何 躍 蘭永福 樊 星 賈文龍 冷翔宇 吳 暇 黃 軍 韓西成

（1. 中國石油集團(tuán)西部鉆探工程有限公司井下作業(yè)公司儲(chǔ)存改造研究中心，新疆 克拉瑪依 834099；2. 西南石油大學(xué)石油與天然氣工程學(xué)院，四川 成都 610500；3. 漢正檢測(cè)技術(shù)有限公司，四川 廣漢 618399）

0 引言

北美“頁巖氣革命”的成功，給天然氣能源的供給層面帶去了巨大的改變[1]，我國以四川盆地埋深3500m內(nèi)的海相頁巖氣區(qū)生產(chǎn)為主的全國頁巖氣生產(chǎn)也在2020年達(dá)到了200×108m3的產(chǎn)量[2]。

然而部分頁巖氣站的集輸管道在生產(chǎn)過程中出現(xiàn)了腐蝕穿孔的現(xiàn)象，例如在我國川南頁巖氣開采生產(chǎn)過程中，某單井使用了4×104～5×104m3用量的水平井壓裂液、2.5×103～3.0×103t用量的以石英砂和陶粒為主的支撐劑，這導(dǎo)致了壓裂過程中的返排液會(huì)給頁巖氣集輸管線帶來不同程度的沖蝕腐蝕[3,4]，并且集輸管道在開采及生產(chǎn)階段還伴隨有運(yùn)行壓力和流量的快速衰減，根據(jù)頁巖氣產(chǎn)量解析模型，頁巖氣生產(chǎn)滿兩年的實(shí)際壓力流量平均遞減率為56%[5]，其預(yù)測(cè)年遞減率如圖1所示，這使得沖蝕速率和沖蝕損傷程度也隨時(shí)間不斷變化，這些都對(duì)頁巖氣集輸管道的長期安全生產(chǎn)產(chǎn)生了巨大威脅，所以建立管道壁厚受沖蝕減薄的動(dòng)態(tài)預(yù)測(cè)模型對(duì)于頁巖氣集輸管道的風(fēng)險(xiǎn)評(píng)價(jià)及預(yù)警具有十分重要的意義，而準(zhǔn)確實(shí)時(shí)的集輸管道沖蝕動(dòng)態(tài)預(yù)測(cè)模型就顯得尤為重要。

圖1 壓力年遞減率分布

伍麗紅等人[6]用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行了儲(chǔ)層儲(chǔ)量參數(shù)的確定和流體性質(zhì)的判別，指出了用BP神經(jīng)網(wǎng)絡(luò)做出的快速分析是有意義的。2010年欒瑞鵬等[7]在建立鋼材大氣腐蝕影響因子的評(píng)估型時(shí)引入了貝葉斯正則化（BR）算法來解決小樣本泛化問題。在2017年，Pandya等[8]將CFD和BP神經(jīng)網(wǎng)絡(luò)相結(jié)合，采用了遺傳算法（GA）和貝葉斯正則化（BR）進(jìn)行優(yōu)化處理，將對(duì)油氣管道彎頭沖蝕速率的預(yù)測(cè)誤差減小到了10%以下。到了2021年，Zhang Nan等人[9]基于貝葉斯規(guī)范化人工神經(jīng)網(wǎng)絡(luò)（BRANN）提出了深水鉆井升井機(jī)脆弱性評(píng)估方法，證實(shí)了其有效性，但缺乏動(dòng)態(tài)預(yù)測(cè)能力。但是BP神經(jīng)網(wǎng)絡(luò)在沖蝕預(yù)測(cè)的方面具有容易陷入局部極小值，泛化能力較差，需要提高學(xué)習(xí)速率和預(yù)測(cè)精度的缺陷[10]，目前少有學(xué)者將BP神經(jīng)網(wǎng)絡(luò)與貝葉斯正則化結(jié)合起來針對(duì)頁巖氣集輸管道的特殊沖蝕情況建立預(yù)測(cè)模型。

本文將貝葉斯正則化方法與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合，基于此建立了針對(duì)頁巖氣集輸管道特殊沖蝕情況的動(dòng)態(tài)預(yù)測(cè)模型，后續(xù)能夠直接為頁巖氣集輸管道的監(jiān)測(cè)系統(tǒng)服務(wù)，改進(jìn)神經(jīng)網(wǎng)絡(luò)解決傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)的泛化推廣能力差的問題，動(dòng)態(tài)預(yù)測(cè)模型的求解解決了頁巖氣集輸管道的壓力變化問題，應(yīng)用實(shí)例驗(yàn)證了在管件沖蝕方面的預(yù)測(cè)精度和有效性。

