基于PSO-WOA混合优化的SVM稠油管道腐蚀速率预测方法与流程

基于pso
‑
woa混合优化的svm稠油管道腐蚀速率预测方法
技术领域
1.本发明涉及一种基于pso(粒子群)
‑
woa(鲸鱼)混合优化的支持向量机(svm)稠油管道腐蚀速率预测方法，应用于油气管道腐蚀与防护领域。


背景技术：

2.埋地管道腐蚀速率预测一直是国内外学者研究的热点，腐蚀速率预测对管道基础设计以及相关安全、环境和经济后果方面具有重要意义。
3.由于直接可以影响预测管道腐蚀速率模型的各种不同环境参数十分复杂，腐蚀速率与所处介质体系中的各种相关参数之间往往相互存在着非线性关系，在能够取得准确的腐蚀速率和相关参量数据的情况下，利用建立的模型预测金属腐蚀速度的目的有可能实现，因此一些学者开始使用神经网络建立腐蚀速率预测模型。神经网络预测模型经历一段时间的发展后，如何提高模型的预测性能、更好地建立适用于管道腐蚀预测，成为本领域一直渴望解决的技术难题。


技术实现要素：

4.本发明的目的在于提供一种基于pso
‑
woa混合优化的svm稠油管道腐蚀速率预测方法，该方法融合了两种算法的优势，对模型参数进行了优化，提高了模型的预测精度。
5.为实现上述目的，本发明的技术方案是：一种基于pso
‑
woa混合优化的svm稠油管道腐蚀速率预测方法，包括如下步骤：
6.步骤s1、选择稠油管道运行过程中对腐蚀行为具有代表性、相关性的环境因素作为输入变量；
7.步骤s2、以稠油管道为研究对象，通过现场对管道沿线的相关参数进行检测，整理检测数据作为模型数据集；
8.步骤s3、选择22组样本数据作为训练样本，建立稠油管道腐蚀速率预测模型，将8组样本数据作为测试样本，对优化后的模型精度进行评价；
9.步骤s4、建立基于pso
‑
woa混合优化的svm稠油管道腐蚀速率预测模型；
10.步骤s5、根据相关评价指标对模型预测效果进行评价。
11.在本发明一实施例中，所述步骤s1中稠油管道腐蚀行为具有代表性、相关性的环境因素包括管道沿线的土壤电阻率、含水率、cl
‑
含量、电位梯度、氧化还原电位、ph值。
12.在本发明一实施例中，所述步骤s4中，使用svm作为稠油管道腐蚀速率预测的基础神经网络模型，具体实现步骤如下：
13.(1)svm的基本原理是通过非线性映射函数将输入样本x映射到高维特征空间f上，线性回归函数是根据结构风险最小化的原理创建，将训练样本中的每一组数据都转化到高维空间中，在高维空间中对数据进行线性回归，从而将原样本的非线性拟合问题转化为高维空间中样本的线性回归问题，求得的拟合函数为：
14.y
′
＝f(x)＝w
·
φ(x) b
ꢀꢀꢀ
(1)
15.其中x为样本的输入向量，w是权重向量，w∈r，b是样本的偏差向量，b∈r，y
′
是预测值；
16.当通过svm解决回归拟合问题时，会考虑并允许拟合误差，在支持向量机的基础上，引入线性不敏感损失函数(ε)，得到回归支持向量机，因此，将回归问题转换为最小化结构风险的目标函数的解，即最小化目标函数的w和b的值，
[0017][0018]
其中c＞0，这是一个惩罚因子，它控制每个样本的惩罚度，使其超出误差ε，为了减小训练过程中产生的误差，引入松弛因子ζi和ζi
′
，分别为的条件下样本训练误差的上限和下限，表示样本偏离离群点或者偏离分界线的一个程度，ε指线性不敏感损失函数的参数，当预测值和测量值的绝对误差小于ε时，绝对误差将被忽略；否则，它将包含在误差中；
[0019]
(2)在求解方程式时引入拉格朗日乘子a
i
和b
i
来构造拉格朗日函数，将问题的函数表达视作凸二次规划问题，这样可以分别对参数求偏导求解，对偶是把初始式转化为一方面是它们近似，二是这样可以先求解w、b，对于λ，当且仅当数据落在两条虚线上时，λ才有值；对于其他的样本，λ不起作用，即λ只在支持向量上有作用，问题求解简单化；因此将其转化为对偶问题之后，凸优化被简化为二次形式的最大化，并且可以求解拉格朗日方程的鞍点；确定每个变量的偏导数并将其设置为零；在引入拉格朗日算子并使用对偶原理后转换为：
