变 a 递减趋势的同时，提高算法搜索能力。a 的改进过程如下。a(t)=aini(aini afin)tan4tT()max()2(6)式中aini、afin为收敛因子的初值和终值;Tmax为最大迭代次数。改进后的收敛因子递减趋势见图 4。初期 a 下降缓慢，算法注重全面搜索，后期 a 下降迅速，快速收敛结束运算。2.1.3自适应权重的加入惯性权重是鲸鱼优化算法中的一个重要参数16，影响算法的全局勘测能力和局部开发能力。在 WOA 中加入自适应权重因子调节鲸鱼个体位置更新，通过多次试验得出如下关系。(t)=max(max min)sin2tT()max()3(7)式中(t)为第 t 次迭代时的惯性权重;max、min为惯性权重的最大值和最小值。迭代初期，(t)接近迭代初始值 max，算法注重全局搜索;迭代后期，(t)大幅度趋近于 min，专注局部搜索完成整个迭代过程。调整后惯性权重递减趋势见图 5。图 5权重因子调整图Fig 5Weight factor adjustment graph将式(7)代入式(2)，得到如下更新位置的如下。W(t+1)=W*(t)ADp 50%Deblcos(2l)+W*(t)p 50%(8)2.2基于 IWOAPNN 模型的试验方案参照式(9)对数据进行归一化处理，以消除量纲差异。k*ij=kij min(kj)max(kj)min(kj)(9)式中k*ij为归一化后的值;kij为第 i 组数据中第 j图 4收敛因子调整图Fig 4Convergence factor adjustment graph7342023 年 2 月骆正山，等:基于 IWOAPNN 模型的管道焊缝腐蚀剩余强度预测Feb，2023个影响因素;max(kj)，min(kj)分别为第 j 个影响因素的最大值和最小值。设影响管道焊缝腐蚀剩余强度的因素为 K=(K1，K2，Kn)T，输入初始参数为种群规模 N、Tmax、aini、afin、max、min，初始迭代次数 t=0;计算个体适应度，并记录其对应的位置向量;使用式(6)计算 a，同时更新 A、C、l、p 和;如果|A|1，由式(3)更新下一代的位置;如果|A|1，由式(8)更新下一代的位置;循环上述步骤，当满足误差精度要求或者迭代到最大次数后终止算法，将当前最优参数赋值给 PNN 神经网络进行训练和预测，运用 MATLAB 软件运算输出剩余强度。表 1焊缝腐蚀测试压