期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到7篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
盐穴储气库注采管柱内腐蚀速率预测模型研究 被引量：6
1
作者 骆正山 欧阳长风 +1 位作者 王小完 张新生 《表面技术》 EI CAS CSCD 北大核心 2022年第6期283-290,共8页
目的 提升盐穴储气库注采管柱的内腐蚀速率预测精度,以保障盐穴储气库的设施健康和运行安全。方法 建立基于小波核主成分分析(KPCA)和改进灰狼算法(IGWO)优化的极限学习机(ELM)腐蚀速率预测模型。以某盐穴储气库注采管柱为例。首先选取1... 目的 提升盐穴储气库注采管柱的内腐蚀速率预测精度,以保障盐穴储气库的设施健康和运行安全。方法 建立基于小波核主成分分析(KPCA)和改进灰狼算法(IGWO)优化的极限学习机(ELM)腐蚀速率预测模型。以某盐穴储气库注采管柱为例。首先选取10种腐蚀影响因素,建立盐穴储气库注采管柱的内腐蚀指标体系;其次通过小波KPCA提取影响注采管柱内腐蚀的关键特征,后利用IGWO对ELM模型参数ωj和bj进行迭代寻优,进而建立IGWO–ELM盐穴储气库注采管柱内腐蚀速率预测模型;最后在MATLAB中进行仿真计算,将IGWO–ELM模型与ELM、PSO–ELM、SSA–ELM模型进行预测误差对比。结果 经小波KPCA特征提取后得到包含98.61%原信息的3项主成分,IGWO–ELM模型的预测结果与实际值吻合度高,其均方根误差为0.008 8,平均绝对百分比误差为0.260 9%,决定系数(R^(2))高达0.992 5,比其他3个对比模型的性能更优。结论 小波KPCA特征提取能力优良,IGWO–ELM模型能够有效预测盐穴储气库注采管柱的内腐蚀速率,为盐穴储气库注采管柱的腐蚀研究提供了新的思路与方法。 展开更多
关键词 盐穴储气库 注采管柱 腐蚀速率预测 主成分分析法(kpca) 改进灰狼优化(IGWO) 极限学习机(ELM)
下载PDF
基于KPCA-BAS-GRNN的埋地管道外腐蚀速率预测 被引量：21
2
作者 骆正山 姚梦月 +1 位作者 骆济豪 王小完 《表面技术》 EI CAS CSCD 北大核心 2018年第11期173-180,共8页
目的提高埋地管道外腐蚀速率的预测精度。方法建立基于核主成分分析法(KPCA)和天牛须搜索(BAS)算法优化的广义回归神经网络(GRNN)腐蚀速率预测模型,通过KPCA对原始数据进行预处理,提取影响管道外腐蚀的主要因素,应用GRNN建立埋地管道外... 目的提高埋地管道外腐蚀速率的预测精度。方法建立基于核主成分分析法(KPCA)和天牛须搜索(BAS)算法优化的广义回归神经网络(GRNN)腐蚀速率预测模型,通过KPCA对原始数据进行预处理,提取影响管道外腐蚀的主要因素,应用GRNN建立埋地管道外腐蚀速率预测的数学模型,并采用BAS算法对模型进行优化,减小了人为设置参数的影响。以川气东送埋地管段为例,分析选取出12种关键影响因素,建立了埋地管道外腐蚀指标体系,借助MATLAB-R2014a编写程序进行仿真,并与实际值进行对比。结果模型的预测结果与实际值基本一致,KPCA可有效降低指标体系的维度,提取出包含原始信息97.9%的3个主因素—土壤电阻率、氧化还原电位、氯离子含量,简化了运算过程。采用的BAS-GRNN模型将预测精度提高到7.83%以内,平均相对误差5.21%,决定系数取值0.93。与其他模型相比,该模型性能较好,预测精度更高。结论采用KPCA提取的主要影响因素符合工程实际,建立的BAS-GRNN模型预测精度高,有较好的适应性,为埋地管道外腐蚀速率预测提供了新思路,对管道的维护更新工作提供了参考依据。 展开更多
关键词 埋地管道 外腐蚀速率预测模型 核主成分分析法(kpca) 天牛须搜索算法(BAS) 广义回归神经网络(GRNN)
下载PDF
基于KPCA-CMGANN算法的瓦斯涌出量预测研究 被引量：21
