一种基于GA优化BP神经网络的管道裂纹扩展模式识别方法

本发明涉及神经网络，具体是一种基于ga优化bp神经网络的管道裂纹扩展模式识别方法。

背景技术：

1、油气管道裂纹缺陷扩展会导致其发生断裂破坏，直接影响管道的安全运营，因此对含裂纹缺陷的管道进行可靠性分析具有重要意义。

2、目前对含裂纹缺陷的管道最常用的分析方式有r6评定方法、bs7910评定方法和sintap评定方法。上述这些评定方法通常只考虑参数的随机性，将一些变量视为服从某种统计规律的随机变量的断裂分析。但是在实际工程设计中，变量通常同时具有随机和模糊两种不确定性因素，导致分析精度不高。于是为了解决分析精度不高的问题，专利cn112949190a中公开了一种基于r6-fad和bp-mcs的含裂纹缺陷管道的模糊随机可靠度评估方法，该方法基于r6规范的失效评定图，将bp神经网络和蒙特卡洛模拟结合起来应用于带裂纹缺陷管道的模糊随机可靠度评估。主要包括：步骤1：输入实际工况载荷、裂纹缺陷尺寸、材料性能的概率分布类型及参数以及最大模拟次数n，建立模糊极限状态方程；步骤2：确定基本参数，构建初始化bp神经网络；步骤3：训练神经网络，保证能够较好逼近模糊极限状态方程；步骤4：随机抽样，运用蒙特卡洛原理计算失效概率及可靠度指标。本发明可以简化模糊可靠度随机化过程并得到模拟精度较高的数值解；同时考虑了结构的模糊随机耦合不确定性，更加符合工程实际，对结构的安全评估具有指导意义。

3、在上述现有技术使用bp神经网络处理的过程中，由于bp神经网络的初始参数都是随机的，这会导致在bp神经网络训练的过程中，参数寻优的时间会被拉长；同时，随机的初始参数，也会导致bp神经网络在训练的过程中，容易陷入局部最优解，进而导致预测精度降低。由此可见，bp神经网络中初始参数的设置，对bp神经网络的训练过程至关重要。

技术实现思路

1、为了避免和克服现有技术中存在的技术问题，本发明提供了一种基于ga优化bp神经网络的管道裂纹扩展模式识别方法。本发明能够有效地提高bp神经网络的预测精度。

2、为实现上述目的，本发明提供如下技术方案：

3、一种基于ga优化bp神经网络的管道裂纹扩展模式识别方法，包括以下识别步骤：

4、s1、收集包含管道的特征参数和裂纹扩展模式的数据样本，并将各个数据样本存储在样本集中；

5、s2、构建bp神经网络，将bp神经网络的隐含层节点数、超参数、网络权重初始值和偏置初始值记为染色体，并基于样本集使用遗传算法求解出最优染色体；

6、s3、将最优染色体的数值赋予bp神经网络，接着使用样本集对赋值后的bp神经网络进行训练，以得到最优bp神经网络；

7、s4、将管道的特征参数输入到最优bp神经网络中，通过最优bp神经网络预测该管道的裂纹扩展模式。

8、作为本发明再进一步的方案：使用遗传算法求解出最优染色体的步骤具体如下：

9、s21、编码：对bp神经网络的隐含层节点数、超参数、网络权重初始值和偏置初始值编码，形成对应的染色体；

10、s22、初始化种群：随机生成多组染色体，并存放在初始种群中；

11、s23、适应度评估：将初始种群中的各组染色体依次赋予bp神经网络，接着将样本集输入到当前赋值后的bp神经网络中，计算得到当前赋值后的bp神经网络的输出，并通过数理统计得到该输出的均方误差；并以均方误差的倒数为当前组染色体的适应度；

12、s24、选择操作：采用轮盘赌选择法或锦标赛选择法，根据适应度大小从初始种群中选择部分染色体，并存放在子种群中；

13、s25、交叉操作：对子种群中的染色体进行交叉操作，以生成新的染色体，并将生成新的染色体存放在子种群中；

14、s26、变异操作：对子种群中的部分染色体进行变异操作，以生成新的染色体，并将生成新的染色体存放在子种群中；

15、s27、迭代进化：按照步骤s23到步骤s26的内容将子种群中的各组染色体依次赋予bp神经网络，并依次进行适应度评估、选择操作、交叉操作和变异操作，直到满足终止条件，并将满足终止条件的染色体记为最优染色体。

