技术领域
[0001] 本
发明涉及天然气管道领域，特别涉及一种天然气管道内腐蚀速率的预测方法。
背景技术
[0002] 天然气管道用于输送油品和天然气，但是油品和天然气中含有含硫物质(例如二
氧化硫、
硫化氢等)和游离
水等，随着天然气管道的运行，含硫物质和游离水等物质将会腐蚀天然气管道的内壁，致使天然气管道泄露、停输等，影响油品和天然气的正常集输和生产。因此，有必要对天然气管道内腐蚀速率进行预测，以在天然气管道失效之前，对天然气管道进行修复或者更换。
[0003] 相关技术中，通过以下方法来对天然气管道内腐蚀速率进行预测：选取一
根管道作为模拟天然气管道，在模拟天然气管道内输入天然气，将该模拟天然气管道置于
箱体内，并使箱体内的
温度与天然气管道所处环境的温度相同。在间隔一段时间后，检测模拟天然气管道壁厚的减少量(腐蚀深度)，计算天然气管道的内腐蚀速率。在间隔不同时间后，分别计算天然气管道内腐蚀速率。将得到的多个不同的天然气管道内腐蚀率和时间拟合，得到天然气管道内腐蚀速率
预测模型。根据天然气管道内腐蚀速率预测模型对天然气管道内腐蚀速率进行预测。
[0004]
发明人发现相关技术至少存在以下问题：
[0005] 相关技术得到的天然气管道内腐蚀速率预测模型的预测精确度差。
发明内容
[0006] 本发明
实施例提供了一种天然气管道内腐蚀速率的预测方法，可解决上述技术问题。具体技术方案如下：
[0007] 本发明实施例提供了一种天然气管道内腐蚀速率的预测方法，所述方法包括：
[0008] 获取目标天然气管道的内腐蚀因素数据和内腐蚀速率数据，作为样本数据；
[0009] 通过灰关联分析法分析所述样本数据，确定影响所述目标天然气管道内腐蚀的敏感因素；
[0010] 将所述敏感因素数据归一化；
[0011] 根据数据归一化后的所述敏感因素采用遗传
算法，对小波神经网络的连接权值、伸缩因子和平移因子进行优化；
[0012] 将优化后的连接权值、伸缩因子、平移因子作为小波神经网络的初始值，并根据数据归一化后的所述敏感因素，进行小波神经网络训练，确定连接权值、伸缩因子、平移因子的最终值，得到天然气管道内腐蚀速率预测模型；
[0013] 根据所述天然气管道内腐蚀速率预测模型，对所述目标天然气管道的内腐蚀速率进行预测。
[0014] 在一种可能的设计中，所述通过灰关联分析法分析所述样本数据，确定影响所述目标天然气管道内腐蚀的敏感因素，包括：
[0015] 将所述样本数据中的内腐蚀速率数据作为母因素，内腐蚀因素数据作为子因素，对所述母因素和所述子因素进行无量纲化处理；
[0016] 根据公式(1)对无量纲化处理后的所述母因素和所述子因素进行关联系数计算：
[0017]
[0018] 其中，k＝1，2，……，L；i＝1，2，3，……，N；ρ为分辨系数，取值范围在0～1之间；y0为母因素；Xi为一个子因素；关联系数ξ0,i(k)是Xi对y0在第k个时刻的关联系数；
[0019] 根据公式(2)计算每个子因素的灰关联度：
[0020]
[0021] 其中，ri为灰关联度；
[0022] 对不同子因素所对应的灰关联度进行排序，确定影响所述目标天然气管道内腐蚀的敏感因素。
[0023] 在一种可能的设计中，所述将所述敏感因素数据归一化，包括：
[0024] 通过公式(3)对所述敏感因素数据进行数据归一化处理：
[0025]
[0026] 其中，为数据归一化之后的数值；x为数据归一化之前的数值；xmax为敏感因素各输入/输出列属性的最大值；xmin为敏感因素各输入/输出列属性的最小值。
[0027] 在一种可能的设计中，所述根据归一化后的所述敏感因素采用
遗传算法，对小波神经网络的连接权值、伸缩因子和平移因子进行优化，包括：