[0020][0021]
(3)当借助于svm解决非线性问题时，输入样本x通过非线性映射函数被映射到高维特征空间f上，然后，执行高维特征空间的线性回归，从低维空间到高维空间的转换是通过核函数来实现的，此函数无法在高维空间中替换点积，避免使用非线性映射函数的解，并大大减少了计算时间和复杂度；采用径向基(radial basis)函数，如下所示：
[0022][0023]
其中，g是核函数的宽度，即核参数(g＞0)，x
i
‑
x
j
是欧几里得范数，引入核参数后，优化目标化转化为：
[0024][0025]
求解出svm非线性回归模型函数为：
[0026][0027]
x1，x2，...，x
n
是输入变量，a
i
‑
b
i
是网络权重，而每个输出向量是中间节点支持向量的关于f(x)线性变换。
[0028]
所述步骤s4中，使用pso
‑
woa混合优化方法对svm模型的参数进行优化，具体实现步骤如下：
[0029]
(1)通过pso算法优化惩罚因子c和核参数g的步骤如下：
[0030]
初始化：对粒子的速度和位置随机赋值，并对学习因子c1和c2进行赋值，得到svm的罚因子c和核参数g；
[0031]
适应度评估：对所有粒子的适应度函数值进行求算，并对局部最优值和全局最优值进行初始化操作；
[0032]
更新过程：对粒子的速度和位置进行更新，获得新的种群，对适应度值与其本身的历史最佳值两者进行对比，并对种群参数c和g的全局最优值进行更新，粒子速度(v)及其当前位置(cb)根据式(7)和(8)进行更新，
[0033]
v
t 1
＝wv
t
c1r1(pbest
t
‑
cb
t
) c2r2(gbest
t
‑
cb
t
)
ꢀꢀꢀ
(7)
[0034]
cb
t 1
＝cb
t
v
t
ꢀꢀꢀ
(8)
[0035]
其中，t表示迭代次数，r1和r2是[0，1]中的两个随机变量，c1和c2是学习系数，pbest是粒子最佳位置，而gbest是粒子群最佳位置；
[0036]
(2)woa优化算法的具体步骤如下：
[0037]
给定一个随机数p∈(0，1)，如果p＜0.5并且|a|＜1，随机寻找猎物，人工鲸鱼算法利用它种群中的随机个体位置进行食物的寻找，并且使用以下公式更新它们的空间位置：
[0038]
x
t 1
＝x
rand
‑
a
·
d
ꢀꢀꢀ
(9)
[0039]
t表示已经迭代的次数，个体位置用x表示，更新位置之前随机选择个体x
rand
的总体长度用d＝|c
·
x
rand
‑
x
t
|表示，参数a在[
‑
2，2]间随机生成，此外，随机个体x
rand
对目前个体x的距离的影响使用c为[0，2]随机数表示；
[0040]
如果p＜0.5且|a|＞1，继续环绕猎物，
[0041]
人工鲸鱼搜寻到食物后，用下面的方程式对空间位置进行更新：
[0042]
x
t 1
＝x
best
‑
a
·
|c
·
x
best
‑
x
t
|
ꢀꢀꢀ
(10)
[0043]
这其中食物的位置即对应为x
best
种群中全局最优个体的位置；
[0044]
如果p≥0.5，进行螺旋捕食；
[0045]
人工鲸鱼与对数螺旋线的运动轨迹的特点一致，游到最佳个体x
best
，它也并且其空间位置更新：
[0046]
x
t 1
＝d
best
·
e
bl
·
cos2πl x
t
ꢀꢀꢀ
(11)
[0047]
迭代更新后用x
t 1
表示鲸鱼的位置，位置更新前单个x的x
best
的长度用d＝|x
best
‑
x
t
|计算，螺旋轨迹成形的常数用b表示，在[