1 BR-BP神經(jīng)網(wǎng)絡(luò)

1.1 BP神經(jīng)網(wǎng)絡(luò)基本概念

BP神經(jīng)網(wǎng)絡(luò)（BPNN）是眾多機(jī)器深度學(xué)習(xí)模型中一種常用的人工神經(jīng)網(wǎng)絡(luò)（ANN）預(yù)測(cè)模型，而ANN是一種被設(shè)計(jì)出來模仿生物神經(jīng)系統(tǒng)的結(jié)構(gòu)和功能的運(yùn)算模型，能夠自我組織、自我學(xué)習(xí)和自我適應(yīng)，同時(shí)擁有很強(qiáng)的非線性映射能力，現(xiàn)在的學(xué)者多用其來解決一些分類問題和非線性問題[11]，還可利用其逼近非線性函數(shù)的功能應(yīng)用到預(yù)測(cè)工作之中。

BPNN便是眾多ANN中最典型的一種神經(jīng)網(wǎng)絡(luò)，其全稱為誤差反向傳播多層前饋神經(jīng)網(wǎng)絡(luò)，現(xiàn)如今應(yīng)用十分廣泛。激勵(lì)信號(hào)向前傳遞時(shí)產(chǎn)生的計(jì)算誤差反向傳播是BPNN最主要的特點(diǎn)，該模型概念是由Rumelhart等學(xué)者最先提出的，由三個(gè)主要部分組成模型的基本結(jié)構(gòu)，其分別為輸入層、隱含層和輸出層，該模型的計(jì)算過程近似一種每層中都包含有許多計(jì)算神經(jīng)元的網(wǎng)絡(luò)結(jié)構(gòu)，其神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

圖2 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

人工神經(jīng)網(wǎng)絡(luò)模型的基礎(chǔ)是一個(gè)個(gè)用于計(jì)算的“神經(jīng)元”，神經(jīng)元是一種計(jì)算方式類似生物神經(jīng)系統(tǒng)響應(yīng)的拓?fù)浣Y(jié)構(gòu)。在BP神經(jīng)網(wǎng)絡(luò)的神經(jīng)元中，其計(jì)算過程如圖3所示，輸入層的神經(jīng)元負(fù)責(zé)接受所需要的輸入分量Xi（i=1，2，3，···，n）即外部信號(hào)，然后通過權(quán)值Wi（i=1，2，3，···，n）連接傳遞到隱含層神經(jīng)元，在加權(quán)求和后通過激活函數(shù)F處理非線性問題，再傳遞到輸出層進(jìn)行驗(yàn)證，得到的誤差反向傳遞回隱含層進(jìn)行再次學(xué)習(xí)，其中修正輸出信號(hào)Z時(shí)會(huì)加入閾值λ，整個(gè)過程由訓(xùn)練函數(shù)進(jìn)行調(diào)控重復(fù)多次，以達(dá)到誤差不再下降或者最大迭代次數(shù)。

圖3 神經(jīng)元計(jì)算過程

其中激活函數(shù)即傳遞函數(shù)主要使用logsig函數(shù)和tansig函數(shù)[12]，分別如式（1）、（2）所示：

最常使用的是logsig函數(shù)即sigmoid函數(shù)，將logsig函數(shù)繪制出如圖4所示?？煽闯鲈摵瘮?shù)單調(diào)遞增，符合生物學(xué)神經(jīng)元的特點(diǎn)，輸入信號(hào)越大，激活后輸出信號(hào)越大，該函數(shù)的值域?yàn)椋?,1），其作用就是把定義域（-∞，+∞）映射到（0,1）中，體現(xiàn)了激活函數(shù)將大范圍的數(shù)限定至0～1的信號(hào)中繼續(xù)傳遞的能力。

圖4 logsig函數(shù)曲線

基于上述的神經(jīng)元結(jié)構(gòu)及激活函數(shù)，傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)使用了梯度下降法作為學(xué)習(xí)方法，根據(jù)反向傳遞的誤差來調(diào)整內(nèi)部連接的權(quán)值和閾值，以完成使誤差盡可能小的目標(biāo)從而建立預(yù)測(cè)計(jì)算模型。