[0028] 根据数据归一化后的所述敏感因素，建立网络训练样本、以及所述网络训练样本对应的期望输出，将所述网络训练样本和所述网络训练样本对应的期望输出输入至所述小波神经网络中；
[0029] 预先设定初始种群的大小、遗传算法的终止条件、选择概率、交叉概率、变异概率；所述初始种群包括：
输入层到隐含层的连接权值wij，隐含层到
输出层的连接权值wjk，伸缩因子aj以及平移因子bj；
[0030] 对所述初始种群进行初始化编码；
[0031] 计算初始种群中每个个体的适应度，并判断每个个体的适应度是否满足所述终止条件：
[0032] 若是，输出优化后的种群；
[0033] 若否，顺次按照所述选择概率、所述交叉概率、所述变异概率选择当代种群中的新个体，并插入上一代种群中，以形成新一代种群，计算新一代种群中每个个体的适应度，直至每个个体的适应度满足所述终止条件为止，输出优化后的种群；
[0034] 将优化后的种群进行解码，得到优化后的连接权值wij、连接权值wjk、伸缩因子aj、平移因子bj。
[0035] 在一种可能的设计中，每个种群包括的个体数目为R：
[0036] R＝IN×HN+HN×ON+HN+HN (4)
[0037] 其中，IN、HN、ON分别为输入层、隐含层和输出层
节点的个数。
[0038] 在一种可能的设计中，每个个体的适应度通过公式(5)来计算：
[0039]
[0040] 其中，E为误差
能量函数，E通过公式(6)计算得到：
[0041]
[0042] 其中， 为输出层第p组样本第k个节点的样本输出； 为输出层第p组样本第k个节点的网络输出；Q为样本数；ON为输出层节点数。
[0043] 在一种可能的设计中，所述将优化后的连接权值、伸缩因子、平移因子作为小波神经网络的初始值，并根据数据归一化后的所述敏感因素，进行小波神经网络训练，确定连接权值、伸缩因子、平移因子的最终值，得到天然气管道内腐蚀速率的预测模型，包括：
[0044] 将优化后的连接权值wij、连接权值wjk、伸缩因子aj、平移因子bj、以及预设的学习速率、动量因子、训练次数作为小波神经网络的初始参数；
[0045] 根据数据归一化后的所述敏感因素，建立网络训练样本、以及所述网络训练样本对应的期望输出，并输入所述小波神经网络中，得到预测值；
[0046] 计算隐含层和输出层的节点输出；
[0047] 根据计算得到的隐含层和输出层的节点输出，以及所述网络训练样本对应的期望输出，计算网络梯度向量，并对各个参数进行调整；
[0048] 当误差能量函数E的训练次数达到最大训练次数时，停止网络学习，确定连接权值、伸缩因子、平移因子的最终值，得到天然气管道内腐蚀速率的预测模型。
[0049] 在一种可能的设计中，所述隐含层和所述输出层的节点输出通过以下公式计算得到：
[0050] 通过以下公式(7)计算输出层第k个节点的输出
[0051]
[0052] 其中， 为输出层第k个节点的输出；
[0053] 根据最速
梯度下降法确定隐含层第j个节点的输入为：
[0054]
[0055] 所述隐含层的神经元激励函数采用Morlet小波函数来确定：
[0056]
[0057] 根据公式(10)得到隐含层第j个节点的输出 为：
[0058]
[0059] 令 得到：
[0060]
[0061] 输出层第k个节点的输入 为：
[0062]
[0063] 在一种可能的设计中，所述根据计算得到的隐含层和输出层的节点输出，以及所述网络训练样本对应的期望输出，计算网络梯度向量，并对各个参数进行调整，包括：
[0064] 利用公式(13)～(16)计算网络梯度向量：
[0065]
[0066]
[0067]
[0068]
[0069] 利用公式(17)～(20)对各个参数进行调整：
[0070]
