基于优化BP神经网络的连续管疲劳寿命预测

TE925; 针对标准BP神经网络预测连续管疲劳寿命时容易陷入局部极小值和训练时间过长的缺点,利用有动量的梯度下降法、拟牛顿算法和一步正割算法分别对BP 神经网络进行优化.拟牛顿算法优化后的BP神经网络性能最佳.利用拟牛顿算法优化后的BP神经网络预测连续管疲劳寿命,并与标准试验结果进行对比研究.研究结果表明:拟牛顿算法优化后的BP 神经网络预测结果与标准试验结果最小相对误差率为 1.7%,最大相对误差率为 3.6%,满足工程精度要求.同时利用优化改进的标准BP 神经网络预测方法,提出连续管疲劳寿命区间预测.预测结果表明,所有的预测样本都处于合理的预测范围之内,证明了优化后BP 神经网络预测连续...

Full description

Saved in:
Bibliographic Details
Published in石油机械 Vol. 51; no. 10; pp. 144 - 149
Main Authors 窦益华, 张佳强, 李国亮, 韦亮, 曹银萍
Format Journal Article
LanguageChinese
Published 西安石油大学机械工程学院%中国石油西部钻探公司试油公司 2023
Subjects
寿命区间
fatigue life prediction
life interval
疲劳寿命预测
拟牛顿算法
BP neural network
method op-timization
BP神经网络
standard test
标准试验
连续管
方法优化
coiled tubing
quasi-Newton algorithm
Online AccessGet full text