3
作者 肖鹏 谢行俊 +3 位作者 双海清 刘朝阳 王海宁 徐经苍 《中国安全科学学报》 CAS CSCD 北大核心 2020年第5期39-47,共9页
为了精准预测瓦斯涌出量,针对绝对瓦斯涌出量非线性、时变性、复杂性等特点,提出采用核主成分分析法(KPCA)对影响因素进行降维处理;针对BP神经网络(BPNN)中存在的收敛速度慢和易陷入局部最优解的问题,采用压缩映射遗传算法(CMGA)优化BP... 为了精准预测瓦斯涌出量,针对绝对瓦斯涌出量非线性、时变性、复杂性等特点,提出采用核主成分分析法(KPCA)对影响因素进行降维处理;针对BP神经网络(BPNN)中存在的收敛速度慢和易陷入局部最优解的问题,采用压缩映射遗传算法(CMGA)优化BPNN;构建CMGA与BPNN的耦合算法(CMGANN),计算分析某低瓦斯矿井监测历史数据形成的样本集,建立KPCA-CMGANN预测模型;用KPCA-CMGANN预测模型和其他3种网络模型分别对煤矿现场数据进行预测。结果表明:KPCA-CMGANN预测模型在379个时间步长里达到收敛,4个回采工作面的瓦斯涌出量预测相对误差分别为0.58%、0.63%、0.57%和0.45%,平均相对误差仅为0.56%,预测精度和收敛速度均优于对比模型,可实现瓦斯涌出量的快速精准预测。 展开更多
关键词 瓦斯涌出量预测 核主成分分析法(kpca) 压缩映射遗传算法(CMGA) BP神经网络(BPNN) 样本集
下载PDF
基于小波KPCA-SSA-ELM的盐穴储气库注采管柱内腐蚀速率预测 被引量：4
4
作者 骆正山 欧阳长风 +1 位作者 王小完 张新生 《安全与环境学报》 CAS CSCD 北大核心 2023年第7期2238-2245,共8页
为提升盐穴储气库注采管柱的内腐蚀速率预测精度,建立了基于小波核主成分分析方法(Kernel Principal Components Analysis, KPCA)和樽海鞘群算法(Salp Swarm Algorithm, SSA)优化的极限学习机(Extreme Learning Machine, ELM)腐蚀速率... 为提升盐穴储气库注采管柱的内腐蚀速率预测精度,建立了基于小波核主成分分析方法(Kernel Principal Components Analysis, KPCA)和樽海鞘群算法(Salp Swarm Algorithm, SSA)优化的极限学习机(Extreme Learning Machine, ELM)腐蚀速率预测模型。首先通过小波KPCA提取影响注采管柱内腐蚀的主要特征,应用ELM建立盐穴储气库注采管柱内腐蚀速率预测模型,并采用SSA对模型参数进行迭代寻优,避免原参数选取的强随机性对模型泛化能力和预测性能的影响。结果表明,经小波KPCA特征提取后得到包含98.73%原信息的3项主成分,SSA-ELM模型的预测结果与实际值基本吻合,其均方根误差(E_(RMS))为0.009 3,平均绝对百分比误差(E_(MAP))为0.336 0%,决定系数(R~2)高达0.991 2,较其他3种对比模型性能更优。研究表明,所建模型具有强泛化性能和高预测精度,能够有效预测盐穴储气库注采管柱的内腐蚀速率,为盐穴储气库注采系统的完整性评价和风险预警提供参考。 展开更多
关键词 安全工程 盐穴储气库 注采管柱 内腐蚀速率 核主成分分析法(kpca) 樽海鞘群算法(SSA) 极限学习机(ELM)
下载PDF
基于KPCA-GA-BP模型的页岩气集输管道的内腐蚀速率预测
5
作者 周逸轩 彭星煜 +1 位作者 耿月华 王思汗 《腐蚀与防护》 CAS CSCD 北大核心 2024年第4期63-68,共6页