[0071]
[0072]
[0073]
[0074] 在一种可能的设计中，所述根据所述天然气管道内腐蚀速率预测模型，对所述目标天然气管道的内腐蚀速率进行预测之前，所述方法还包括：
[0075] 根据数据归一化后的所述敏感因素，建立测试样本、以及所述测试样本对应的期望输出，并输入至所述天然气管道内腐蚀速率预测模型中，得到所述目标天然气管道的模拟内腐蚀速率和实际内腐蚀速率；
[0076] 计算所述模拟内腐蚀速率与所述实际内腐蚀速率的绝对误差和相对误差：
[0077] 判断所述绝对误差和所述相对误差是否分别均在第一预设范围和第二预设范围内：
[0078] 若是，则确定所述天然气管道内腐蚀速率预测模型的精确度高，利用所述天然气管道内腐蚀速率预测模型，对所述目标天然气管道的内腐蚀速率进行预测；
[0079] 若否，重新调整样本数据。
[0080] 本发明实施例提供的技术方案带来的有益效果是：
[0081] 本发明实施例提供的天然气管道内腐蚀速率的预测方法，通过获取目标天然气管道的内腐蚀因素数据和内腐蚀速率数据，作为样本数据；通过灰关联分析法分析样本数据，确定影响目标天然气管道内腐蚀的敏感因素；将敏感因素数据归一化；根据数据归一化后的敏感因素采用遗传算法，对小波神经网络的连接权值、伸缩因子和平移因子进行优化；将优化后的连接权值、伸缩因子、平移因子作为小波神经网络的初始值，并根据数据归一化后的敏感因素，进行小波神经网络训练，确定连接权值、伸缩因子、平移因子的最终值，得到天然气管道内腐蚀速率预测模型；根据天然气管道内腐蚀速率预测模型，对目标天然气管道的内腐蚀速率进行预测。该方法中，选取敏感因素，并采用遗传算法和小波神经网络相结合的方法确定非线性的天然气管道内腐蚀速率预测模型，能够高
精度对天然气管道的内腐蚀速率进行预测，为确保天然气管道的正常工作提供了技术指导。
附图说明
[0082] 为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0083] 图1是本发明实施例提供的天然气管道内腐蚀速率的预测方法
流程图；
[0084] 图2是本发明实施例提供的小波神经网络模型的结构示意图；
[0085] 图3是实施例1提供管段的遗传优化WNN网络训练结果图；
[0086] 图4是实施例1提供管段的遗传优化WNN网络测试结果图。
具体实施方式
[0087] 除非另有定义，本发明实施例所用的所有技术术语均具有与本领域技术人员通常理解的相同的含义。为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
[0088] 本发明实施例提供了一种天然气管道内腐蚀速率的预测方法，如附图1所示，该方法包括：
[0089] 步骤101、获取目标天然气管道的内腐蚀因素数据和内腐蚀速率数据，作为样本数据。
[0090] 步骤102、通过灰关联分析法分析样本数据，确定影响目标天然气管道内腐蚀的敏感因素。
[0091] 步骤103、将敏感因素数据归一化。
[0092] 步骤104、根据数据归一化后的敏感因素采用遗传算法，对小波神经网络的连接权值、伸缩因子和平移因子进行优化。
[0093] 步骤105、将优化后的连接权值、伸缩因子、平移因子作为小波神经网络的初始值，并根据数据归一化后的敏感因素，进行小波神经网络训练，确定连接权值、伸缩因子、平移因子的最终值，得到天然气管道内腐蚀速率预测模型。
[0094] 步骤106、根据天然气管道内腐蚀速率预测模型，对目标天然气管道的内腐蚀速率进行预测。
[0095] 需要说明的是，天然气管道内腐蚀速率预测模型为小波神经网络模型，如附图2所示，小波神经网络模型包括：输入层、隐含层、输出层。并且，该模型中的连接权值、伸缩因子、平移因子均由遗传算法优化，以及本身训练得到。在使用时，向该技术管道内腐蚀速率预测模型中输入内腐蚀因素，即可得到在该内腐蚀因素条件下对应的模拟内腐蚀速率。