1.2 BR法訓(xùn)練

B R即為貝葉斯正則化（B a y e s i a n regularization）的簡稱，是基于貝葉斯定理發(fā)展而來的優(yōu)化方法，即待求解的量可以通過先驗(yàn)概率的分布來對(duì)其進(jìn)行描述，待有樣本信息的加入后聯(lián)合先驗(yàn)信息來進(jìn)行判斷[13]，貝葉斯定理的理論計(jì)算模型如式（3）所示。

式中：θ為未知的待求量；x為樣本；為后驗(yàn)信息分布；為先驗(yàn)信息分布；為未知樣本時(shí)的先驗(yàn)概率即正則項(xiàng)；則為樣本x的邊緣分布，作為對(duì)貝葉斯公式進(jìn)行正則化過程中的歸一化因子，與待求量θ無關(guān)。其中后驗(yàn)信息分布可解釋為由于樣本x的加入對(duì)先驗(yàn)信息分布調(diào)整的結(jié)果。

在訓(xùn)練BP網(wǎng)絡(luò)模型過程中，BPNN會(huì)利用性能函數(shù)分析模型輸出的計(jì)算誤差來進(jìn)行自學(xué)習(xí)，所以BP神經(jīng)網(wǎng)絡(luò)的BR算法核心就是利用正則化訓(xùn)練函數(shù)trainbr對(duì)于一般BP神經(jīng)網(wǎng)絡(luò)使用的mse均方誤差性能函數(shù)進(jìn)行修正[14,15]即進(jìn)行先驗(yàn)性約束，引入如式（4）所示的函數(shù)。

式中：M()ω為進(jìn)行了先驗(yàn)約束修正后的性能函數(shù)；ED為神經(jīng)網(wǎng)絡(luò)訓(xùn)練輸出結(jié)果的誤差函數(shù)；Eω為神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中權(quán)值ω的誤差函數(shù)；α、β均為BR法參數(shù)即超參數(shù)。

本文采用的trainbr函數(shù)其本質(zhì)是通過對(duì)訓(xùn)練結(jié)果與目標(biāo)的偏差來調(diào)整α、β，從而約束權(quán)值提升泛化能力，以達(dá)到最小化目標(biāo)函數(shù)M()ω，從而來得到自適應(yīng)的網(wǎng)絡(luò)權(quán)值參數(shù)ω。

1.3 BR-BP神經(jīng)網(wǎng)絡(luò)的優(yōu)勢(shì)

貝葉斯定理的引入能夠有效地優(yōu)化神經(jīng)網(wǎng)絡(luò)模型，有助于解決具有不確定性的非線性問題[16]，而正則化的本質(zhì)是約束要優(yōu)化的參數(shù)，那么貝葉斯正則化其本質(zhì)就是求解一個(gè)問題時(shí)，給其求解過程一個(gè)先驗(yàn)性約束或限制。

本文利用傳統(tǒng)BPNN和BR-BP神經(jīng)網(wǎng)絡(luò)同時(shí)對(duì)一組由50個(gè)樣本組成的天然氣管道壁厚檢測(cè)數(shù)據(jù)集進(jìn)行學(xué)習(xí)時(shí)，在訓(xùn)練均方誤差低于5并且驗(yàn)證和測(cè)試兩種均方誤差低于10時(shí)停止訓(xùn)練，而其他的參數(shù)條件均保持一致，每次訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)完成時(shí)所耗費(fèi)的時(shí)間如圖5所示。

圖5 訓(xùn)練次數(shù)與消耗時(shí)間的對(duì)比

我們可以發(fā)現(xiàn)BR-BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練時(shí)長低于傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練所需要的時(shí)間，相對(duì)來說BR-BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練速度更快，這是因?yàn)閭鹘y(tǒng)BP神經(jīng)網(wǎng)絡(luò)使用的算法為梯度下降法，初始權(quán)值和閾值隨機(jī)指定，而所需要擬合的最小化目標(biāo)函數(shù)又往往比較復(fù)雜且為非線性的，那么訓(xùn)練過程必然比較低效[17]。