16、作为本发明再进一步的方案：仅含有一层隐含层的bp神经网络中的隐含层节点数计算如下：

17、

18、式中，h表示bp神经网络中的隐含层节点数；m表示bp神经网络中输入层的节点数；n表示bp神经网络中输出层的节点数；a表示调节常数。

19、作为本发明再进一步的方案：bp神经网络的超参数包括正则化项的系数λ和高斯噪声的标准差σ。

20、作为本发明再进一步的方案：通过计算均方误差以对网络权重初始值和偏置初始值寻优的目标函数的自变量与网络权重数量以及偏置数量的关系表示如下：

21、num＝w1+b1+w2+b2；

22、w1＝m*h；

23、b1＝h；

24、w2＝h*n；

25、b2＝n；

26、其中，num表示该目标函数的自变量总数；w1表示bp神经网络中输入层到隐含层的网络权重总数；b1表示bp神经网络中隐含层的偏置总数；w2表示bp神经网络中隐含层到输出层的网络权重总数；b2表示bp神经网络中输出层的偏置总数。

27、作为本发明再进一步的方案：目标函数具体表示如下：

28、

29、式中，mse表示均方误差，即目标函数值；z表示样本集中数据样本的总数；pz表示真实值；表示bp神经网络的输出值。

30、作为本发明再进一步的方案：裂纹扩展模式包括裂纹萌生阶段、裂纹稳定扩展阶段和裂纹失稳扩展阶段。

31、作为本发明再进一步的方案：初始种群中的染色体组数为20～100；在计算出各组染色体的适应度后，按照降序的方式对各组染色体进行排序，并选取排名前20～100内的染色体存放在子种群中。

32、作为本发明再进一步的方案：交叉操作中交叉概率的取值范围为[0.6,0.9]，变异操作中变异概率的取值范围为[0.01,0.1]。

33、作为本发明再进一步的方案：终止条件为达到最大迭代次数或找到符合误差精度的染色体。

34、与现有技术相比，本发明的有益效果是：

35、本发明通过结合遗传算法(ga)的全局搜索能力和bp神经网络的精确求解能力，可以克服bp神经网络的缺陷，提高神经网络的性能。遗传算法的全局搜索能力有助于bp神经网络跳出局部最优解，找到全局最优解。通过优化网络权重初始值和偏置初始值，可以加快bp神经网络的收敛速度。优化后的bp神经网络具有更好的泛化能力和更高的预测精度。

技术特征：

1.一种基于ga优化bp神经网络的管道裂纹扩展模式识别方法，其特征在于，包括以下识别步骤：

2.根据权利要求1所述的一种基于ga优化bp神经网络的管道裂纹扩展模式识别方法，其特征在于，使用遗传算法求解出最优染色体的步骤具体如下：

3.根据权利要求2所述的一种基于ga优化bp神经网络的管道裂纹扩展模式识别方法，其特征在于，仅含有一层隐含层的bp神经网络中的隐含层节点数计算如下：

4.根据权利要求3所述的一种基于ga优化bp神经网络的管道裂纹扩展模式识别方法，其特征在于，bp神经网络的超参数包括正则化项的系数λ和高斯噪声的标准差σ。

5.根据权利要求4所述的一种基于ga优化bp神经网络的管道裂纹扩展模式识别方法，其特征在于，通过计算均方误差以对网络权重初始值和偏置初始值寻优的目标函数的自变量与网络权重数量以及偏置数量的关系表示如下：

6.根据权利要求5所述的一种基于ga优化bp神经网络的管道裂纹扩展模式识别方法，其特征在于，目标函数具体表示如下：

7.根据权利要求1-6中任一项所述的一种基于ga优化bp神经网络的管道裂纹扩展模式识别方法，其特征在于，裂纹扩展模式包括裂纹萌生阶段、裂纹稳定扩展阶段和裂纹失稳扩展阶段。

8.根据权利要求6所述的一种基于ga优化bp神经网络的管道裂纹扩展模式识别方法，其特征在于，初始种群中的染色体组数为20～100；在计算出各组染色体的适应度后，按照降序的方式对各组染色体进行排序，并选取排名前20～100内的染色体存放在子种群中。

9.根据权利要求8所述的一种基于ga优化bp神经网络的管道裂纹扩展模式识别方法，其特征在于，交叉操作中交叉概率的取值范围为[0.6,0.9]，变异操作中变异概率的取值范围为[0.01,0.1]。

10.根据权利要求9所述的一种基于ga优化bp神经网络的管道裂纹扩展模式识别方法，其特征在于，终止条件为达到最大迭代次数或找到符合误差精度的染色体。

技术总结本发明涉及神经网络技术领域，具体是一种基于GA优化BP神经网络的管道裂纹扩展模式识别方法。本发明通过结合遗传算法的全局搜索能力和BP神经网络的精确求解能力，可以克服BP神经网络的缺陷，提高神经网络的性能。遗传算法的全局搜索能力有助于BP神经网络跳出局部最优解，找到全局最优解。通过优化网络权重初始值和阈值，可以加快BP神经网络的收敛速度。优化后的BP神经网络具有更好的泛化能力和更高的预测精度。技术研发人员：潘建华,匡朝祥,陈亿成受保护的技术使用者：合肥工业大学技术研发日：技术公布日：2024/11/21