本发明涉及一种基于pso-bp神经网络的(粒子群算法优化bp神经网络)的油气管道腐蚀速率预测方法，属于石油与天然气工业领域。
背景技术：
1、近年来，随着海底油气管道服役时间的增长，管道内腐蚀泄露问题日益凸显，已严重威胁到管道的安全运营以及海洋的生态稳定。据统计，约有20％的海底管道事故的主要原因都是油气管线腐蚀，海底油气管道事故不仅会导致生产中断造成经济损失，更严重的是油气对海洋环境的污染，如何对海底油气管道内腐蚀进行合理的预测，准确判定海底油气管道腐蚀敏感区域是油气田正常运行和发挥经济利益的迫切需要。受自然环境的限制，海底管道内检测成本高风险高，这就导致难以判断其腐蚀速率；另一方面，随着我国智慧管网的发展与建设，管道数据采集量随之增大，优秀的预测模型可以应对大量数据，准确预测管道腐蚀速率，对保障管道安全健康运行具有重大意义。
2、由于计算机科学的兴起，智能算法逐渐应用于管道腐蚀速率预测方面。范峥等基于多相流动态实验，利用小波神经网络建立油气集输管道的腐蚀速率预测模型；章玉婷等使用单一的bp神经网络(bp neural network，bpnn)对管道腐蚀速率进行分析预测，由于未经优化的bp易陷入局部最优，因此预测值相对真实数据误差较大。为了解决单一神经网络算法精度不高的问题，研究者提出将优化算法与神经网络结合用于腐蚀速率预测。
3、管道腐蚀速率受很多因素综合影响，因此管道腐蚀速率预测是属于多因素影响的复杂非线性映射问题，而神经网络算法的非线性映射能力刚好能解决此类问题。但传统的神经算法由于初始权值和阈值的选取具有很大的随机性，所以其收敛速度较慢，此外，传统神经网络还伴随着预测精度差、预测不稳定等问题。为了解决这一问题，提出了一种利用粒子群算法优化bp神经网络对油气管道腐蚀速率进行预测的方法。
4、粒子群优化算法(particle swarm optimization，pso)是由kennedy等人于1995年提出的一种经典的启发式算法。pso受启发于对鸟群捕食行为的研究，是通过群体中的个体之间的协作和信息共享，使得群体位置在解空间中从无序到有序，群体成员通过学习自己和其他成员的经验，不断改变搜索模式，从而寻得最优解。pso由于具有调整参数少、收敛速度快的优势，目前被广泛应用于神经网络训练优化及其他函数优化等领域。
5、pso算法的基本思想是通过粒子来模拟鸟群中的个体，这些粒子都具备速度和位置属性。粒子群中的每个粒子在自己的搜索空间内单独的寻找最优解，并与其它粒子进行信息共享从而找到当前全局最优解，各个粒子再根据当前全局最优解调整速度和位置，不断迭代更新，从而获取全局最优解。
技术实现思路
1、本发明的目的是提供一种基于pso-bp神经网络的油气管道腐蚀速率预测模型方法，对油气管道的腐蚀速率进行在线预测，从而根据管道腐蚀速率为海底管道内腐蚀防护和油气管道流动保障提供决策支持，保障管线的平稳、安全和高效运行。具体步骤如下：
2、步骤1：确定油气管道腐蚀速率输入神经元与输出神经元个数；
3、步骤2：初始化油气管道腐蚀速率输出速率粒子群规模；
4、步骤3：粒子适应度值为油气管道腐蚀速率预测值和速率期望值的绝对值误差之和；
5、步骤4：比较粒子适应度；
6、步骤5：更新油气管道腐蚀速率粒子位置及速度；
7、步骤6：比较当前迭代次数与设定的最大迭代次数，若超过最大迭代次数，则终止算法，否则跳至2步骤，进行下一次迭代；
8、发明优点：
9、粒子群算法是模拟自然生物的一种随机搜索智能优化算法。粒子在移动与飞行的过程中，依靠局部最优和全局最优实现最优位置的选取，建立最优函数，以确保粒子群中单个粒子运动方向最优，具有良好的收敛性。在bp神经网络模型的基础上，通过引入粒子群优化算法，计算出bp神经网络预测误差最小的最优种群个体，并作为初始值应用于bp神经网络模型，采用误差反向传播算法继续修正权值和阈值，直至得到满足要求的pso-bp油气管道腐蚀速率预测模型。
10、本发明是一种基于pso-bp神经网络的油气管道腐蚀速率预测方法，提供了一种便捷、实时、在线的方法，对保障输气管线的平稳、安全和高效运行有重要意义。本发明能够预测油气管道腐蚀速率，适用范围广，准确度高。
1.本权利要求所述的基于pso-bp神经网络的油气管道腐蚀速率预测方法，其特征是预测结果更加理想，稳定性、准确性更好。
2.本权利要求所述的粒子群算法优化bp神经网络结构部分，主要包括：初始化最大迭代次数、种群大小、个体学习因子、社会学习因子、惯性权重等参数，初始化粒子群位置，计算初始粒子适应度获得初始最优粒子；计算种群适应度，更新当前粒子群最优粒子的位置；更新迄今全局最优粒子的位置和适应度；循环上述步骤，直至获得最优个体位置与最优适应度，跳出循环。经过有限次迭代后，粒子群中的每个粒子都会向着最优解靠近。将迭代完成后的最优解作为bp神经网络的权值和阈值，然后进行训练学习得到pso-bp神经网络模型。
3.本权利要求所述的粒子群算法优化bp神经网络结构部分，其特征是：保留了基于种群的全局搜索策略，与传统神经网络预测性能相比，经过优化的bp神经网络预测精度更高而且能够更快收敛到全局最优，具有更小的训练误差和检验误差，在一定程度上提高了学习能力与泛化能力。其主要步骤是：
