支持向量機在管道腐蝕速率預測的應用研究

＊趙清娜秦海燕

（1.南京市燃氣工程設計院有限公司 江蘇 210009 2.中國石油工程建設有限公司華北分公司 河北 062550）

支持向量機在管道腐蝕速率預測的應用研究

＊趙清娜1秦海燕2

（1.南京市燃氣工程設計院有限公司 江蘇 210009 2.中國石油工程建設有限公司華北分公司 河北 062550）

埋地管道腐蝕速率的影響因素很多,用支持向量機法和人工神經網絡方法對腐蝕速率進行研究,并對兩種方法進行對比，得出支持向量機法較神經網絡具有較高的識別準確率。

SVR；BP；非線性；腐蝕速率；埋地管道

引起長輸管道腐蝕的因素很多，實踐證明，最小二乘法在進行非線性擬合時效果不是很理想。目前應用最廣的非線性擬合方法是人工神經網絡法（Artificial Neural Network，ANN）和支持向量法(Support Vector Regression，SVR)。

本文將兩種方法用于處理管道腐蝕數據，通過比較仿真訓練結果，得出在小樣本模擬訓練時，SVR法優于BP法。

1.BP神經網絡法分析腐蝕數據

目前應用最廣、研究最多的神經網絡是BP神經網絡（Back Propagation NN） ，它是人工神經網絡模型的一種。對管道腐蝕速率產生主要影響因素有：PH值、含鹽量（包括HCO3-、Cl-、SO42-等）、含水量、土壤氧化還原電位、電阻率等，即輸入層節點為7。管道腐蝕速率為輸出層節點，數值為1。由上可得隱含層節點數：

式中：n--隱蔽層的節點數；

ni--輸入層的節點數；

n0--輸出層的節點數；

a--1～10之間的常數。

預測值的訓練預測結果見表1:

表1 BP法訓練預測效果

2.支持向量機法分析腐蝕數據

支持向量機理論可以應用于多元非線性、函數形式不確定的問題的求解與分析。在將結構的風險最小化與數學理論基礎和原則結合的情況下，支持向量機理論不僅具有較強的泛化能力和算法全局最優性，而且支持向量機的學習效率相對也較高。

設自變量x∈Rn。對于給定的非線性訓練集用式（2）統一表示擬合函數：

將式（3）的求解問題采用Phillips方法轉化為二次規劃問題的解，如式（4）表示：

將式（4）以Wolf對偶規劃為依據進一步整理為對偶規劃問題，見式（5）：

通過擬合訓練，預測結果見表2：

3.BP人工神經網絡與支持向量機（SVR法）的比較

將表1、表2所得結果作圖如下：

由上圖看出，SVR法所得數據與實測值曲線起伏狀況一致，在對具有相似性質的試驗數據進行預測時，SVR法可以更好的預測結果，支持向量機法的適用性更強。

表2 SVR法擬合預測效果

SVR與BP法結果比較圖

4.結束語

(1)BP法和SVR法在非線性回歸中表現出很好的學習能力，實例表明,在小樣本情況下, SVR法可以有效克服BP法預測時的固有缺陷, SVR法的預測精度要高于BP法。

(2)SVM方法可以推廣應用到長輸管道腐蝕速率預測中，對于管道剩余壽命的預測提供一定的理論基礎。

[1]趙清娜．埋地管道土壤腐蝕性與防護研究[D]．中國石油大學,2011．

[2]Simon Haykin．神經網絡原理[M]．葉世偉,史忠植譯．北京：機械工業出版社,2004:109-121．

[3]Martin Hagan T,Howard Demuth B,Mark Beale H,et al．神經網絡設計[M]．戴葵譯．北京:機械工業出版社,2002:197-221．

[4]蔣宗禮．人工神經網絡導論[M]．北京:高等教育出版社,2001: 97-106．

[5]蘭浩．應用支持向量回歸預測膠凝原油啟動屈服應力[J]．中國石油大學學報(自然科學版),2003,15(11):1580-1585．

(責任編輯 責聰)

Application of Support Vector Machine in Pipeline Corrosion Rate Prediction

Zhao Qingna1, Qin Haiyan2
（1.Fuel Gas Engineering Design Institute co., ltd. of Nanjing, Jiangsu, 210009 2.North China Branch Company, China Petroleum Engineering and Construction Corporation, Hebei, 062550）

There are lots of factors in fl uencing the corrosion rate of buried pipeline. Use support vector machine method and arti ficial neural network method to study the corrosion rate, besides, compare the two methods, finally, it has been got that the support vector machine has higher recognition accuracy than the neural network method.

SVR；BP；nonlinearity；corrosion rate；buried pipeline

T

A

趙清娜（1985～），女，南京市燃氣工程設計院有限公司；研究方向：油氣儲運技術工作。