针对页岩气集输管道的内腐蚀,提出了一种基于KPCA-GA-BP组合模型的腐蚀速率预测算法。以某条页岩气集输管道的检测结果作为训练数据,运用反向传播(BP)神经网络建立预测模型,运用遗传算法(GA)优化了神经网络权值和阈值的初始值,运用核主... 针对页岩气集输管道的内腐蚀,提出了一种基于KPCA-GA-BP组合模型的腐蚀速率预测算法。以某条页岩气集输管道的检测结果作为训练数据,运用反向传播(BP)神经网络建立预测模型,运用遗传算法(GA)优化了神经网络权值和阈值的初始值,运用核主成分分析法(KPCA)对数据进行了降维,在模型建立的过程中不断优化提升模型的预测精度,采用所建模型对另一条相邻管道进行预测并开挖验证。结果表明:选择TRAINGDM作为训练函数,隐含层节点为(8,1),遗传算法进化数为50,种群规模为100,交叉概率为0.3,变异概率为0.2,运用KPCA将数据从7维降为4维后,此模型的均方误差最低为0.12,当该模型用于相邻管道的预测时,均方误差为0.14。运用KPCAGA-BP模型,对页岩气集输管道内腐蚀速率进行预测具有一定的准确性,此模型可用于辅助指导现场内腐蚀直接评价等相关工作。 展开更多
关键词 页岩气集输管道 内腐蚀速率 BP神经网络 遗传算法 核主成分分析法(kpca) 均方误差(MSE)
下载PDF
基于KPCA-LSSVM的回采工作面瓦斯涌出量的预测
6
作者 陈巧军 余浩 +2 位作者 李艳昌 谭依佳 李奕 《中国安全生产科学技术》 CAS CSCD 北大核心 2024年第4期78-84,共7页
为了提高瓦斯涌出量预测精度,针对瓦斯涌出量影响因素具有线性重叠、高维非线性等问题,提出使用核主成分分析法(KPCA)对影响因素进行非线性降维。选取沈阳某矿30组样本数据,以前24组数据作为训练集,后6组数据作为测试集,将确定后的核主... 为了提高瓦斯涌出量预测精度,针对瓦斯涌出量影响因素具有线性重叠、高维非线性等问题,提出使用核主成分分析法(KPCA)对影响因素进行非线性降维。选取沈阳某矿30组样本数据,以前24组数据作为训练集,后6组数据作为测试集,将确定后的核主成分作为最小二乘支持向量机(LSSVM)的输入变量,建立KPCA-LSSVM预测模型,将预测结果与PCA-LSSVM、LSSVM、多元非线性回归、KPCA-BP神经网络、PCA-BP神经网络以及BP神经网络预测结果进行对比。以最大相对误差绝对值作为模型预测精度的评价指标。研究结果表明:当选取前4个核主成分时,即达到模型训练要求。KPCA-LSSVM模型的预测最大相对误差绝对值为5.89%,预测精度均优于其他6种对比模型。研究结果可为实现瓦斯涌出量高精度预测提供参考。 展开更多
关键词 瓦斯涌出量的预测 核主成分分析法(kpca) 最小二乘支持向量机(LSSVM) 相对误差绝对值
下载PDF
优化量子门线路的煤与瓦斯突出预测模型 被引量：1
7
作者 付华 孟庭儒 +1 位作者 阎馨 卢万杰 《控制工程》 CSCD 北大核心 2021年第9期1731-1737,共7页
为提高煤与瓦斯突出强度的预测精度,提出了一种基于核主成分分析和联合改进灰狼算法优化量子门线路神经网络的KPCA-IGWO-QGCNN煤与瓦斯突出强度预测方法,确定煤与瓦斯突出强度的主要影响因素,采用核主成分分析降低瓦斯突出强度影响指标... 为提高煤与瓦斯突出强度的预测精度,提出了一种基于核主成分分析和联合改进灰狼算法优化量子门线路神经网络的KPCA-IGWO-QGCNN煤与瓦斯突出强度预测方法,确定煤与瓦斯突出强度的主要影响因素,采用核主成分分析降低瓦斯突出强度影响指标的维数,简化神经网络结构;量子门线路神经网络具有量子并行计算的优势,可有效提高信息处理的运算速度并扩大信息的存储容量,具有较好的收敛能力与鲁棒性;通过非线性控制参数与粒子群思想联合改进的灰狼算法提高模型全局寻优能力,优化量子门线路神经网络的网络参数。通过对比分析该模型与BP神经网络、QGCNN、GWO-QGCNN神经网络模型的预测结果,说明该模型泛化能力强,预测精度高。 展开更多
关键词 煤与瓦斯突出 强度预测 核主成分分析法(kpca) 改进灰狼优化算法 量子门线路神经网络(QGCNN)
下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
使用帮助 返回顶部