于飛遠(yuǎn) 高煒欣 賀蓉蓉 閆歡 劉夢溪

1西安石油大學(xué)陜西省油氣井測控技術(shù)重點(diǎn)實(shí)驗(yàn)室

2中國石油青海油田公司管道處

油氣管道是石油和天然氣等能源輸送經(jīng)濟(jì)、有效的手段。管道失效會(huì)為生產(chǎn)、生活帶來巨大的經(jīng)濟(jì)損失，甚至造成嚴(yán)重的人身傷害。在影響管道失效的各種因素中，環(huán)焊縫失效是導(dǎo)致管道失效的重要原因之一。目前研究人員已經(jīng)對(duì)環(huán)焊縫的失效預(yù)測進(jìn)行了大量研究。李慧婷對(duì)引起管道失效的各種因素及案例進(jìn)行了分析，指出油氣管道突發(fā)環(huán)境事件主要以輸油管道為主[1]；事故原因主要有第三方破壞、腐蝕、蓄意破壞、操作不當(dāng)、自然災(zāi)害以及各類（材料/焊接/設(shè)備）故障；事故類型主要為泄漏、泄漏火災(zāi)、泄漏爆炸和泄漏火災(zāi)爆炸?？梢园l(fā)現(xiàn)，已有研究基于機(jī)理模型或非機(jī)理模型，在進(jìn)行失效預(yù)測時(shí)需要腐蝕速率、元素成分等參數(shù)。經(jīng)過長期的觀察和大量的調(diào)查分析，往往也難以獲得這些參數(shù)。

不同模型所需的參數(shù)獲取難易度、準(zhǔn)確程度、計(jì)算復(fù)雜程度等如表1所示[2-3]。

表1 基于不同模型的預(yù)測方法對(duì)比分析Tab.1 Comparison analysis of prediction methods based on different models

1 研究方法

1.1 研究現(xiàn)狀

ZAKIKHANIL 與FENG 提出基于灰色理論及神經(jīng)網(wǎng)絡(luò)的組合預(yù)測方法，彌補(bǔ)了灰色理論在處理信息量上受局限的不足，取得了良好的預(yù)測效果[4-5]。張新生等人結(jié)合了灰色理論需求信息較少與人工神經(jīng)網(wǎng)絡(luò)處理多維非線性數(shù)學(xué)問題方面的優(yōu)越性，可以避免只使用神經(jīng)網(wǎng)絡(luò)或灰色模型帶來的一些問題[6]。駱正山建立了基于粗糙集和正余弦算法優(yōu)化投影尋蹤回歸的礦區(qū)管道失效預(yù)測模型[7]，拓寬了礦山充填管道失效風(fēng)險(xiǎn)預(yù)測研究的思路，為充填管道的失效風(fēng)險(xiǎn)研究提供了新方法。藏雪瑞使用ABAQUS有限元軟件對(duì)兩種體積型腐蝕缺陷進(jìn)行有限元建模，利用全尺寸爆破試驗(yàn)數(shù)據(jù)對(duì)模型進(jìn)行準(zhǔn)確性驗(yàn)證[8]，為完善現(xiàn)有高鋼級(jí)輸氣管道剩余強(qiáng)度評(píng)價(jià)方法提供了參考。TJHEN研究了海底管道的純彎曲和雙軸載荷作用下的裂紋擴(kuò)展[9]。FENG，ZHANG 提出了基于貝葉斯網(wǎng)絡(luò)的方法來解決樣本數(shù)據(jù)不足的情況，該方法考慮了其他影響因素，因此可以在其他評(píng)估領(lǐng)域提供相對(duì)現(xiàn)實(shí)的分析[6，10]。ZHOU推導(dǎo)裂紋的另一種簡化方法，能夠?qū)崟r(shí)預(yù)測海上管道裂紋擴(kuò)展[11]。ZHANG 建立了腐蝕性能、局部破裂和破裂模型，提出一種計(jì)算結(jié)構(gòu)多模態(tài)失效概率的方法[12]。

此外，牛連山詳細(xì)分析了長輸管道缺陷的形成和返修工藝[13]。王海濤提出了天然氣管道焊絲、接頭等相應(yīng)的失效控制要素和措施建議[14]。鄒永勝系統(tǒng)闡述了山地油氣管道智能化建設(shè)基礎(chǔ)支撐層（兩大體系）、具體應(yīng)用層（五縱）、平臺(tái)集成層（兩橫）的建設(shè)實(shí)踐與成果[15]。