在進(jìn)行初次訓(xùn)練時(shí)，傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)初始化的權(quán)值和閾值均隨機(jī)指定的，其范圍很大，不同的方法訓(xùn)練出來的BP神經(jīng)網(wǎng)絡(luò)其性能也各不相同，這導(dǎo)致了網(wǎng)絡(luò)的權(quán)值或閾值容易收斂到局部的極小點(diǎn)，即BP神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練陷入了局部極小化導(dǎo)致誤差太大訓(xùn)練失敗，所以初始權(quán)值和閾值的設(shè)定對(duì)于最終BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練結(jié)果有很大影響，BR-BP神經(jīng)網(wǎng)絡(luò)模型正是通過引入貝葉斯正則化的訓(xùn)練方法，對(duì)模型在訓(xùn)練計(jì)算時(shí)的初始權(quán)值和閾值進(jìn)行了先驗(yàn)性約束，使得模型的權(quán)值和閾值在初始化后進(jìn)行反復(fù)訓(xùn)練學(xué)習(xí)時(shí)不容易陷入局部極小值。

在此基礎(chǔ)上再加入10組新樣本作為兩種神經(jīng)網(wǎng)絡(luò)的檢驗(yàn)集進(jìn)行預(yù)測(cè)時(shí)，對(duì)比分析50次訓(xùn)練后神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)值，計(jì)算后所得的模型預(yù)測(cè)結(jié)果相對(duì)誤差曲線如圖6所示。

圖6 平均相對(duì)誤差曲線

從中可以看出傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)相對(duì)誤差的降低是一個(gè)緩慢過程，容易陷入局部極小值這一特點(diǎn)使得傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)的誤差曲線有較長的平緩段，而BR-BP神經(jīng)網(wǎng)絡(luò)在訓(xùn)練時(shí)的預(yù)測(cè)誤差變化非常迅速，并且BR-BP神經(jīng)網(wǎng)絡(luò)的誤差曲線幾乎沒有平緩段，這體現(xiàn)了其泛化能力的優(yōu)勢(shì)。

BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)能力即泛化能力取決于網(wǎng)絡(luò)訓(xùn)練時(shí)的學(xué)習(xí)能力，但當(dāng)網(wǎng)絡(luò)在訓(xùn)練過程陷入局部極小值時(shí)，其泛化推廣能力反而會(huì)大大下降，產(chǎn)生“過擬合”現(xiàn)象，所以傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練效果又會(huì)對(duì)網(wǎng)絡(luò)的預(yù)測(cè)產(chǎn)生影響，為了避免產(chǎn)生“過擬合”，BR-BP神經(jīng)網(wǎng)絡(luò)利用貝葉斯正則化進(jìn)行約束的方法便顯得尤為重要，其增強(qiáng)了人工神經(jīng)網(wǎng)絡(luò)的泛化能力，從而提升網(wǎng)絡(luò)的預(yù)測(cè)精度。

2 頁巖氣集輸管道沖蝕動(dòng)態(tài)預(yù)測(cè)模型

2.1 預(yù)測(cè)模型的輸入輸出參量設(shè)置

要利用BR-BP神經(jīng)網(wǎng)絡(luò)建立動(dòng)態(tài)預(yù)測(cè)模型，則需要建立模型的輸入?yún)⒘?，即壁厚減薄的影響因素。

針對(duì)長寧區(qū)塊頁巖氣集輸管道具有高壓、高砂量和高液量的工作特點(diǎn)[4]，設(shè)定了運(yùn)行時(shí)間、最高工作壓力、平均工作壓力、總含砂量、總含液量和施工工藝6個(gè)輸入?yún)⒘?；頁巖氣田在不同的井區(qū)頁巖氣儲(chǔ)層地質(zhì)結(jié)構(gòu)和開采深度不同，導(dǎo)致運(yùn)行壓力、含砂含液量也不盡相同，會(huì)進(jìn)一步影響管道內(nèi)介質(zhì)的含砂量含液量，因此設(shè)置生產(chǎn)地區(qū)為另一個(gè)輸入?yún)⒘?。在模型的輸出方面，研究選擇了管件壁厚這個(gè)容易在頁巖氣集輸站場(chǎng)監(jiān)測(cè)的數(shù)據(jù)作為，來作為衡量具體沖蝕情況預(yù)測(cè)的輸出數(shù)值，更符合現(xiàn)場(chǎng)實(shí)際，有利于在編程成為預(yù)測(cè)軟件結(jié)合監(jiān)測(cè)系統(tǒng)幫助井區(qū)站場(chǎng)進(jìn)行實(shí)時(shí)預(yù)測(cè)、風(fēng)險(xiǎn)分析與報(bào)警。

