[1]葛安杰,屠懿,彭剑.基于机器学习的含缺陷PE管道承载能力研究[J].常州大学学报(自然科学版),2022,34(06):34-40.[doi:10.3969/j.issn.2095-0411.2022.06.005]
　GE Anjie,TU Yi,PENG Jian.Study on the Carrying Capacity of the PE Pipeline with Defects Based on Machine Learning[J].Journal of Changzhou University(Natural Science Edition),2022,34(06):34-40.[doi:10.3969/j.issn.2095-0411.2022.06.005]
点击复制

基于机器学习的含缺陷PE管道承载能力研究()
分享到：

常州大学学报(自然科学版)[ISSN:2095-0411/CN:32-1822/N]

卷:
第34卷
期数:
2022年06期
页码:
34-40
栏目:
机械制造及其自动化
出版日期:
2022-11-28

文章信息/Info

Title:
Study on the Carrying Capacity of the PE Pipeline with Defects Based on Machine Learning
文章编号:
2095-0411(2022)06-0034-07
作者:
葛安杰; 屠懿; 彭剑
(常州大学机械与轨道交通学院,江苏常州213164)
Author(s):
GE Anjie;  TU Yi;  PENG Jian
(School of Mechanical Engineering and Rail Transit, Changzhou University, Changzhou 213164, China)
关键词:
含缺陷管道;  有限元仿真;  BP神经网络;  遗传算法
Keywords:
pipeline containing defects;  finite element simulation;  BP neural network;  genetic algorithm
分类号:
TE 1
DOI:
10.3969/j.issn.2095-0411.2022.06.005
文献标志码:
A
摘要:
通过拉伸试验与DIC方法拟合得到初始弹性模量和屈服应力等相关参数,采用有限元方法,获取管道在内压、弯矩、轴向力联合载荷作用下的承载能力。在此基础上构建了包含相对深度(C/T),相对轴向长度(2A/(RT)1/2),相对周向角度(2θ/π)和无量纲参数(c)等4个参数的含局部减薄缺陷PE管道的BP神经网络模型,并结合GA优化BP神经网络模型进行对比分析。可以发现,模型的预测值与模拟的结果较为一致,表明采取GA优化BP神经网络模型的方法是可行的,为含局部减薄缺陷PE管道的智能化安全评价提供了有效方法。
Abstract:
PE pipeline is widely used in urban gas pipe network. The carrying capacity of PE pipe with local thinning defects is an important means to ensure its safe operation.Firstly, the initial elastic modulus and yield stress are fitted by the finite element method to obtain the carrying capacity of internal pressure, bending moment and axial force, the BP neural network model including relative depth C/T, relative axial length 2A/(RT)1/2, relative circumferential angle 2θ/π and dimensionless parameters c, and combined with GA optimized BP neural network model. It can be found:the predicted value of the model is relatively consistent with the simulation results, which shows that the method of GA optimization of the BP neural network model is feasible, which provides an effective method for the intelligent safety evaluation of the PE pipeline with local thinning defects.

参考文献/References:

[1] 徐磊, 侯磊, 李雨, 等. 机器学习在油气管道的应用研究进展及展望[J]. 油气储运, 2021, 40(2): 138-145.
[2] SILVA R C C, GUERREIRO J N C, LOULA A F D. A study of pipe interacting corrosion defects using the FEM and neural networks[J]. Advances in Engineering Software, 2007, 38(11/12): 868-875.
[3] 白瑞峰. 体积型缺陷对油气管道安全性的影响研究[D]. 西安: 西北大学, 2021.
[4] 李琴, 孙春梅, 黄志强, 等. 兰成渝腐蚀管道失效压力的GA-BP神经网络组合预测方法[J]. 中国安全生产科学技术, 2015, 11(11): 83-89.
[5] 仇海, 袁惠新, 郭早阳. 基于DIC系统的PE-HD力学性能[J]. 工程塑料应用, 2017, 45(3): 41-44.
[6] 杨利伟, 邢雯雯, 张莉平, 等. 基于GA优化BP神经网络模型的污水管道系统健康状况评估[J]. 给水排水, 2021, 57(9): 123-131.
[7] 史雪婷. 复杂载荷作用管道腐蚀缺陷剩余强度非线性有限元研究[D]. 西安: 西安石油大学, 2017.
[8] 秦敬芳, 陈定岳, 陈文飞, 等. 含局部减薄缺陷压力管道的塑性极限载荷数值分析和安全评定研究[J]. 化工设备与管道, 2017, 54(2): 74-77.
[9] 陈钢, 贾国栋, 陶雪荣, 等. 内压、弯矩联合载荷作用下含局部减薄压力管道塑性极限载荷数值分析[C]//第五届全国压力容器学术会议论文集. 南京: 国家质量技术监督局锅炉压力容器检测研究中心, 2001: 189-193.
[10] 左建东. 含缺陷燃气聚乙烯管道的安全评定数值分析[D]. 北京: 北京交通大学, 2017.
[11] 徐黎明, 王清, 陈剑平, 等. 基于BP神经网络的泥石流平均流速预测[J]. 吉林大学学报(地球科学版), 2013, 43(1): 186-191.
[12] 张翔, 王应刚, 陈泓谕, 等. 基于BP神经网络与遗传算法的固结磨具制作工艺参数优化[J]. 表面技术, 2022, 51(2): 358-366.
[13] HUA X, ZHANG G, YANG J W, et al. Theory study and application of the BP-ANN method for power grid short-term load forecasting[J]. ZTE Communications, 2015, 13(3): 2-5.
[14] 任谢楠. 基于遗传算法的BP神经网络的优化研究及MATLAB仿真[D]. 天津: 天津师范大学, 2014.
[15] 林济铿, 任怡睿, 闪鑫, 等. 基于Logistic回归深层神经网络的电力系统故障概率诊断[J]. 天津大学学报(自然科学与工程技术版), 2021, 54(2): 186-195.
[16] 段侯峰. 基于遗传算法优化BP神经网络的变压器故障诊断[D]. 北京: 北京交通大学, 2008.
[17] 杨客. 遗传算法优化的BP神经网络在连云港港口吞吐量预测中的应用研究[D]. 深圳: 深圳大学, 2017.
(责任编辑:李艳,周安迪)

备注/Memo

备注/Memo:
收稿日期: 2022-05-19。
基金项目: 国家自然科学基金资助项目(52075050); 江苏省自然科学基金资助项目(BK20201448)。
作者简介: 葛安杰(1994—), 男, 江苏南京人, 硕士生。 通信联系人: 彭剑(1987—), E-mail: joepengjian@163.com
更新日期/Last Update: 1900-01-01