現(xiàn)有研究文獻(xiàn)中各種方法的優(yōu)點(diǎn)及其局限性如圖1所示[16-17]。

圖1 不同預(yù)測方法的優(yōu)點(diǎn)及其局限性對(duì)比Fig.1 Comparison of the advantages and limitations of different prediction methods

1.2 數(shù)據(jù)處理與指標(biāo)選擇

影響管道失效的因素有很多，從MO Y 的研究可以發(fā)現(xiàn)，管道外徑（a1）、壁厚（a2）、缺陷長度（a3）、缺陷深度（a4）、屈服強(qiáng)度（a5）、抗拉強(qiáng)度（a6）與管道的失效壓力（a7）直接相關(guān)[18]。MO Y的研究表明，上述6個(gè)參數(shù)是影響環(huán)焊縫失效的重要因素，且在生產(chǎn)過程中容易獲得。因此選取這6個(gè)因素作為環(huán)焊縫失效風(fēng)險(xiǎn)判斷的依據(jù)[19]。

彭世金對(duì)含缺陷管道進(jìn)行了爆破試驗(yàn)，獲得了實(shí)際失效影響因素監(jiān)測數(shù)據(jù)，部分?jǐn)?shù)據(jù)如表2 所示[19]。

由表2可以發(fā)現(xiàn)，實(shí)際生產(chǎn)中的數(shù)據(jù)由于管徑及材料的差異，各數(shù)據(jù)項(xiàng)的差異較大，常規(guī)的模型及算法難以進(jìn)行預(yù)測處理。而BP 網(wǎng)絡(luò)具有高度非線性和較強(qiáng)的泛化能力，適合這種具有差異性數(shù)據(jù)的預(yù)測判斷。因此提出利用神經(jīng)網(wǎng)絡(luò)，根據(jù)實(shí)際生產(chǎn)中可獲得的參數(shù)預(yù)測環(huán)焊縫失效風(fēng)險(xiǎn)。失效風(fēng)險(xiǎn)的輸出根據(jù)國標(biāo)GB/T 19624—2004《在用含缺陷壓力容器安全評(píng)定的要求》定為高、中和低風(fēng)險(xiǎn)三大類。將彭世金的測試數(shù)據(jù)與本國標(biāo)一一對(duì)應(yīng)，可以根據(jù)失效壓力的大小將數(shù)據(jù)對(duì)應(yīng)為高、中和低風(fēng)險(xiǎn)數(shù)據(jù)[19]。

表2 管道失效因素實(shí)驗(yàn)數(shù)據(jù)Tab.2 Experiment data of pipeline failure factors

為對(duì)神經(jīng)網(wǎng)絡(luò)的適用性進(jìn)行驗(yàn)證，將數(shù)據(jù)隨機(jī)分為訓(xùn)練集和測試集。在全部數(shù)據(jù)中隨機(jī)選出不同鋼級(jí)的33 條管道試驗(yàn)數(shù)據(jù)作為測試集，并根據(jù)失效壓力的數(shù)值將數(shù)據(jù)分為:低風(fēng)險(xiǎn)級(jí)組、中風(fēng)險(xiǎn)級(jí)組和高風(fēng)險(xiǎn)級(jí)組。其余31 條數(shù)據(jù)構(gòu)成訓(xùn)練集，利用其對(duì)風(fēng)險(xiǎn)預(yù)測模型進(jìn)行訓(xùn)練。

1.3 研究思路

所確定的研究方法如圖2所示，在充分調(diào)研文獻(xiàn)基礎(chǔ)上，確定預(yù)測模型。根據(jù)可在實(shí)際生產(chǎn)過程中獲得的輸入與輸出數(shù)據(jù)確定模型的參數(shù)和結(jié)構(gòu)。然后對(duì)模型進(jìn)行測試、驗(yàn)證，根據(jù)預(yù)測精度，最終確定預(yù)測模型結(jié)構(gòu)及參數(shù)，并與已有研究進(jìn)行比較。