綜上所述，根據(jù)相關(guān)輸入輸出參量建立了如圖7所示的神經(jīng)網(wǎng)絡(luò)輸入層和輸出層。

圖7 輸入層、輸出層參數(shù)設(shè)置

2.2 基于BR-BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型建立

使用機(jī)器語言對(duì)BR-BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型進(jìn)行編程，因?yàn)镸atlab軟件的神經(jīng)網(wǎng)絡(luò)工具箱在訓(xùn)練神經(jīng)網(wǎng)絡(luò)時(shí)的重復(fù)訓(xùn)練非常麻煩，也無法直觀的觀察到訓(xùn)練出的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值和相對(duì)誤差，所以為了彌補(bǔ)這些缺陷并且完成預(yù)測(cè)模型的建立，本研究基于Matlab軟件編寫了使用trainbr函數(shù)訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)的程序代碼，該程序可以進(jìn)行BR-BP神經(jīng)網(wǎng)絡(luò)的自動(dòng)重復(fù)訓(xùn)練以及自動(dòng)檢驗(yàn)預(yù)測(cè)值，從而實(shí)現(xiàn)基于BR-BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型建立，其程序流程框圖如圖8所示。

圖8 預(yù)測(cè)程序流程框圖

該基于BR-BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)程序運(yùn)行時(shí)，以輸入數(shù)據(jù)集中80%的數(shù)據(jù)組為樣本對(duì)BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行BR法訓(xùn)練，然后將數(shù)據(jù)集剩余的20%作為檢驗(yàn)集，用訓(xùn)練好的BR-BP神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)，將預(yù)測(cè)值與實(shí)際值相比較，判斷誤差是否達(dá)到設(shè)定值，若否則返回重新訓(xùn)練，若是則輸出預(yù)測(cè)值結(jié)束程序。

2.3 動(dòng)態(tài)預(yù)測(cè)模型的求解

為了適應(yīng)頁巖氣集輸管道的沖蝕特點(diǎn)，根據(jù)該動(dòng)態(tài)變化的學(xué)習(xí)訓(xùn)練過程建立了動(dòng)態(tài)預(yù)測(cè)模型的計(jì)算程序，其流程框圖如圖9所示，該動(dòng)態(tài)預(yù)測(cè)模型的求解就是BR-BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型參數(shù)的學(xué)習(xí)訓(xùn)練過程，其求解步驟如下：

圖9 動(dòng)態(tài)預(yù)測(cè)模型求解流程框圖

（1）輸入頁巖氣集輸管道監(jiān)測(cè)數(shù)據(jù)，由于預(yù)測(cè)模型需要?jiǎng)討B(tài)適應(yīng)沖蝕情況的變化，所以采用現(xiàn)場(chǎng)的頁巖氣集輸管道的監(jiān)測(cè)數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練集和驗(yàn)證集，從而完成BR-BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練及預(yù)測(cè)；

（2）判斷是否屬于新監(jiān)測(cè)數(shù)據(jù)，若是則進(jìn)入預(yù)測(cè)計(jì)算，然后判斷其預(yù)測(cè)精度，若滿足要求則輸出預(yù)測(cè)值結(jié)束程序，若不滿足則重復(fù)訓(xùn)練網(wǎng)絡(luò)直到預(yù)測(cè)精度達(dá)到設(shè)定值再輸出新預(yù)測(cè)值；若不屬于新監(jiān)測(cè)數(shù)據(jù)則進(jìn)行隱含層神經(jīng)元個(gè)數(shù)試驗(yàn)，找到相匹配的個(gè)數(shù)后重置模型隱含層神經(jīng)元數(shù)量，如今隱含層神經(jīng)元個(gè)數(shù)缺乏固定有效的篩選手段[10]，所以針對(duì)不同的輸入分量的隱含層神經(jīng)元個(gè)數(shù)需要進(jìn)行試驗(yàn)來選擇最適合的個(gè)數(shù)；