[0096] 本发明实施例提供的天然气管道内腐蚀速率的预测方法，通过获取目标天然气管道的内腐蚀因素数据和内腐蚀速率数据，作为样本数据；通过灰关联分析法分析样本数据，确定影响目标天然气管道内腐蚀的敏感因素；将敏感因素数据归一化；根据数据归一化后的敏感因素、遗传算法，对小波神经网络的连接权值、伸缩因子和平移因子进行优化；将优化后的连接权值、伸缩因子、平移因子作为小波神经网络的初始值，并根据数据归一化后的敏感因素，进行小波神经网络训练，确定连接权值、伸缩因子、平移因子的最终值，得到天然气管道内腐蚀速率预测模型；根据天然气管道内腐蚀速率预测模型，对目标天然气管道的内腐蚀速率进行预测。该方法中，选取敏感因素，并采用遗传算法和小波神经网络相结合的方法确定非线性的天然气管道内腐蚀速率预测模型，能够高精度对天然气管道的内腐蚀速率进行预测，为确保天然气管道的正常工作提供了技术指导。
[0097] 以下对本发明实施例提供的天然气管道内腐蚀速率的预测方法进行详细描述：
[0098] 步骤101中所涉及的内腐蚀因素包括：压
力、H2S分压、CO2分压、温度、气相流速、管段倾
角、液相流速、管段平均管心高程等。并且，多个内腐蚀因素对应一个内腐蚀速率。
[0099] 内腐蚀因素数据和内腐蚀速率数据可以通过管道检测数据和实验室模拟数据获取。
[0100] 步骤102、通过灰关联分析法分析样本数据，确定影响目标天然气管道内腐蚀的敏感因素，包括：
[0101] 将样本数据中的内腐蚀速率数据作为母因素，内腐蚀因素数据作为子因素，对母因素和子因素进行无量纲化处理；
[0102] 根据公式(1)对无量纲化处理后的母因素和子因素进行关联系数计算：
[0103]
[0104] 其中，k＝1，2，……，L；i＝1，2，3，……，N；ρ为分辨系数，取值范围在0～1之间；y0为母因素，即内腐蚀速率；Xi为一个子因素，即多个内腐蚀因素中的一个；关联系数ξ0,i(k)是Xi对y0在第k个时刻的关联系数。
[0105] 根据公式(2)计算每个子因素的灰关联度：
[0106]
[0107] 其中，ri为灰关联度。
[0108] 对不同子因素所对应的灰关联度进行排序，确定影响目标天然气管道内腐蚀的敏感因素。
[0109] 需要说明的是，灰关联度越接近1，说明其对应的内腐蚀因素对内腐蚀速率的影响越大。通过根据灰关联的大小来选取与1接近的内腐蚀因素，以作为敏感因素。
[0110] 举例来说，当灰关联度大于0.6时，所对应的内腐蚀因素可以作为敏感因素。
[0111] 步骤103、将敏感因素数据归一化，包括：
[0112] 通过公式(3)对敏感因素数据进行数据归一化处理：
[0113]
[0114] 其中，为数据归一化之后的数值；x为数据归一化之前的数值；xmax为敏感因素各输入/输出列属性的最大值；xmin为敏感因素各输入/输出列属性的最小值。
[0115] 步骤104、根据归一化后的敏感因素采用遗传算法，对小波神经网络的连接权值、伸缩因子和平移因子进行优化，包括：
[0116] 步骤1041、根据数据归一化后的敏感因素，建立网络训练样本、以及网络训练样本对应的期望输出，将网络训练样本和网络训练样本对应的期望输出输入至小波神经网络中。
[0117] 步骤1042、预先设定初始种群的大小、遗传算法的终止条件、选择概率、交叉概率、变异概率；初始种群包括：输入层到隐含层的连接权值wij，隐含层到输出层的连接权值wjk，伸缩因子aj以及平移因子bj。
[0118] 步骤1043、对初始种群进行初始化编码。
