基于IFA-BPNN的長輸管道外腐蝕速率預測

凌曉，徐魯帥，高甲程，馬娟娟，馬賀清，付小華

基于IFA-BPNN的長輸管道外腐蝕速率預測

凌曉1a，徐魯帥1a，高甲程2，馬娟娟1a，馬賀清1a，付小華1b

（1.蘭州理工大學 a.石油化工學院 b.理學院，蘭州 730050；2.中國石油天然氣股份有限公司 甘肅蘭州銷售分公司，蘭州 730050）

構建陸地長輸管道外腐蝕速率的預測模型，提升管道外腐蝕速率預測的精度，對長輸管道外腐蝕狀態進行準確把控。深入解析了螢火蟲算法（FA）的工作原理，針對FA易出現陷入局部最優或因控制參數設置不合適而導致函數無法收斂等問題，提出了FA的改進方案：采用Logistics混沌映射的方法初始化螢火蟲的位置，提升螢火蟲種群的所養性；引入一種新的慣性權重計算方法來改進螢火蟲位置移動公式，提升FA全局尋優能力。利用改進的螢火蟲算法（IFA）對誤差反向傳播神經網絡（BPNN）初始權值和閾值進行優化，建立基于IFA-BPNN的長輸管道外腐蝕速率預測模型。以111組長輸管道外腐蝕檢測數據為例，在MATLAB中進行模擬仿真計算，使用粒子群算法優化的BPNN（PSO-BPNN）、遺傳算法優化的BPNN（GA-BPNN）以及未進行優化的BPNN作為對比模型進行對比分析。使用IFA優化BPNN，大幅提升了BPNN模型的預測精度。使用IFA-BPNN模型預測12組管道腐蝕速率，平均相對誤差僅為5.94%，預測結果的2為0.995 95，均優于BPNN、PSO-BPNN以及GA-BPNN模型的預測結果。IFA-BPNN作為預測管道腐蝕速率工具具有較好的預測精度和魯棒性。

螢火蟲算法；BP神經網絡；混沌初始化；慣性權重；管道；腐蝕速率預測

管道作為最快速、最安全的石油和天然氣運輸方式，建設規模不斷擴大。2019年末，我國長輸管道總里程已達13.9×104km[1]，管道失效將直接影響企業的經濟效益和居民的安全[2-3]。近年來，國內外研究人員對管道失效模式進行了大量研究，發現腐蝕是造成油氣長輸管道失效的主要原因之一[4-6]。管道開挖檢測費時費力，易造成資源浪費。因此，基于算法模型以及影響管道腐蝕的各項數據，對管道腐蝕狀態進行準確預測，可為管道檢維修提供決策支持，對保障管道安全運行具有重大意義[7-11]。

張河葦等[12]使用互信息理論確定了管道腐蝕的主要影響因素，為選取預測管道腐蝕速率的數據提供了決策支持。畢傲睿等[13]利用主成分分析法對輸油管道內腐蝕因素進行優選，選出了影響管道腐蝕的主要因素，并結合改進的支持向量機模型對管道內腐蝕情況進行預測，且結果較為理想，但支持向量機由于算法本體缺陷，針對大規模訓練樣本難以實施。陳迪等[14]研究發現了影響含硫管道腐蝕情況的四大因素，并結合實驗結論建立了一套預測含硫管道腐蝕狀態模型，預測效果較優，但該模型僅針對管道內腐蝕有效，不適用于管道外腐蝕速率預測。章玉婷等[15]使用單一的BP神經網絡（BP Neural Network，BPNN）對管道腐蝕速率進行分析預測，由于未經優化的BPNN易陷入局部最優，因此預測值相對真實數據誤差較大。董紹華等提出中國管道的發展目標是建立基于管道全生命周期大數據的智慧管網[16]，而基于機器學習的管道大數據分析處理是構建智慧管網的重要內容之一。近年來，Yang等[17-19]提出了螢火蟲算法（Firefly Algorithm，FA），并通過仿真證實了FA要優于粒子群優化算法（Particle Swarm Optimization，PSO）和遺傳算法（Genetic Algorithm，GA）。NANDY等[20]使用FA優化BPNN的初始權值和閾值，并通過仿真證實了其可行性。