‑
1，1]间随机对l赋值；
[0048]
将优化的模型参数代入svm模型，计算适应值，woa在结合svm进行回归预测时目标函数的适应度计算公式为：
[0049][0050]
其中m为样本的数量，y
i
、y
i’为真实值与模型预测值，将woa寻优目标设为svm模型的c、g参数，将得到的最优解作为svm模型参数；
[0051]
(3)将woa在探索阶段、开发阶段的pso的有机融合作为目标的新解决方案；
[0052]
初始种群由pso启动和更新，然后通过woa再次更新获得的解决方案，
[0053]
v
t 1
＝wv
t
c1r1(whalebest
t
‑
cb
t
) c2r2(gbest
t
‑
cb
t
)
ꢀꢀꢀ
(13)
[0054]
如公式(13)所示，将woa寻优结果融合到pso数学模型公式(7)，粒子群位置根据新的方程式进行更新，将负责求解复杂非线性问题最优解的粒子最优位置替换为whale位置，更新相关的决策变量，高效地将解导向最优解，woa使粒子更快地到达最优值，减少了计算时间，最后，如果达到了确定的迭代次数，则结束开发的pso
‑
woa寻优过程。
[0055]
在本发明一实施例中，混合优化后所得的惩罚因子c＝5.65、核参数g＝0.5。
[0056]
相较于现有技术，本发明具有以下有益效果：本发明的混合优化算法融合了pso在开发阶段与woa算法在探索阶段的优势，使用混合优化算法对模型参数进行寻优，结合影响稠油管道腐蚀速率预测的主要检测参量，在现场检测数据量有限的条件下，提高了模型预测的精度。减少了需要检测的项目数量，在保证预测精度的前提下降低了数据获取的需求量。建立了更适用于稠油管道、预测性能更为优异的腐蚀速率预测模型，为稠油管道腐蚀速率研究提供了有效参考。
[0057]
以目标稠油管道检测数据为数据集，粒子群优化和鲸鱼优化算法(pso
‑
woa)的混合优化svm管道外腐蚀速率预测模型。woa在探索阶段使用，探索阶段主要是算法尝试大量可能解的能力，因为它使用对数螺旋路径，因此以较少的计算时间覆盖了较大的不确定搜索空间。粒子群算法有能力获得接近最佳的解决方案，是一种从未知搜索空间中挖掘最优解的算法，从而给出了局部最优解决方案。并通过与其他优化模型的相关评价指标对比验证模型性能的优势及可靠性。该方法应用于稠油管道腐蚀速率预测模型中，结合了pso与woa优化算法各自的优势，对模型的参数进行了优化，提高了模型的预测精度。
附图说明
[0058]
图1为svm神经网络结构图。
[0059]
图2为pso
‑
woa混合优化svm模型预测流程图。
[0060]
图3为四种模型测试集预测结果对比图。
[0061]
图4为四种模型测试集预测误差对比图。
具体实施方式
[0062]
本发明提供了一种基于pso
‑
woa混合优化的svm稠油管道腐蚀速率预测方法，该方法融合了两种算法的优势，对模型参数进行了优化，提高了模型的预测精度。该方法实现如
下：
[0063]
步骤s1、选择稠油管道运行过程中对腐蚀行为具有代表性、相关性的环境因素，管道沿线的土壤电阻率、含水率、c1
‑
含量、电位梯度、氧化还原电位、ph值作为输入变量；
[0064]
步骤s2、以稠油管道为研究对象，通过现场对管道沿线的相关参数进行检测，整理检测数据作为模型数据集；
[0065]
步骤s3、选择22组样本数据作为训练样本，建立稠油管道腐蚀速率预测模型，将8组样本数据作为测试样本，对优化后的模型精度进行评价；
[0066]
步骤s4、建立基于pso
‑
woa混合优化的svm稠油管道腐蚀速率预测模型；
[0067]
步骤s5、根据相关评价指标对模型预测效果进行评价。
[0068]
所述步骤s4中，使用svm作为稠油管道腐蚀速率预测基础神经网络模型的具体实现步骤如下：
[0069]