[0119] 步骤1044、计算初始种群中每个个体的适应度，并判断每个个体的适应度是否满足终止条件：
[0120] 若是，输出优化后的种群。
[0121] 若否，顺次按照选择概率、交叉概率、变异概率选择当代种群中的新个体，并插入上一代种群中，以形成新一代种群，计算新一代种群中每个个体的适应度，直至每个个体的适应度满足终止条件为止，输出优化后的种群。
[0122] 步骤1045、将优化后的种群进行解码，得到优化后的连接权值wij、连接权值wjk、伸缩因子aj、平移因子bj。
[0123] 至此，通过遗传算法对小波神经网络模型中的：输入层到隐含层的连接权值wij，隐含层到输出层的连接权值wjk，伸缩因子aj以及平移因子bj进行优化，能够使该小波神经网络模型中的参数值更加满足实际要求，为后期能够高精度地预测目标天然气管道的内腐蚀速率奠定了
基础。
[0124] 其中，步骤1042中所涉及的初始种群、以及新一代种群(每个种群)的个体数目均为R：
[0125] R＝IN×HN+HN×ON+HN+HN (4)
[0126] 其中，IN、HN、ON分别为输入层、隐含层和输出层节点的个数。
[0127] 步骤1042中所涉及的初始种群包括：输入层到隐含层的连接权值wij，隐含层到输出层的连接权值wjk，伸缩因子aj以及平移因子bj。
[0128] 遗传算法的终止条件可以为种群的进化次数。
[0129] 步骤1044中所涉及的每个个体的适应度可以通过公式(5)来计算：
[0130]
[0131] 其中，E为误差能量函数，E通过公式(6)计算得到：
[0132]
[0133] 其中， 为输出层第p组样本第k个节点的样本输出； 为输出层第p组样本第k个节点的网络输出；Q为样本数；ON为输出层节点数。
[0134] 需要说明的是， 所代表的物理意义为样本中的实际内腐蚀速率， 所代表的物理意义是小波神经网络所输出的模拟内腐蚀速率。
[0135] 步骤105、将优化后的连接权值、伸缩因子、平移因子作为小波神经网络的初始值，并根据数据归一化后的敏感因素，进行小波神经网络训练，确定连接权值、伸缩因子、平移因子的最终值，得到天然气管道内腐蚀速率的预测模型，包括：
[0136] 步骤1051、将优化后的连接权值wij、连接权值wjk、伸缩因子aj、平移因子bj、以及预设的学习速率、动量因子、训练次数作为小波神经网络的初始参数。
[0137] 步骤1052、根据数据归一化后的敏感因素，建立网络训练样本、以及网络训练样本对应的期望输出，并输入小波神经网络中，得到预测值。
[0138] 步骤1053、计算隐含层和输出层的节点输出。
[0139] 步骤1054、根据计算得到的隐含层和输出层的节点输出，以及所述网络训练样本对应的期望输出，计算网络梯度向量，并对各个参数进行调整。
[0140] 步骤1055、当误差能量函数E的训练次数达到最大训练次数时，停止网络学习，确定连接权值、伸缩因子、平移因子的最终值，得到天然气管道内腐蚀速率的预测模型。
[0141] 需要说明的是，网络训练样本对应的期望输出指的是：网络训练样本对应的实际腐蚀速率。
[0142] 通过对小波神经网络模型进行训练，进一步对其各个参数进行优化，便于得到能够高精度地预测目标天然气管道的内腐蚀速率的预测模型。
[0143] 其中，步骤1053中，隐含层和输出层的节点输出通过以下公式计算得到：
[0144] 通过以下公式(7)计算输出层第k个节点的输出
[0145]
[0146] 其中， 为输出层第k个节点的输出；
[0147] 根据最速梯度下降法确定隐含层第j个节点的输入为：
[0148]
[0149] 隐含层的神经元激励函数采用Morlet小波函数来确定：
[0150]
[0151] 根据公式(10)得到隐含层第j个节点的输出 为：