綜上所述，目前研究工作著重于管道腐蝕小樣本數據預測研究，或因算法本體缺陷而導致腐蝕速率的預測誤差較大。隨著智慧管網的發展，管道數據采集量將會增大，而BPNN可應對數據量較大的問題。因此，本文對FA算法進行了改進，增強其全局尋優能力，并利用IFA對BPNN初始權值和閾值進行優化，建立了基于IFA-BPNN的長輸管道外腐蝕速率預測模型，并對該模型進行實例應用，驗證了該模型的適應性和魯棒性。

1 BPNN及其優化模型介紹

BPNN模型具有較強的非線性函數擬合能力，但該模型常因初始權值和閾值的設置不當而陷入局部最優，從而使模型預測結果不理想。為改進BPNN本體存在的不足，本文提出使用IFA對BPNN初始值進行優化，并以GA和PSO作為對比優化模型進行測試分析，以驗證IFA-BPNN模型的使用效果。

1.1 BPNN模型概述

BPNN于1986年提出，是現階段應用較廣泛的神經網絡模型之一。BPNN一般采用3層網絡結構便可達到良好的非線性逼近效果[21-22]。BPNN輸入和輸出的節點數量分別根據數據輸入類別和預期輸出類別確定，隱藏層中的節點數量可根據經驗公式確定，各層通過權值相連，隱藏層和輸出層各節點設有閾值。BPNN網絡拓撲圖如圖1所示。

BPNN模型正向傳遞過程按式（1）—（4）進行運算[9]。

圖1 BPNN模型示意圖

誤差反向傳播的誤差函數公式及權值閾值修正系數的公式為[9]：

1.2 GA模型

GA由Holland及其學生于1975年創建，其思想是基于達爾文的進化論和Mendel的遺傳學說，其主體分為選擇、交叉和變異三部分[23-24]：

1）選擇。文內采用輪盤賭方法進行選擇操作，其公式為式（10），其中f計算公式與式（5）相同。

2）交叉。文中采用實數交叉法，公式見式（11）。

3）變異。變異操作的公式見式（12）。

1.3 PSO模型

PSO算法原理是隨機初始化一組粒子，通過跟蹤個體極值和群體極值來更新粒子群，粒子的速度和位置分別根據式（13）和式（14）更新[25]。

慣性權重采用線性遞減的方式[26]，其計算公式見式（15）。

1.4 FA模型及改進

1.4.1 FA模型

4）計算更新位置后螢火蟲的亮度。

5）滿足結束條件后輸出全局極值和最優個體值；若不滿足，轉步驟2繼續迭代搜索，迭代次數加1。

1.4.2 FA模型改進策略

FA作為新型優化算法，易出現陷入局部最優或因控制參數設置不合適而導致函數無法收斂等問題[27-29]。鑒于上述問題，對FA進行改進，表1為IFA的偽代碼。

表1 IFA偽代碼

Tab.1 IFA pseudocode

處理流程如下所述。

1）對螢火蟲位置進行Logistics混沌初始化，提升了螢火蟲初始種群的多樣性和螢火蟲搜索的全局遍歷性，又與螢火蟲隨機初始化位置本質相匹配。Logistics混沌映射公式見式（20）[30]。

2 管道外腐蝕速率預測模型構建

分別使用GA、PSO以及IFA 3種優化算法對BPNN的初始權值和閾值進行優化，結合第1節各算法的理論基礎，構建長輸管道外腐蝕速率預測模型GA-BPNN、PSO-BPNN和IFA-BPNN，具體的模型構建流程如圖2所示。