圖2 研究方法流程Fig.2 Research method flow

2 預(yù)測模型

2.1 BP神經(jīng)網(wǎng)絡(luò)原理

從表1，圖1 可以看出，對(duì)于管道環(huán)焊縫風(fēng)險(xiǎn)預(yù)測，使用神經(jīng)網(wǎng)絡(luò)的模型不僅操作性強(qiáng)且魯棒性好，目前已成為風(fēng)險(xiǎn)預(yù)測的重要手段。在各種神經(jīng)網(wǎng)絡(luò)模型中，BP 神經(jīng)網(wǎng)絡(luò)有著減少誤差、反向傳播的優(yōu)點(diǎn)，因此采用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行風(fēng)險(xiǎn)預(yù)測。

BP 神經(jīng)網(wǎng)絡(luò)是一種多層前饋網(wǎng)絡(luò)，根據(jù)RUMELHART 和MCCELLAND 領(lǐng)導(dǎo)的科學(xué)家團(tuán)隊(duì)在1986年提出的誤差反向傳播算法進(jìn)行訓(xùn)練[20]。它是目前最常用的人工神經(jīng)網(wǎng)絡(luò)。首先將輸入樣本傳入輸入層交由隱含層處理，再將處理后的數(shù)值傳向輸出層。計(jì)算輸出值與目標(biāo)值的誤差，并將誤差反向傳遞到每一層神經(jīng)元上。收到誤差信號(hào)的各神經(jīng)元以此作為修改權(quán)值的基礎(chǔ)，逐層調(diào)整各網(wǎng)絡(luò)的權(quán)值和閾值，最終不斷減小誤差。調(diào)整完成的神經(jīng)網(wǎng)絡(luò)即可根據(jù)影響管道失效壓力的因素進(jìn)行管道失效壓力的預(yù)測，其結(jié)構(gòu)見圖3[18]。

圖3 BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)Fig.3 BP neural network structure

選擇訓(xùn)練集試驗(yàn)數(shù)據(jù)作為預(yù)測BP 神經(jīng)網(wǎng)絡(luò)模型的輸入，由于影響管道環(huán)焊縫失效的因素有6種，失效風(fēng)險(xiǎn)等級(jí)又分為高、中、低三級(jí)，故將輸入層節(jié)點(diǎn)數(shù)m（輸入向量維度，輸入神經(jīng)元的數(shù)量）、輸出層節(jié)點(diǎn)數(shù)n（輸出向量維度，輸出神經(jīng)元的數(shù)量）分別設(shè)置為6 和3。實(shí)際預(yù)測時(shí)可帶入測試集試驗(yàn)數(shù)據(jù)予以驗(yàn)證。預(yù)測腐蝕管道失效壓力的具體步驟如下：

（1）收集腐蝕管道相關(guān)數(shù)據(jù)，分析影響失效壓力的因素，構(gòu)建管道腐蝕指標(biāo)體系，獲得原始數(shù)據(jù)。

（2）數(shù)據(jù)預(yù)處理。BP 型神經(jīng)網(wǎng)絡(luò)多采用S 函數(shù)作為激活函數(shù)，即各節(jié)點(diǎn)的輸出值應(yīng)在[0，1]區(qū)間。為減小不同因素?cái)?shù)值差異對(duì)輸出的影響并使預(yù)測用數(shù)據(jù)具有統(tǒng)一的標(biāo)準(zhǔn)，采用線性轉(zhuǎn)換方式把輸入層各參數(shù)值都轉(zhuǎn)換到[0，1]上，如得到如下歸一化公式：

式中：xij為第i個(gè)管道樣本的第j個(gè)指標(biāo)值；max(xij)和min(xij)為第j個(gè)指標(biāo)的最大值和最小值；x*ij為歸一化處理后的結(jié)果。

（3）將樣本集分為三個(gè)等級(jí)，即高、中、低風(fēng)險(xiǎn)等級(jí)。

（4）在三個(gè)等級(jí)的數(shù)據(jù)中分別隨機(jī)選取訓(xùn)練集和測試集，用訓(xùn)練集訓(xùn)練模型。選擇預(yù)測結(jié)果和真實(shí)值的均方根誤差作為適應(yīng)度函數(shù)，最終尋找最優(yōu)的BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型。

（5）用BP 神經(jīng)網(wǎng)絡(luò)模型預(yù)測數(shù)據(jù)與原論文最終結(jié)果對(duì)比，分析驗(yàn)證結(jié)果是否正確。

