[发明专利]一种物理模型与数据融合驱动的管道腐蚀深度预测方法

权利要求书

1.一种物理模型与数据融合驱动的管道腐蚀深度预测方法，其特征在于：包括如下步骤：

1)利用腐蚀探针或腐蚀挂片获取腐蚀监测数据，对腐蚀监测数据进行优化处理，获取管道腐蚀的累积腐蚀深度数据；以腐蚀监测数据和累计腐蚀深度数据构建管道的累计腐蚀深度训练数据集；

2)将管道累计腐蚀深度的物理模型融合至高斯过程回归模型的核函数，构建新的核函数，得到先验分布与测试输出的联合高斯分布；

3)以累计腐蚀深度训练数据集训练高斯过程回归模型，采用共轭梯度迭代法求解负对数似然函数，得到最优超参数集合；

4)将最优超参数集合代入高斯过程回归模型的先验分布，得到后验概率分布，并获得预测输出的均值函数与方差函数；

5)将测试数据输入训练后的高斯过程回归模型，得到管道累计腐蚀深度的预测值；

所述步骤2)中，管道累计腐蚀深度的物理模型为：

d＝pt^m

其中，p表示管道投运初期的腐蚀损失常数；m为表征管道腐蚀防护性能的常数；d表示累计腐蚀深度；t表示管道腐蚀暴露时间；

由此得到管道腐蚀深度的增量表达式为：

d^ln+Δd^ln＝A+mT+mΔT

其中，d^ln＝lnd，表示对数累计腐蚀深度；Δd^ln为对数累计腐蚀深度增量；A＝lnp；T＝lnt表示对数管道腐蚀暴露时间；ΔT表示对数管道腐蚀暴露时间增量；

对数腐蚀深度增量与对数腐蚀暴露时间增量之间呈线性关系，设管道对数腐蚀深度增量符合高斯分布，融合管道腐蚀深度的增量表达式与线性核函数，得到融合管道腐蚀深度物理模型的核函数：

k_linear(d¹ⁿ+Δd¹ⁿ，d¹ⁿ)＝k_linear(d¹ⁿ，d¹ⁿ)+k_linear(d¹ⁿ，Δd¹ⁿ)

其中，k_linear(x，y)表示线性核函数，用以描述样本特征向量x与y之间的关系；表示权值向量分量；x_i表示第i维度x样本的输入值；y_i表示第i维度y样本的输入值；k_linear(d¹ⁿ+Δd¹ⁿ，d¹ⁿ)表示融合管道腐蚀深度物理模型后的线性核函数；k_linear(d¹ⁿ，d¹ⁿ)为线性核函数，描述对数累计腐蚀深度样本间的关系；k_linear(d¹ⁿ，Δd¹ⁿ)为线性核函数，描述对数累计腐蚀深度与对数累计腐蚀深度增量间的关系；

再次将所述融合管道腐蚀深度物理模型的核函数与径向基核融合，构建得到的高斯过程回归模型的新的核函数为：

k＝k_linear×k_rbf+k_linear

其中，k表示用于累计腐蚀深度预测的核函数；k_linear表示上述融合腐蚀物理过程的线性核函数；k_rbf表示径向基核函数，定义为：

其中，x、y表示两个样本特征向量；σ²及l为超参数，分别表示样本方差以及特征长度尺度。

2.根据权利要求1所述物理模型与数据融合驱动的管道腐蚀深度预测方法，其特征在于：所述步骤1)中，对腐蚀监测数据进行优化处理方法为：

11)采用箱型图方法确定正常数据区间，将该正常数据区间之外的腐蚀监测数据视为缺失项；

12)对腐蚀监测数据中的缺失项进行插补，所述插补方法采用最邻近算法、均值插补方法、回归插补方法、多重插补方法或极大似然插补方法。