3 模型評價指標

圖2 混合模型流程圖

4 實例分析

4.1 數據采集

選用文獻[32]的111組管道外腐蝕數據，這111組數據的管道防腐層均為煤焦油瓷漆涂層。因數據組數較多，文內僅展示20組檢測數據，如表2所示。每組數據包含11項檢測數據，其中Corrosion rate為管道外腐蝕速率，TT為管道運行總時長，PP為氧化還原電位，pH為管道外界土壤的pH值，RP為管地電位，RE為土壤電阻率。此數據集包括對現場開挖點的土壤成分分析數據，該數據集采用標準實驗室方法進行分析檢測，所測數據類型包括含水量（WC）、容重（BD）及溶解氯化物（CC）、碳酸氫鹽（BC）、硫酸鹽（SC）的離子濃度。隨機選取99組數據讓各模型進行學習訓練，利用剩余的12組數據對各模型進行測試分析。

4.2 模型參數設置

分別使用未經優化的BPNN模型、GA-BPNN模型、PSO-BPNN模型、IFA-BPNN模型進行管道數據的學習預測。

4.2.1 BPNN網絡設置

BPNN采用3層網絡結構，各層節點數的設置方法如下所述。

BPNN輸入數據類型包括管道運行總時長，氧化還原電位，管道外界土壤的pH值，管地電位，土壤電阻率，土壤含水量，容重，土壤中溶解氯化物、碳酸氫鹽以及硫酸鹽離子濃度。BPNN輸出數據為管道外腐蝕速率。因此，將BPNN輸入層節點數設為10，輸出層節點數設為1。隱含層神經元節點數根據經驗公式（27）計算選取[33]，因為log2(99)≈7，所以BPNN隱含層神經元節點數設置為7。

隱含層選用logsig函數作為傳遞函數，其表達式見式（28）。選用pureline型函數作為輸出層的傳遞函數，表達式見式（29）。

4.2.2 模型初始化設置

表2 長輸管道外腐蝕數據集

Tab.2 External corrosion data set of long-distance pipeline

表3 GA初始化參數

Tab.3 GA initialization parameters

表4 PSO初始化參數

Tab.4 PSO initialization parameters

表5 IFA初始化參數

Tab.5 IFA initialization parameters

5 結果分析

為避免數值問題，加快BPNN的收斂速度，在進行訓練之前，對所有數據進行歸一化操作，歸一化公式見式（30）。

模型訓練后的測試結果如表6、圖3和圖4所示。由表6可知，使用未經優化的BPNN預測管道腐蝕速率的效果最差，最大相對誤差（Max RE）達到了30.88%，最小相對誤差（Min RE）為14.17%；預測效果最好的是IFA-BPNN模型，其預測結果的Max RE為8.82%，Min RE僅為1.47%，也就是其誤差區間為[1.47%,8.82%]；相較于PSO-BPNN和GA-BPNN模型的誤差區間，IFA-BPNN模型的[Min RE,Max RE]的取值最小，跨度最小，證明了IFA-BPNN的預測精度要優于BPNN、PSO-BPNN以及GA-BPNN。為進一步分析驗證IFA-BPNN的使用效果，對BPNN、PSO-BPNN、GA-BPNN、IFA-BPNN的預測結果進行MAE計算，結果分別為22.26%、15.03%、10.74%、5.94%。相較于BPNN、PSO-BPNN、GA-BPNN預測結果的平均相對誤差，IFA-BPNN分別提升了16.32%、9.09%、4.8%。使用訓練好的模型BPNN、PSO-BPNN、GA-BPNN、IFA-BPNN對訓練集的99組數據進行測試，其平均相對誤差分別為18.11%、12.54%、9.12%、5.66%，進一步驗證了利用IFA優化BPNN后可有效提升其預測精度。