2.2 仿真實(shí)驗(yàn)

2.2.1 神經(jīng)網(wǎng)絡(luò)模型設(shè)計(jì)

RUMEDLHARTDE的研究表明：在確定合理的隱層神經(jīng)元數(shù)目的基礎(chǔ)上，單隱層BP 神經(jīng)網(wǎng)絡(luò)可以完成任意閉合區(qū)間內(nèi)連續(xù)函數(shù)的網(wǎng)絡(luò)逼近。此外，任何從x維到y(tǒng)維的映射都可以通過三層BP神經(jīng)網(wǎng)絡(luò)來完成。因此，確定的BP 神經(jīng)網(wǎng)絡(luò)為三層結(jié)構(gòu)。通常來講，隱含層的節(jié)點(diǎn)數(shù)不僅需要依靠設(shè)計(jì)者的經(jīng)驗(yàn)，還需要結(jié)合多次的實(shí)驗(yàn)，最終確定。而且，需要根據(jù)問題要求以及輸入層和輸出層的節(jié)點(diǎn)數(shù)來求得。盡管隱含層節(jié)點(diǎn)數(shù)目并不會(huì)過多影響模型的識(shí)別率，但過多的隱含層節(jié)點(diǎn)數(shù)也會(huì)大量延長神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)以及訓(xùn)練的時(shí)間，從而導(dǎo)致無法得到更準(zhǔn)確的誤差，最終使得識(shí)別效率變低。

在最終確定隱層神經(jīng)元數(shù)量之前，首先提出如下推測：

推測1：由于管道失效預(yù)測輸入量為6 個(gè)，相對(duì)較少，因此實(shí)際實(shí)現(xiàn)準(zhǔn)確失效預(yù)測的網(wǎng)絡(luò)結(jié)構(gòu)較理論最優(yōu)網(wǎng)絡(luò)結(jié)構(gòu)更復(fù)雜。

推測2：對(duì)三分類的管道失效預(yù)測問題，隱層神經(jīng)元數(shù)與m×n在同一數(shù)量級(jí)。同時(shí)，為了使神經(jīng)網(wǎng)絡(luò)具有實(shí)用性，隱層節(jié)點(diǎn)數(shù)應(yīng)小于k-1（k為訓(xùn)練樣本數(shù)），否則神經(jīng)網(wǎng)絡(luò)的系統(tǒng)誤差將獨(dú)立于訓(xùn)練樣本的特征而趨于0，導(dǎo)致神經(jīng)網(wǎng)絡(luò)缺乏泛化能力。在實(shí)際應(yīng)用中，訓(xùn)練樣本數(shù)必須是網(wǎng)絡(luò)模型連接權(quán)重的2～10 倍以上。樣本數(shù)量不足時(shí)，一般采用“輪流訓(xùn)練”的方法獲得可靠的神經(jīng)網(wǎng)絡(luò)。因此，隱含層神經(jīng)元個(gè)數(shù)不僅與需要識(shí)別的問題相關(guān)，而且與訓(xùn)練樣本數(shù)有關(guān)，訓(xùn)練樣本公式如公式（2）所示：

其中，O()為數(shù)量級(jí)；K為訓(xùn)練樣本數(shù)。

對(duì)管道失效預(yù)測問題而言，由圖3 可知：m=6，n=3。由推測1 和2 可得，隱層神經(jīng)元數(shù)量最小為10，最大為63。隱含層公式如式（3）所示：

[10，63]是一個(gè)較大的空間范圍，采用遍歷搜索的方式操作性不強(qiáng)。由公式（2）n1≤K-1 可知，只要確定訓(xùn)練樣本個(gè)數(shù)就可以進(jìn)一步縮小n1的搜索范圍。

從統(tǒng)計(jì)學(xué)的角度分析，可以認(rèn)為選取適當(dāng)訓(xùn)練樣本個(gè)數(shù)K的概率f(K)服從正態(tài)分布，正態(tài)分布公式如式（4）所示：

式中：σ為標(biāo)準(zhǔn)差；μ為均數(shù)。

由公式（4）可以推得μ≈50。根據(jù)統(tǒng)計(jì)學(xué)中“3σ準(zhǔn)則”，即N的取值幾乎全部集中在[μ-3σ，μ+3σ] 區(qū)間內(nèi)，結(jié)合公式（4）可以推得σ≈10。