[0152]
[0153] 令 得到：
[0154]
[0155] 输出层第k个节点的输入 为：
[0156]
[0157] 其中，梯度下降是
迭代法的一种，可以用于求解最小二乘问题(线性和非线性都可以)。在求解损失函数的最小值时，可以通过梯度下降法来一步步的迭代求解，得到最小化的损失函数和模型参数值。
[0158] 步骤1054中，根据计算得到的隐含层和输出层的节点输出，计算网络梯度向量，并对各个参数进行调整，包括：
[0159] 利用公式(13)～(16)计算网络梯度向量：
[0160]
[0161]
[0162]
[0163]
[0164] 利用公式(17)～(20)对各个参数进行调整：
[0165]
[0166]
[0167]
[0168]
[0169] 为了保证能够精确地对目标天然气管道的内腐蚀速率进行预测，需要对天然气管道内腐蚀速率预测模型的检测精度进行评价。以下给出两种精度检测方法：
[0170] (1)在执行步骤106之前，本发明实施例提供的方法还包括：
[0171] 根据数据归一化后的敏感因素，建立测试样本、以及测试样本对应的期望输出，并输入至天然气管道内腐蚀速率预测模型中，得到目标天然气管道的模拟内腐蚀速率和实际内腐蚀速率；
[0172] 计算模拟内腐蚀速率与实际内腐蚀速率的绝对误差和相对误差：
[0173] 判断绝对误差和相对误差是否分别均在第一预设范围和第二预设范围内：
[0174] 若是，则确定天然气管道内腐蚀速率预测模型的精确度高，利用天然气管道内腐蚀速率预测模型，对目标天然气管道的内腐蚀速率进行预测；
[0175] 若否，重新调整样本数据。
[0176] 需要说明的是，测试样本对应的期望输出为实际内腐蚀速率。
[0177] 其中，第一预设范围和第二预设范围可以根据《NACE RP0775-05油田生产中腐蚀挂片的准备和安装以及试验数据的分析》标准提供的方法来进行限定。
[0178] (2)在执行步骤106之前，本发明实施例提供的方法还包括：
[0179] 根据数据归一化后的所述敏感因素，建立测试样本、以及测试样本对应的期望输出，并输入至天然气管道内腐蚀速率预测模型中，得到目标天然气管道的模拟内腐蚀深度和实际内腐蚀深度；
[0180] 判断模拟内腐蚀深度和实际内腐蚀深度是否属于同一等级：
[0181] 若是，则确定天然气管道内腐蚀速率预测模型的精确度高，利用天然气管道内腐蚀速率预测模型，对目标天然气管道的内腐蚀速率进行预测；
[0182] 若否，重新调整样本数据。
[0183] 其中，等级可以根据《SY/T 0087.2-2012
钢质管道及储罐腐蚀评价标准埋地钢质管道内腐蚀直接评价》标准提供的方法来确定。
[0184] 通过上述两种方法，可得到高精度的天然气管道内腐蚀速率预测模型，进而精确地对目标管道的内腐蚀速率进行预测。
[0185] 以下将通过具体实施例进一步地描述本发明。
[0186] 实施例1
[0187] 本实施例提供了一种天然气管道内腐蚀速率的预测方法，该方法以国内某气田天然气管道作为目标管道，对其内腐蚀速率进行预测。该目标天然气管道投产时间为2003年7月，管材为20G钢，温度20℃～45℃，所含腐蚀介质主要为CO2，含量为0.55mol％～0.77mol％，不含O2和H2S腐蚀气体；CO2分压在0.0231MPa～0.1155MPa之间；产出水pH值普遍接近中性；矿化度较高。该预测方法具体包括：
[0188] 步骤201、获取该目标管道室内模拟腐蚀实验数据(包括内腐蚀因素数据和内腐蚀速率数据)。数据样本如下表1所示：
[0189] 表1
[0190]
[0191]
[0192]
[0193] 步骤202、将样本数据中的内腐蚀速率数据作为母因素，内腐蚀因素数据作为子因素，对母因素和子因素进行无量纲化处理；