(1)svm的基本原理是通过非线性映射函数将输入样本x映射到高维特征空间f上。线性回归函数是根据结构风险最小化的原理创建，将训练样本中的每一组数据都转化到高维空间中，在高维空间中对数据进行线性回归，从而将原样本的非线性拟合问题转化为了高维空间中样本的线性回归问题。求得的拟合函数为：
[0070]
y
′
＝f(x)＝w
·
φ(x) b
ꢀꢀꢀ
(1)
[0071]
其中x为样本的输入向量，w是权重向量，w∈r，b是样本的偏差向量，b∈r，y
′
是预测值。
[0072]
当通过svm解决回归拟合问题时，会考虑并允许拟合误差。在支持向量机的基础上，引入线性不敏感损失函数(ε)，得到回归支持向量机。因此，将回归问题转换为最小化结构风险的目标函数的解，即最小化目标函数的w和b的值。
[0073][0074]
其中c＞0，这是一个惩罚因子。它控制每个样本的惩罚度，使其超出误差ε。为了减小训练过程中产生的误差，引入松弛因子ζi和ζi
′
，分别为的条件下样本训练误差的上限和下限，表示样本偏离离群点或者偏离分界线的一个程度。ε指线性不敏感损失函数的参数。当预测值和测量值的绝对误差小于ε时，绝对误差将被忽略；否则，它将包含在误差中。
[0075]
(2)在求解方程式时引入拉格朗日乘子a
i
和b
i
来构造拉格朗日函数。将问题的函数表达视作凸二次规划问题，这样可以分别对参数求偏导求解。对偶是把初始式转化为一来是它们近似，二是这样可以先求解w、b，对于λ，当且仅当数据落在两条虚线上时，λ才有值。对于其他的样本，λ不起作用，即λ只在支持向量上有作用，问题求解简单化。因此将其转化为对偶问题之后，凸优化被简化为二次形式的最大化，并且可以求解拉格朗日方程的鞍点。确定每个变量的偏导数并将其设置为零。在引入拉格朗日算子并使用对偶原理后转换为：
[0076][0077]
(3)当借助于svm解决非线性问题时，输入样本x通过非线性映射函数被映射到高维特征空间f上。然后，执行高维特征空间的线性回归。从低维空间到高维空间的转换是通过核函数来实现的。此函数无法在高维空间中替换点积，避免使用非线性映射函数的解，并大大减少了计算时间和复杂度。常见的svm核函数有四种，本发明采用径向基(radial basis)函数，如下所示：
[0078][0079]
其中，g是核函数的宽度，即核参数(g＞0)，x
i
‑
x
j
是欧几里得范数。引入核参数后，优化目标化转化为：
[0080][0081]
求解出svm非线性回归模型函数为：
[0082][0083]
回归svm结构图如图1所示。在图1中，每个中间节点对应一个支持向量。x1，x2，...，x
n
是输入变量，a
i
‑
b
i
是网络权重，而每个输出向量是中间节点支持向量的关于f(x)线性变换。svm模型的核函数设定对预测结果影响很大，但是核函数的选择没有规定的设定方式，因此本发明方法还包括使用优化算法来寻找最优核函数的参数及惩罚因子。
[0084]
在本发明方法还包括使用pso
‑
woa混合优化方法对svm模型的参数进行优化，具体实现步骤如下：
[0085]
(1)粒子群优化技术的开发是为了模仿动物和鸟类的行为，以寻找全局优化功能，该算法可以优化惩罚因子c和内核参数g，并且具有原理简单，只需要几个计算参数，执行快速搜索且效率高的特点。该算法可以显示当前搜索状态的动态粒子跟踪并调整搜索策略以实现最佳搜索。通过pso算法优化惩罚因子c和核参数g的步骤如下：
[0086]
初始化：对粒子的速度和位置随机赋值，并对学习因子c1和c2进行赋值，得到svm的罚因子c和核参数g。
[0087]
适应度评估：对所有粒子的适应度函数值进行求算，并对局部最优值和全局最优值进行初始化操作。
[0088]