表6 模型預測誤差統計表

Tab.6 Model prediction error statistics table

圖3 模型預測結果對比圖

圖4 模型預測誤差曲線圖

由圖3可見，IFA-BPNN預測的管道外腐蝕速率與實測值最接近，相較于未經優化的BPNN，其預測精度有了較大幅度的提升，且IFA-BPNN的預測精度也優于PSO-BPNN和GA-BPNN。圖4為預測結果的誤差對比圖。由圖4可見，BPNN預測結果的誤差最大，PSO-BPNN次之，GA-BPNN優于BPNN和PSO-BPNN，IFA-BPNN預測結果的相對誤差最小，且相對誤差曲線最為平緩，這不僅體現出IFA-BPNN模型預測結果的準確率較高，也體現出該模型具有較強的魯棒性。

分別把BPNN、PSO-BPNN、GA-BPNN、IFA-BPNN預測的管道腐蝕速率與實際檢測的管道外腐蝕速率進行相關性分析，其結果如圖5—8所示，圖中黑色線公式為=，紅色線為預測結果擬合線。可知BPNN模型的2為0.88037，PSO-BPNN的2為0.95876，GA-BPNN的2為0.97888，IFA-BPNN的2為0.99595。IFA-BPNN的2最接近1，這進一步驗證了IFA-BPNN作為預測管道腐蝕速率工具的準確性和魯棒性。

圖5 BPNN預測結果線性擬合圖

圖6 PSO-BPNN預測結果線性擬合圖

圖7 GA-BPNN預測結果線性擬合圖

圖8 IFA-BPNN預測結果線性擬合圖

6 結論

1）對FA進行改進，一是對螢火蟲初始位置進行Logistics混沌初始化，二是引入了新的慣性權重計算公式，有利于函數跳出局部最優尋找全局最優。利用改進的螢火蟲算法優化BPNN的初始權值和閾值，建立了IFA-BPNN管道外腐蝕速率預測模型。

2）分別使用BPNN、PSO-BPNN、GA-BPNN以及IFA-BPNN模型對長輸管道外腐蝕速率數據進行訓練、預測。IFA-BPNN模型預測結果的MRE為5.94%，2為0.99595，均優于BPNN、PSO-BPNN、GA-BPNN的預測結果，驗證了IFA-BPNN作為預測管道腐蝕速率工具的準確性和魯棒性。應用IFA-BPNN模型預測管道外腐蝕速率可為長輸管道的檢維修提供決策支持。

3）由于管道外腐蝕因素較多，且工程上難以獲取較為整齊的數據，后期研究可在數據集中添加隨機變量以及噪音數據進行深入研究。

[1] 高鵬, 高振宇, 王峰, 等. 2018年中國油氣管道建設新進展[J]. 國際石油經濟, 2019, 27(3): 62-67. GAO Peng, GAO Zhen-yu, WANG Feng. New progress in China’s oil and gas pipeline construction in 2019[J]. International petroleum economics, 2019, 27(3): 62-67.

[2] 王大慶, 張鵬. 油氣輸送管線失效后果模糊事件樹分析[J]. 安全與環境學報, 2014, 14(3): 88-92. WANG Da-qing, ZHANG Peng. Analysis of failure cons-e-quences of oil and gas transmission pipelines by using a fuzzy event tree[J]. Journal of safety and environment, 2014, 14(3): 88-92.

[3] 黃坤, 吳佳麗, 全愷, 等. 含腐蝕缺陷油氣管道評價技術研究進展[J]. 表面技術, 2018, 47(1): 116-122. HUANG Kun, WU Jia-li, QUAN Kai, et al. A review on evaluation technology of oil-gas pipelines with corrosion defect[J]. Surface technology, 2018, 47(1): 116-122.

[4] 單克, 帥健, 楊光, 等. 美國油氣管道基本失效概率評估方法及啟示[J]. 油氣儲運, 2020, 39(5): 530-535. SHAN Ke, SHUAI Jian, YANG Guang, et al. Evaluation method for basic failure probability of oil and gas pipeline based on accident statistics in the United States and enli-ghtenments[J]. Oil & gas storage and transportation, 2020, 39(5): 530-535.