取置信度為0.9，即90%的情況下樣本數(shù)滿足訓(xùn)練要求，樣本訓(xùn)練公式如式（5）所示：

式中：P為概率函數(shù)；Kmax為足夠訓(xùn)練神經(jīng)網(wǎng)絡(luò)的最大樣本數(shù)。

因?yàn)镵∈N(μ，σ2)，樣本計(jì)算公式如式（6）所示：

由公式（2）、（3）可以推得中間層神經(jīng)元個(gè)數(shù)，隱含層計(jì)算公式如式（7）所示：

相較于式（3），隱含層神經(jīng)元范圍已經(jīng)極大地縮減。考慮到管道失效預(yù)測問題的結(jié)果分為“高、中、低”風(fēng)險(xiǎn)三類，由推測1大致可以確定n1為12。

此外，在研究中，還利用了三種經(jīng)驗(yàn)公式來推導(dǎo)可能有著最好運(yùn)算結(jié)果的隱含層節(jié)點(diǎn)數(shù)。具體經(jīng)驗(yàn)公式如式（8）～（10）所示：

式中：a設(shè)定為范圍1～10的常數(shù)。

式中：k為樣本數(shù)目；n1為隱含層節(jié)點(diǎn)數(shù)目；若i＞n1，則=0。

式中：n1和n含義同式（2）、（3）。

本文所建立的BP模型輸入層節(jié)點(diǎn)個(gè)數(shù)為6，輸出層節(jié)點(diǎn)個(gè)數(shù)為3。帶入公式（1）～（3），得出隱含層節(jié)點(diǎn)數(shù)的范圍為4～13。結(jié)合本章，求出本研究隱含層節(jié)點(diǎn)數(shù)的范圍為10～13。可以推斷，當(dāng)隱含層節(jié)點(diǎn)數(shù)為12 時(shí)，可能會(huì)得到理論最好的訓(xùn)練結(jié)果。

構(gòu)造基于BP 模型的具體流程如下：將隨機(jī)篩選出的特征數(shù)據(jù)作為BP神經(jīng)網(wǎng)絡(luò)的輸入；確立BP神經(jīng)網(wǎng)絡(luò)的神經(jīng)層神經(jīng)元等初始參數(shù)后，將參數(shù)通過歸一化處理后賦給BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，計(jì)算各層神經(jīng)網(wǎng)絡(luò)輸出后，計(jì)算輸出的誤差error；通過過大的誤差調(diào)整每一層的權(quán)重w后，重新計(jì)算輸出與誤差，最后計(jì)算出合適的誤差后輸出結(jié)果。綜上，本文構(gòu)建的BP 腐蝕管道失效壓力預(yù)測模型流程見圖4。

圖4 BP神經(jīng)網(wǎng)絡(luò)預(yù)測流程Fig.4 BP neural network prediction flow

2.2.2 實(shí)驗(yàn)驗(yàn)證

實(shí)驗(yàn)時(shí)由于神經(jīng)元采用S 函數(shù)作為激活函數(shù)，標(biāo)準(zhǔn)輸出為1，0 時(shí)容易陷入飽和區(qū)，導(dǎo)致沒有誤差回傳。故神經(jīng)元標(biāo)準(zhǔn)輸出設(shè)定為0.9和0.1，采用公式（1）進(jìn)行歸一化處理，學(xué)習(xí)步長取為0.01。將所有數(shù)據(jù)分為兩個(gè)數(shù)據(jù)集：訓(xùn)練樣本集（33）和測試樣本集（31）。訓(xùn)練樣本集用于訓(xùn)練模型，測試樣本集用于驗(yàn)證神經(jīng)網(wǎng)絡(luò)。隱層神經(jīng)元數(shù)目分別取10，11，12 和13，重復(fù)進(jìn)行訓(xùn)練和測試，可得不同隱層數(shù)量對(duì)預(yù)測成功的影響（圖5）。隱層神經(jīng)元數(shù)為12時(shí)，準(zhǔn)確率可達(dá)93.8%（60/64）。

圖5 不同隱含層數(shù)預(yù)測數(shù)據(jù)成功數(shù)Fig.5 Success number of different hidden layers predict data