更新过程：对粒子的速度和位置进行更新，获得新的种群，对适应度值与其本身的历史最佳值两者进行对比，并对种群参数c和g的全局最优值进行更新。从本质上讲，粒子速度(v)及其当前位置(cb)根据式(7)和(8)进行更新。
[0089]
v
t 1
＝wv
t
c1r1(pbest
t
‑
cb
t
) c2r2(gbest
t
‑
cb
t
)
ꢀꢀꢀ
(7)
[0090]
cb
t 1
＝cb
t
v
t
ꢀꢀꢀ
(8)
[0091]
其中，t表示迭代次数，r1和r2是[0，1]中的两个随机变量，c1和c2是学习系数，pbest是粒子最佳位置，而gbest是粒子群最佳位置。
[0092]
(2)woa算法是受座头鲸独特的觅食行为启发，一种新的元启发式系统优化设计算法。woa算法的位置更新行为由三个阶段构成：寻食阶段，觅食方式为使用种群中的随机个体位置；周围收缩，空间位置更新；螺旋捕食，当人造鲸游至最佳个体x
best
时，它也跟随对数螺旋的轨迹运动，并再次更新其空间位置。woa优化算法的具体步骤如下：
[0093]
给定一个随机数p∈(0，1)，如果p＜0.5并且|a|＜1，随机寻找猎物。人工鲸鱼算法利用它种群中的随机个体位置进行食物的寻找，并且使用以下公式更新它们的空间位置：
[0094]
x
t 1
＝x
rand
‑
a
·
d
ꢀꢀꢀ
(9)
[0095]
t表示已经迭代的次数，个体位置用x表示，更新位置之前随机选择个体x
rand
的总体长度用d＝|c
·
x
rand
‑
x
t
|表示。参数a在[
‑
2，2]间随机生成。此外，随机个体x
rand
对目前个体x的距离的影响使用c为[0，2]随机数表示。
[0096]
如果p＜0.5且|a|＞1，继续环绕猎物。
[0097]
人工鲸鱼搜寻到食物后，用下面的方程式对空间位置进行更新：
[0098]
x
t 1
＝x
best
‑
a
·
|c
·
x
best
‑
x
t
|
ꢀꢀꢀ
(10)
[0099]
这其中食物的位置即对应为x
best
种群中全局最优个体的位置。
[0100]
如果p≥0.5，进行螺旋捕食。
[0101]
人工鲸鱼与对数螺旋线的运动轨迹的特点一致，游到最佳个体x
best
，它也并且其空间位置更新：
[0102]
x
t 1
＝d
best
·
e
bl
·
cos2πl x
t
ꢀꢀꢀ
(11)
[0103]
迭代更新后用x
t 1
表示鲸鱼的位置，位置更新前单个x的x
best
的长度用d＝|x
best
‑
x
t
|计算，螺旋轨迹成形的常数用b表示，在[
‑
1，1]间随机对l赋值。
[0104]
将优化的模型参数代入svm模型，计算适应值。woa在结合svm进行回归预测时目标函数的适应度计算公式为：
[0105][0106]
其中m为样本的数量，y
i
、y
i’为真实值与模型预测值。将woa寻优目标设为svm模型的c、g参数，将得到的最优解作为svm模型参数。得益于鲸鱼优化算法随机选择猎物位置的这种特殊机制，避免算法出现困在局部最优解的困扰，进一步增强了搜索目标的能力。
[0107]
(3)本发明所使用的混合优化算法是将woa在探索阶段、开发阶段的pso的有机融合作为目标的新解决方案。粒子群优化算法是一种从未知搜索空间中挖掘最优解的算法，但易陷入局部停滞，woa跳出局部最优的探索能力较强，两者结合最优特性(woa的探索和pso的利用)提高了找到问题最优解的能力，避免了陷入局部停滞或局部最优的问题。
[0108]
由于这两种算法都是随机化技术，所以在迭代过程中，从开始到最大迭代上限，我们都使用了不确定搜索空间。初始种群由pso启动和更新，然后通过woa再次更新获得的解决方案。
[0109]
v
t 1
＝wv
t
c1r1(whalebest
t
‑
cb
t
) c2r2(gbest
t
‑
cb
t
)
ꢀꢀꢀ
(13)
[0110]