[5] CHIO Lam, ZHOU Wen-xing. Statistical analyses of inci-dents on onshore gas transmission pipelines based on PHMSA database[J]. International journal of pressure ve-ssels and piping, 2016, 145: 29-40.

[6] 張英, 呂佳慧, 王衛澤, 等. 失效數據庫的建立和近年國內失效案例的統計分析[J]. 金屬熱處理, 2019, 44(1): 668-675. ZHANG Ying, LYU Jia-hui, WANG Wei-ze, et al. Estab-lishment of failure database and statistical analysis of do-m-estic failure cases based in recent years[J]. Heat treatment of metals, 2019, 44(1): 668-675.

[7] MOHAMMED S, ABBASY E, AHMED S, et al. Artificial neural network models for predicting condition of offsh-ore oil and gas pipelines[J]. Automation in construction, 2014, 45: 50-65.

[8] 曲志豪, 唐德志, 胡麗華, 等. 基于優化隨機森林的H2S腐蝕產物類型及腐蝕速率預測[J]. 表面技術, 2020, 49(3): 42-49. QU Zhi-hao, TANG De-zhi, HU Li-hua, et al. Prediction of H2S corrosion products and corrosion rate based on optimized random forest[J]. Surface technology, 2020, 49(3): 42-49.

[9] 凌曉, 徐魯帥, 梁瑞, 等. 基于改進PSO-BPNN的輸油管道內腐蝕速率研究[J]. 中國安全生產科學技術, 2019, 15(10): 63-68. LING Xiao, XU Lu-shuai, LIANG Rui, et al. Study on internal corrosion rate of oil pipeline based on improved PSO-BPNN[J]. Journal of safety science and technology, 2019, 15(10): 63-68.

[10] 馬鋼, 李俊飛, 白瑞, 等. 基于PSO-SVM模型的油氣管道內腐蝕速率預測[J]. 表面技術, 2019, 48(5): 43-48. MA Gang, LI Jun-fei, BAI Rui, et al. Prediction of corr-osion rate in oil and gas pipelines based on PSO-SVM model[J]. Surface technology, 2019, 48(5): 43-48.

[11] 王文輝, 駱正山, 張新生. 基于PSO-GRNN模型的埋地管道腐蝕剩余壽命預測[J]. 表面技術, 2019, 48(10): 267-275. WANG Wen-hui, LUO Zheng-shan, ZHANG Xin-sheng. Prediction on remaining service life of buried pipeline after corrosion based on PSO-GRNN model[J]. Surface technology, 2019, 48(10): 267-275.

[12] 張河葦, 金劍, 董紹華, 等. 一種基于管道大數據的腐蝕因素相關性分析方法[J]. 科學通報, 2018, 63(8): 777-783. ZHAN He-wei, JIN Jian, DONG Shao-hua, et al. A corr-osion correlation analysis method based on pipeline big data[J]. Chinese science bulletin, 2018, 63(8): 777-783.

[13] 畢傲睿, 駱正山, 喬偉, 等. 基于主成分和粒子群優化支持向量機的管道內腐蝕預測[J]. 表面技術, 2018, 47(9): 133-140. BI Ao-rui, LUO Zheng-shan, QIAO Wei, et al. Prediction of pipeline inner-corrosion based on principal component analysis and particle swarm optimization-support vector machine[J]. Surface technology, 2018, 47(9): 133-140.

[14] 陳迪, 廖柯熹, 何國璽, 等. 基于EWM-GRA的腐蝕主控因素分析與腐蝕模型建立[J]. 表面技術, 2019, 48(6): 268-273. CHEN Di, LIAO Ke-xi, HE Guo-xi, et al. Analysis of corrosion main influencing factors based on EWM-GRA and corrosion model establishment[J]. Surface technology, 2019, 48(6): 268-273.