[0194] 根据公式(1)对无量纲化处理后的母因素和子因素进行关联系数计算：
[0195]
[0196] 其中，k＝1，2，……，L；i＝1，2，3，……，N；ρ为分辨系数，取值范围在0～1之间；y0为母因素；Xi为一个子因素；关联系数ξ0,i(k)是Xi对y0在第k个时刻的关联系数；
[0197] 根据公式(2)计算每个子因素的灰关联度：
[0198]
[0199] 其中，ri为灰关联度。对不同子因素所对应的灰关联度进行排序，确定影响目标天然气管道内腐蚀的敏感因素。具体参数详见表2。
[0200] 表2
[0201]影响因素 关联度 关联度排序
CO2分压/(Mpa) 0.8357 1
温度T/(℃) 0.8128 2
pH值 0.6196 5
SO42-浓度/(mg.L-1) 0.6089 6
HCO3-浓度/(mg.L-1) 0.6914 4
Cl-浓度/(mg.L-1) 0.7513 3
Ca2+/Mg2+浓度/(mg.L-1) 0.6016 7
[0202] 从表1可知，各腐蚀因素对天然气管道腐蚀速率的影响程度大小顺序为：CO2分压>温度T>Cl-浓度>HCO3-浓度>pH值>SO42-浓度>Ca2+/Mg2+浓度一般说来，关联度ri>0.6，即认为该因素具有一定影响。因此，以上七个因素均为某管段的主要腐蚀影响因素。将温度T、pH值、CO2分压、Cl-浓度、HCO3-浓度、SO42-浓度、Ca2+/Mg2+浓度作为敏感因素。
[0203] 步骤203、将样本数据中的温度T、pH值、CO2分压、Cl-浓度、HCO3-浓度、SO42-浓度、Ca2+/Mg2+浓度所对应的数据和内腐蚀速率根据公式(3)进行数据归一化。
[0204]
[0205] 其中，为数据归一化之后的数值；x为数据归一化之前的数值；xmax为敏感因素各输入输出列属性的最大值；xmin为敏感因素各输入输出列属性的最小值。
[0206] 步骤204、由于小波神经网络模型包括：输入层、隐含层、输出层，可以由以下公式来表示：
[0207] 腐蚀速率CR＝f(温度T、pH值、CO2分压、Cl-浓度、HCO3-浓度、SO42-浓度、Ca2+/Mg2+浓度)
[0208] 即输入上述七种因素，可得预测的内腐蚀速率CR。即输入层神经元节点个数(IN)为7，输出层神经元节点个数(ON)为1，根据经验公式确定隐含层的神经元个数(HN)为15，确定该小波神经网络模型结构为7-15-1。
[0209] 根据数据归一化的敏感因素和遗传算法，对小波神经网络的连接权值、伸缩因子和平移因子进行优化，具体如下：
[0210] 步骤2041、根据数据归一化后的敏感因素，建立网络训练样本(前40个)、以及网络训练样本对应的期望输出，将网络训练样本和网络训练样本对应的期望输出输入至小波神经网络中。
[0211] 步骤2042、预先设定初始种群的大小、遗传算法的终止条件、选择概率、交叉概率、变异概率；初始种群包括：输入层到隐含层的连接权值wij，隐含层到输出层的连接权值wjk，伸缩因子aj以及平移因子bj。其中，各参数详见表3。
[0212] 表3
[0213]种群规模 终止进化代数 交叉概率 变异概率
80 800 0.8 0.05
[0214] 步骤2043、对初始种群进行初始化编码。
[0215] 步骤2044、计算初始种群中每个个体的适应度，并判断每个个体的适应度是否满足终止条件：
[0216] 若是，输出优化后的种群；
[0217] 若否，顺次按照选择概率、交叉概率、变异概率选择当代种群中的新个体，并插入上一代种群中，以形成新一代种群，计算新一代种群中每个个体的适应度，直至每个个体的适应度满足终止条件为止，输出优化后的种群。