如公式(13)所示，将woa寻优结果融合到pso数学模型公式(7)，粒子群位置根据新的方程式进行更新。将负责求解复杂非线性问题最优解的粒子最优位置替换为whale位置，更新相关的决策变量，可以高效地将解导向最优解。woa使粒子更快地到达最优值，减少了计算时间。最后，如果达到了确定的迭代次数，则结束开发的pso
‑
woa寻优过程。模型寻优过程如流程图2所示。
[0111]
在本发明一实施例中，混合优化后所得的惩罚因子c＝5.65、核参数g＝0.5。
[0112]
以下为本发明方法建立的pso
‑
woa混合优化svm稠油管道腐蚀速率预测模型，同时建立ga
‑
svm、pso
‑
svm、woa
‑
svm稠油管道腐蚀速率预测模型，对比各种方法的预测效果，具体如下：
[0113]
选择土壤电阻率、含水率、cl
‑
含量、电位梯度、氧化还原电位、ph值六个环境因素作为稠油管道腐蚀速率以预测模型的输入变量。以目标稠油管道为研究对象，通过现场进行检测的数据获得30组检测数据。选择22组作为训练数据，8组数据作为测试数据，用于测试模型的预测效果并与其他模型进行对比分析。
[0114]
模型训练：首先建立基于pso
‑
woa混合优化svm稠油管道腐蚀速率预测模型，同时建立ga
‑
svm、pso
‑
svm、woa
‑
svm稠油管道腐蚀速率预测模型用于预测效果的对比。训练后模型的测试集输出结果如图3所示，测试集输出结果的预测误差对比图如图4所示。
[0115]
预测结果分析：
[0116]
使用回归决定系数并结合均方误差mse、平均绝对误差mae、平均绝对百分比误差mape、均方根误差rmse、残差平方和sse五种评价指标对预测性能进行评价，五种指标定位分别为：
[0117]
均方误差mse:
[0118][0119]
平均绝对误差mae:
[0120][0121]
平均绝对百分比误差mape:
[0122][0123]
均方根误差rmse:
[0124][0125]
残差平方和sse:
[0126]
[0127]
式中n分别为检验模型在预测数据集中的一个预测数据单元组中的参数变量取值函数，y
i’分别为检验模型中被真实预测检验到的真实预测值，y
i
为被预测检验模型样本的真实预测值。
[0128]
根据以上评价指标，得出四种模型的预测效果性能对比，如表1所示。
[0129]
从图3、图4及表1可以看出，可见pso
‑
woa混合优化svm的预测性能与其他三种算法相比都有所提高，ga
‑
svm、pso
‑
svm、woa
‑
svm、pso
‑
woa
‑
svm的平均绝对误差分别为0.0251、0.0155、0.0114、0.0055，pso
‑
woa
‑
svm的平均绝对误差低于其他三种优化算法，通过对其他预测指标进一步分析，平均绝对百分比误差mape分别为7.88％、4.76％、3.64％、1.71％，rmse分别为0.0289、0.0174、0.0131、0.0057。可以发现pso
‑
woa
‑
svm的预测指标相较于其他三种算法全方位的提升，证明pso
‑
woa
‑
svm模型预测性能相较于其他三种算法有所提升。相比于其他三种模型具有预测的稳定性，且降低了管道运行风险评价中腐蚀速率预测的误差。
[0130]
本发明说明书中未作详细描述的内容属于本领域专业技术人员周知的现有公开技术，并且以上实施方式仅用于说明本发明，而并非对本发明的限制。尽管为说明目的公开了本发明的相关实施例和附图，但是本领域的技术人员可以理解；在不脱离本发明及所附的权利要求的精神和范围内，各种替换、变化、修改都是可能的。因此，所有等同的技术方案也属于本发明的范畴，本发明的专利保护范围应由权利要求限定，而不应局限于最佳实施例和附图所公开的内容。
[0131]
表1模型预测性能评价指标对比
[0132]