[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

说明书

一种物理模型与数据融合驱动的管道腐蚀深度预测方法，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，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)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。

技术领域

本发明属于管道腐蚀预测技术领域，具体的为一种物理模型与数据融合驱动的管道腐蚀深度预测方法。

背景技术

管道作为长距离运输与分配气液等能源物质的重要载体，其安全稳定的运行是保障油气设备及作业人员安全的决定性因素。在管道使用过程中，易与管道运行环境或者运输物质产生腐蚀行为，导致管道内外出现腐蚀、裂纹、穿孔及泄露等现象，危及管道平稳运行与环境污染，甚者危害作业人员安全。故而，掌握管道腐蚀规律、建立科学有效的腐蚀预测模型对管道防护工作具有极大的意义。

目前用于管道腐蚀预测的主要方法分为三类，分别为：经验模型、概率统计模型以及机器学习模型。国内外研究人员基于上述三类方法利用实验数据初步实现了对管道腐蚀深度、腐蚀速率方面的预测，但均存在各方面上的不足，如：经验模型泛化能力较弱、预测精度不高；概率统计模型需要大量数据样本；大多机器学习模型需要考虑腐蚀影响因素、对数据依赖性高。因此，上述三类方法在实际应用中均较难开展。

发明内容

有鉴于此，本发明的目的在于提供一种物理模型与数据融合驱动的管道腐蚀深度预测方法，根据腐蚀探针或腐蚀挂片获取的腐蚀监测数据，实现对管道运行状态的评估，以保障其安全稳定运行。

为达到上述目的，本发明提供如下技术方案：

一种物理模型与数据融合驱动的管道腐蚀深度预测方法，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。

进一步，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。

进一步，采用最邻近算法对腐蚀监测数据中的缺失项进行插补，选择与目标缺失项距离最小的K个数据样本作为最近邻，则缺失项数据的插补方法为：

设一组腐蚀监测数据样本x_i,i＝1,2,3,…,n，则任意两个样本之间的邻近值计算如下：