[15] 章玉婷, 楊劍鋒. 基于BP神經網絡的管道腐蝕速率預測[J]. 全面腐蝕控制, 2013, 27(9): 67-71. ZHANG Yu-ting, YANG Jian-feng. Corrosion rate predi-c-tion of pipeline based on BP artificial neural network[J]. Total corrosion control, 2013, 27(9): 67-71.

[16] 董紹華. 中國油氣管道完整性管理20年回顧與發展建議[J]. 油氣儲運, 2020, 39(3): 241-261. DONG Shao-hua. Review of China’s oil and gas pipeline integrity management in the past 20 years and developm-ent suggestions[J]. Oil & gas storage and transportation, 2020, 39(3): 241-261.

[17] YANG X S. Firefly algorithms for multimodal optimi-zation[J]. Lecture notes in computer science, 2009, 5792: 169-178.

[18] YANG, X S. Firefly algorithm, stochastic test functions and design optimisation[J]. International journal of bio inspired computation, 2010, 2(2): 78-84.

[19] YANG X S, HE X. Firefly algorithm: recent advances andapplications[J]. International journal of swarm intelligence, 2013, 1(1): 36-50.

[20] NANDY S, SARKAR P P, DAS A. Analysis of a nature inspired firefly algorithm based back-propagation neural network training[J]. Computer science, 2012, 8(22): 207- 220.

[21] HORNIK K, STINCHCOMBE M, WHITE H. Multilayer feedforward networks are universal approximators[J]. Ne-ural networks, 1989, 2(5): 359-366.

[22] HOLLAND J H. Adaptation in natural and artificial sys-tems[M]. Ann Arbor: University of Michigan Press, 1975.

[23] 許宏良, 殷蘇民. 基于改進BP神經網絡優化的管道腐蝕速率預測模型研究[J]. 表面技術, 2018, 47(2): 177- 181.XU Hong-liang, YIN Su-min. Prediction model of pipeline corrosion rate based on improved BP neural network[J]. Surface technology, 2018, 47(2): 177-181.

[24] 吉根林. 遺傳算法研究綜述[J]. 計算機應用與軟件, 2004, 21(2): 69-73. JI Gen-lin. Survey on genetic algorithm[J]. Computer ap-p-lications and software, 2004, 21(2): 69-73.

[25] SHI Y H, EBERHART R C. A modified particle swarm optimizer[C]//Proc of the IEEE international conference on evolutionary computation. Piscataway: IEEE Service Center, 1998: 69-73.

[26] CHATTERJEE A, SIARRY P. Nonlinear inertia weight variation for dynamic adaptation in particle swarm opti-mi-zation[J]. Computers and operations research, 2006, 33(3): 859-871.

[27] 程美英, 倪志偉, 朱旭輝. 螢火蟲優化算法理論研究綜述[J]. 計算機科學, 2015(4): 24-29. CHENG Mei-ying, NI Zhi-wei, ZHU Xu-hui. Overview on glowworm swarm optimization or firefly algorithm[J]. Computer science, 2015(4): 24-29.

[28] 楊雁瑩, 徐仙偉, 曹霽. 基于仿生理論的新型優化算法綜述[J]. 計算機仿真, 2016, 33(6): 233-237. YANG Yan-ying, XU Xian-wei, CAO Ji. Overview of new optimization algorithms based on bionic theory[J]. Computer simulation, 2016, 33(6): 233-237.

[29] 李巍華, 翁勝龍, 張紹輝. 一種螢火蟲神經網絡及在軸承故障診斷中的應用[J]. 機械工程學報, 2015(7): 99-106. LI Wei-hua WENG Sheng-long, ZHANG Shao-hui. A firefly neural network and its application in bearing fault diagnosis[J]. Journal of mechanical engineering, 2015(7): 99-106.

[30] ROBERT M. On the derivation of a “Chaotic” encryption algorithm[J]. Cryptologia, 1989, 13(1): 29-42.