（3）在隱含層神經(jīng)元個(gè)數(shù)選擇完后進(jìn)入BR-BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程，每一次訓(xùn)練完成后通過預(yù)測(cè)值與實(shí)際值的誤差對(duì)比來判斷是否需要重復(fù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型，在到達(dá)設(shè)定值之后輸出預(yù)測(cè)值結(jié)束計(jì)算。

3 實(shí)例應(yīng)用

本文使用Matlab軟件將該BR-BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型、傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)和LM法訓(xùn)練的BP神經(jīng)網(wǎng)絡(luò)（后文簡稱BR-BPNN、傳統(tǒng)BPNN和LM-BPNN）對(duì)于一個(gè)由3500組頁巖氣管道監(jiān)測(cè)數(shù)據(jù)組成的樣本進(jìn)行學(xué)習(xí)訓(xùn)練，并且隱含層神經(jīng)元個(gè)數(shù)經(jīng)過訓(xùn)練試驗(yàn)擇優(yōu)后設(shè)定為17個(gè)，然后再對(duì)一組由30組數(shù)據(jù)組成的新加入樣本進(jìn)行管道壁厚的預(yù)測(cè)，各模型預(yù)測(cè)的壁厚值結(jié)果分別如圖10所示，其相對(duì)誤差如表1所示，本文組成樣本的數(shù)據(jù)集主要取自威202、威204、長寧H24和長寧H25井區(qū)的集輸管道監(jiān)測(cè)數(shù)據(jù)。

表1 壁厚預(yù)測(cè)值相對(duì)誤差

圖10 頁巖氣集輸管道壁厚實(shí)際值與預(yù)測(cè)值

通過對(duì)頁巖氣集輸管道壁厚值進(jìn)行預(yù)測(cè)的實(shí)例驗(yàn)證可以看出，本文經(jīng)過改進(jìn)后的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型對(duì)于頁巖氣集輸管道的沖蝕預(yù)測(cè)比起傳統(tǒng)方法更加準(zhǔn)確，對(duì)比預(yù)測(cè)結(jié)果后發(fā)現(xiàn)，其預(yù)測(cè)的相對(duì)誤差均有不同程度的減小且最小平均相對(duì)誤差為2.69%，而且該預(yù)測(cè)模型的最大相對(duì)誤差更小其最小值為2.96%、最大值為16.40%，更小的預(yù)測(cè)誤差使得該動(dòng)態(tài)預(yù)測(cè)模型擁有更加準(zhǔn)確可靠的沖蝕預(yù)測(cè)能力，證明了該模型對(duì)于頁巖氣集輸管道沖蝕情況進(jìn)行動(dòng)態(tài)預(yù)測(cè)的可行性。

4 結(jié)語

（1）針對(duì)容易“過擬合”的常規(guī)BP神經(jīng)網(wǎng)絡(luò)模型，用貝葉斯正則化方法來進(jìn)行BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練，進(jìn)而建立進(jìn)行機(jī)器學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，能夠改善傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)容易陷入局部極小值的狀況，進(jìn)一步增強(qiáng)動(dòng)態(tài)預(yù)測(cè)模型的泛化推廣能力；

（2）針對(duì)頁巖氣集輸管道管壁受沖蝕減薄較快和壓力流量的動(dòng)態(tài)變化問題，基于BR-BP神經(jīng)網(wǎng)絡(luò)建立了壁厚動(dòng)態(tài)預(yù)測(cè)模型，使預(yù)測(cè)模型能夠根據(jù)新的頁巖氣集輸管道監(jiān)測(cè)數(shù)據(jù)進(jìn)行動(dòng)態(tài)化學(xué)習(xí)訓(xùn)練，從而實(shí)現(xiàn)了模型對(duì)于頁巖氣集輸管道沖蝕情況的動(dòng)態(tài)預(yù)測(cè)；

（3）通過實(shí)例驗(yàn)證可以得出，該預(yù)測(cè)模型的預(yù)測(cè)相對(duì)誤差要明顯小于傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)和LM法訓(xùn)練的BP神經(jīng)網(wǎng)絡(luò)，證明該預(yù)測(cè)模型的精度得到了較大提升，進(jìn)而使得針對(duì)頁巖氣集輸管線的動(dòng)態(tài)預(yù)測(cè)模型在實(shí)時(shí)學(xué)習(xí)訓(xùn)練時(shí)也能得到較為準(zhǔn)確的預(yù)測(cè)值。