[0218] 其中，每个个体的适应度通过公式(5)来计算：
[0219]
[0220] 其中，E为误差能量函数，E通过公式(6)计算得到：
[0221]
[0222] 其中， 为输出层第p组样本第k个节点的样本输出； 为输出层第p组样本第k个节点的网络输出；Q为样本数；ON为输出层节点数。
[0223] 步骤2045、将优化后的种群进行解码，得到优化后的连接权值wij、连接权值wjk、伸缩因子aj、平移因子bj。
[0224] 步骤205包括：步骤2051、将优化后的连接权值wij、连接权值wjk、伸缩因子aj、平移因子bj、以及预设的学习速率、动量因子、训练次数作为小波神经网络的初始参数。具体参数详见表4。上文已确定该小波神经网络模型结构为7-15-1，即输入层神经元节点个数(IN)为7，隐含层神经元节点个数(HN)为15，输出层神经元节点个数(ON)为1。
[0225] 表4
[0226]
[0227] 步骤2052、根据数据归一化后的敏感因素，建立网络训练样本(前40个)、以及网络训练样本对应的期望输出，并输入小波神经网络中，得到预测值。
[0228] 步骤2053、隐含层和输出层的节点输出通过以下公式计算得到：
[0229] 通过以下公式(7)计算输出层第k个节点的输出
[0230]
[0231] 其中， 为输出层第k个节点的输出；
[0232] 根据最速梯度下降法确定隐含层第j个节点的输入为：
[0233]
[0234] 隐含层的神经元激励函数采用Morlet小波函数来确定：
[0235]
[0236] 根据公式(10)得到隐含层第j个节点的输出 为：
[0237]
[0238] 令 得到：
[0239]
[0240] 输出层第k个节点的输入 为：
[0241]
[0242] 步骤2054、根据计算得到的隐含层和输出层的节点输出，计算网络梯度向量，并对各个参数进行调整。
[0243] 步骤2055、当误差能量函数E的训练次数达到3000时，停止网络学习，确定连接权值、伸缩因子、平移因子的最终值，得到天然气管道内腐蚀速率的预测模型。
[0244] 通过上述方法，能够使总体误差精度达到最小，当训练次数达到3000次时，GA-WNN误差平方和函数E为1.0632×10-4，用时3.870641秒，整个训练过程结束。可以看出，经过网络训练，GA-WNN预测模型对腐蚀训练样本的学习已达到一个较高的精度。这时网络训练的输出值与训练样本的期望输出值(即实际的内腐蚀速率)对比结果见图3。
[0245] 步骤206、检测天然气管道内腐蚀速率预测模型的预测精度。
[0246] 根据数据归一化后的敏感因素，建立测试样本(后10个)、以及测试样本对应的期望输出，并输入至天然气管道内腐蚀速率预测模型中，得到目标天然气管道的模拟内腐蚀速率和实际内腐蚀速率、以及模拟内腐蚀深度和实际内腐蚀深度；计算模拟内腐蚀速率与实际内腐蚀速率的绝对误差和相对误差，具体参数如表5和附图4所示；计算模拟内腐蚀深度与实际内腐蚀深度的绝对误差和相对误差，具体参数如表5。
[0247] 表5
[0248]
[0249] 从以上图表可以看出，通过预测得到的结果与实际腐蚀速率具有较高的吻合度，相对误差均控制在9％之内，并且平均相对误差仅为3.5592％。其中8组测试样本的预测相对误差小于5％(0.6640％～4.2951％)；另外2组的相对误差分别为7.245％和8.8968％，属于正常范围。
[0250] 综上，本发明实施例提供的天然气管道内腐蚀速率的预测方法的预测精度高，为天然气管道的内腐蚀预测提供了技术指导。
[0251] 以上所述仅为本发明的较佳实施例，并不用以限制本发明的保护范围，凡在本发明的精神和原则之内，所作的任何
修改、等同替换、改进等，均应包含在本发明的保护范围之内。