可以看出，在隱層節(jié)點(diǎn)數(shù)為12 時(shí)，神經(jīng)網(wǎng)絡(luò)才能得到最佳的預(yù)測結(jié)果，與式（2）～（10）中計(jì)算的最佳隱含層節(jié)點(diǎn)數(shù)相同。隱含層為12 時(shí)的詳細(xì)預(yù)測情況見表3。

表3 隱含層數(shù)為12時(shí)的預(yù)測情況Tab.3 Prediction when the hidden layer number is 12

從表3可以看出，高風(fēng)險(xiǎn)與低風(fēng)險(xiǎn)測試樣本在33 個(gè)測試數(shù)據(jù)的情況下，通過隨機(jī)選取樣本和以上歸一化方法，識(shí)別準(zhǔn)確率達(dá)100%。所提出的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)對(duì)高風(fēng)險(xiǎn)數(shù)據(jù)、低風(fēng)險(xiǎn)數(shù)據(jù)可以實(shí)現(xiàn)無誤差檢測。而不含訓(xùn)練樣本的神經(jīng)網(wǎng)絡(luò)預(yù)測準(zhǔn)確率則較低。

預(yù)測失敗的中風(fēng)險(xiǎn)數(shù)據(jù)如表4所示。

表4 隱含層數(shù)為12時(shí)預(yù)測失敗數(shù)據(jù)Tab.4 Prediction failed data wher the hidden layer number is 12

通過計(jì)算各數(shù)據(jù)的數(shù)學(xué)期望對(duì)預(yù)測失敗數(shù)據(jù)進(jìn)行分析，來尋找影響管道失效最為重要的因素。通過計(jì)算對(duì)比a1-a6 各個(gè)數(shù)據(jù)的數(shù)學(xué)期望，結(jié)果發(fā)現(xiàn)：缺陷長度對(duì)預(yù)測結(jié)果影響最大，預(yù)測失敗的數(shù)據(jù)距離全部數(shù)據(jù)的平均值相差較遠(yuǎn)，推測是在數(shù)據(jù)進(jìn)行歸一化處理后，預(yù)測失敗的數(shù)據(jù)與其他中風(fēng)險(xiǎn)數(shù)據(jù)相差過大，因此導(dǎo)致預(yù)測失敗。同時(shí)可知缺陷長度在管道預(yù)測的因素中占據(jù)較大比重，中風(fēng)險(xiǎn)缺陷長度的數(shù)據(jù)分析見圖6。

圖6 中風(fēng)險(xiǎn)28個(gè)預(yù)測數(shù)據(jù)分析Fig.6 28 predicted data analysis of medium risk

考慮到即使有4個(gè)數(shù)據(jù)預(yù)測失敗，該數(shù)據(jù)的缺陷長度對(duì)管道的損害程度仍能引起相關(guān)工作人員對(duì)該數(shù)據(jù)的重視，故驗(yàn)證通過。相比原文獻(xiàn)，本研究的預(yù)測精度更高。且AI 可以通過不斷訓(xùn)練提高自身準(zhǔn)確性，故該方法可用于環(huán)焊縫失效的風(fēng)險(xiǎn)評(píng)估。

3 結(jié)論

針對(duì)環(huán)焊縫失效風(fēng)險(xiǎn)分析問題，利用建立的BP 神經(jīng)網(wǎng)絡(luò)訓(xùn)練模型，綜合考慮缺陷長度、缺陷深度、屈服強(qiáng)度等參數(shù)，重點(diǎn)計(jì)算了環(huán)焊縫在不同隱含層數(shù)下的失效預(yù)測問題。

（1）基于BP 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練模型相比傳統(tǒng)的機(jī)理模型，所需的參數(shù)更易獲取，且計(jì)算更為簡易。改善了傳統(tǒng)機(jī)理模型基本需要專家主管評(píng)測的缺點(diǎn)，且能通過程序分析出對(duì)焊縫影響的因素。

（2）基于BP 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練模型預(yù)測結(jié)果優(yōu)于傳統(tǒng)機(jī)理模型，在隱含層節(jié)點(diǎn)數(shù)為12 有著93.75%的訓(xùn)練精度。且通過機(jī)器學(xué)習(xí)的方式可以讓AI 不斷提高自身的預(yù)測精度，從而使模型更加可靠。