[31] 李丹丹. 基于改進粒子群算法的混沌時間序列預測[D]. 秦皇島: 燕山大學, 2014. LI Dan-dan. Chaotic time serise prediction based on imp-roved particle swarm algorithm[D]. Qinhuangdao: Yanshan University, 2014.

[32] VELAZQUEZ J C, CALEYO F, VALOR A, et al. Tech-nical note: Field study-pitting corrosion of underground pipelines related to local soil and pipe characteristics[J]. Corrosion, 2010, 66(1): 0160011-0160015.

[33] WANAS N, AUDA G, KAMEL M S, et al. On the optimal number of hidden nodes in a neural network[C]// Procee-ding of 1998 IEEE canadian conference on electrical and computer engineering. Toronto: IEEE, 2002: 918-921.

Prediction of External Corrosion Rate of Oil Pipeline Based on Improved IFA-BPNN

1a,1a,2,1a,1a,1b

(1.a.College of Petroleum and Chemical Engineering, b.College of Sciences, Lanzhou University of Technology, Lanzhou 730050, China; 2.PetroChina Gansu Lanzhou Marketing Company, Lanzhou 730050, China)

In order to establish a machine learning model for predicting the external corrosion rate of long land transport pipelines, improve the prediction accuracy of the external corrosion rate of the pipeline, and accurately grasp the external corrosion status of the long-distance pipeline, this paper analyzes the working principle of FA, to solve the problems of FA, such as local optimization or function convergence failure due to initial parameter setting, and an improved FA algorithm is proposed: This paper uses the method of Logistics chaotic mapping to initialize the position of the firefly, and improve the cultivability of the firefly population; this paper introduces a new inertia weight calculation method to improve the formula of the firefly position movement and enhance the FA global optimization ability. The improved FA (IFA) was used to optimize the initial weights and thresholds of BPNN, and a long-distance pipeline external corrosion rate prediction model based on IFA-BPNN was established. Taking 111 sets of long-distance pipeline external corrosion detection data as an example, the simulation calculation is carried out in MATLAB, and PSO-BPNN, GA-BPNN and unoptimized BPNN are used as comparative models for comparative analysis. The IFA model is used to initialize the BPNN model, which greatly improves the prediction accuracy of the BPNN model. The IFA-BPNN model was used to predict and analyze the external corrosion rates of 12 groups of pipelines, the average relative error was only 5.94%, and the2of the prediction results was 0.995 95. The prediction results of IFA-BPNN model are superior to those of BPNN model, PSO-BPNN model and GA-BPNN model in all aspects. IFA-BPNN has good accuracy and robustness as a tool to predict pipeline corrosion rate.

firefly algorithm; BP neural network; chaos initialization; inertia weight; oil pipelines; corrosion rate prediction

2020-07-30；

2020-11-27

LING Xiao (1982—), Male, Doctor, Associate professor, Research focus: oil and gas pipeline integrity management. E-mail: lingxiao_ lut@163.com

凌曉, 徐魯帥, 高甲程, 等.基于IFA-BPNN的長輸管道外腐蝕速率預測[J]. 表面技術, 2021, 50(4): 285-293.

TG172

A

1001-3660(2021)04-0285-09

10.16490/j.cnki.issn.1001-3660.2021.04.029

2020-07-30；

2020-11-27

國家自然科學基金青年項目（51904138）；甘肅省自然科學基金（20JR5RA451）；甘肅省高等學校創新能力提升項目（2020A-019）

Fund：Supported by the Youth Program of National Natural Science Foundation of China (51904138); the Natural Science Foundation of Gansu Province (20JR5RA451); Innovation Ability Improvement Project of Colleges and Universities in Gansu Province (2020A-019)

凌曉（1982—），男，博士，副教授，主要研究方向為油氣管道完整性管理。郵箱：lingxiao_lut@163.com

LING Xiao, XU Lu-shuai, GAO Jia-cheng, et al. Prediction of external corrosion rate of oil pipeline based on improved IFA-BPNN[J]. Surface technology, 2021, 50(4): 285-293.