Cover

Abstract TE925; 针对标准BP神经网络预测连续管疲劳寿命时容易陷入局部极小值和训练时间过长的缺点,利用有动量的梯度下降法、拟牛顿算法和一步正割算法分别对BP 神经网络进行优化.拟牛顿算法优化后的BP神经网络性能最佳.利用拟牛顿算法优化后的BP神经网络预测连续管疲劳寿命,并与标准试验结果进行对比研究.研究结果表明:拟牛顿算法优化后的BP 神经网络预测结果与标准试验结果最小相对误差率为 1.7%,最大相对误差率为 3.6%,满足工程精度要求.同时利用优化改进的标准BP 神经网络预测方法,提出连续管疲劳寿命区间预测.预测结果表明,所有的预测样本都处于合理的预测范围之内,证明了优化后BP 神经网络预测连续管疲劳寿命区间的可行性.所得结果可为连续管的疲劳寿命预测提供参考.
AbstractList TE925; 针对标准BP神经网络预测连续管疲劳寿命时容易陷入局部极小值和训练时间过长的缺点,利用有动量的梯度下降法、拟牛顿算法和一步正割算法分别对BP 神经网络进行优化.拟牛顿算法优化后的BP神经网络性能最佳.利用拟牛顿算法优化后的BP神经网络预测连续管疲劳寿命,并与标准试验结果进行对比研究.研究结果表明:拟牛顿算法优化后的BP 神经网络预测结果与标准试验结果最小相对误差率为 1.7%,最大相对误差率为 3.6%,满足工程精度要求.同时利用优化改进的标准BP 神经网络预测方法,提出连续管疲劳寿命区间预测.预测结果表明,所有的预测样本都处于合理的预测范围之内,证明了优化后BP 神经网络预测连续管疲劳寿命区间的可行性.所得结果可为连续管的疲劳寿命预测提供参考.
Author 窦益华
李国亮
曹银萍
张佳强
韦亮
AuthorAffiliation 西安石油大学机械工程学院%中国石油西部钻探公司试油公司
AuthorAffiliation_xml – name: 西安石油大学机械工程学院%中国石油西部钻探公司试油公司
Author_FL Zhang Jiaqiang
Li Guoliang
Dou Yihua
Wei Liang
Cao Yinping
Author_FL_xml – sequence: 1
  fullname: Dou Yihua
– sequence: 2
  fullname: Zhang Jiaqiang
– sequence: 3
  fullname: Li Guoliang
– sequence: 4
  fullname: Wei Liang
– sequence: 5
  fullname: Cao Yinping
Author_xml – sequence: 1
  fullname: 窦益华
– sequence: 2
  fullname: 张佳强
– sequence: 3
  fullname: 李国亮
– sequence: 4
  fullname: 韦亮
– sequence: 5
  fullname: 曹银萍
BookMark eNrjYmDJy89LZWDQMjTQMzQzsDDSz9JLzsvO1MssLs7TMzQwMNQ1MTW30DMyMDIGcvUMDC1ZGDjh4hwMvMXFWQYGBkaWlobmpmacDBZP5-96sqvvyZ4ZT3umOQU8Xzrv-e7-53snPt895_mslhf7gdy1z9ctfD5t09OuzU_X7386ce_LRS3PtnbzMLCmJeYUp_JCaW4GVTfXEGcP3fLEvLTEvPT4rPzSojygTHxxZVYFyD0gV1gaE6sOAEM2Vt8
ClassificationCodes TE925
ContentType Journal Article
Copyright Copyright © Wanfang Data Co. Ltd. All Rights Reserved.
Copyright_xml – notice: Copyright © Wanfang Data Co. Ltd. All Rights Reserved.
DBID 2B.
4A8
92I
93N
PSX
TCJ
DOI 10.16082/j.cnki.issn.1001-4578.2023.10.019
DatabaseName Wanfang Data Journals - Hong Kong
WANFANG Data Centre
Wanfang Data Journals
万方数据期刊 - 香港版
China Online Journals (COJ)
China Online Journals (COJ)
DatabaseTitleList
DeliveryMethod fulltext_linktorsrc
DocumentTitle_FL Fatigue Life Prediction of Coiled Tubing Based on Optimized BP Neural Network
EndPage 149
ExternalDocumentID syjx202310019
GrantInformation_xml – fundername: 国家自然科学基金
  funderid: (52004215)
GroupedDBID -02
2B.
4A8
5XA
5XC
92I
93N
ALMA_UNASSIGNED_HOLDINGS
CCEZO
CDRFL
GROUPED_DOAJ
PSX
TCJ
U1G
ID FETCH-wanfang_journals_syjx2023100193
ISSN 1001-4578
IngestDate Wed Nov 06 04:33:20 EST 2024
IsPeerReviewed true
IsScholarly true
Issue 10
Keywords 寿命区间
fatigue life prediction
life interval
疲劳寿命预测
拟牛顿算法
BP neural network
method op-timization
BP神经网络
standard test
标准试验
连续管
方法优化
coiled tubing
quasi-Newton algorithm
Language Chinese
LinkModel OpenURL
MergedId FETCHMERGED-wanfang_journals_syjx2023100193
ParticipantIDs wanfang_journals_syjx202310019
PublicationCentury 2000
PublicationDate 2023
PublicationDateYYYYMMDD 2023-01-01
PublicationDate_xml – year: 2023
  text: 2023
PublicationDecade 2020
PublicationTitle 石油机械
PublicationTitle_FL China Petroleum Machinery
PublicationYear 2023
Publisher 西安石油大学机械工程学院%中国石油西部钻探公司试油公司
Publisher_xml – name: 西安石油大学机械工程学院%中国石油西部钻探公司试油公司
SSID ssj0002991756
ssib000271112
ssib051374749
ssib002263268
ssib036434988
ssib001105353
Score 4.686273
Snippet TE925; 针对标准BP神经网络预测连续管疲劳寿命时容易陷入局部极小值和训练时间过长的缺点,利用有动量的梯度下降法、拟牛顿算法和一步正割算法分别对BP...
SourceID wanfang
SourceType Aggregation Database
StartPage 144
Title 基于优化BP神经网络的连续管疲劳寿命预测
URI https://d.wanfangdata.com.cn/periodical/syjx202310019
Volume 51
hasFullText 1
inHoldings 1
isFullTextHit
isPrint
link http://utb.summon.serialssolutions.com/2.0.0/link/0/eLvHCXMwnV1LaxRBEG6SCOIlKCpqNORgX4Rddx49233s3pkhCEoOEXIL-5j1BRswG9Ccc1JRcgkioih4VEHxkhjyG_wPWUf_hVU1vbO9Jhj1MtTOVH_12p2q7pmuZexy2_ObWIlWYD7brITKCysqyqKK6gSy3mnVuhl1Yrp-I5q_GV5bEksTk9-ct5bW-q1qe_3QfSX_E1U4B3HFXbL_ENkSFE4ADfGFI0QYjn8VY54IrlJuNE9CPMqEiAZXEi9JICKzwJM618CYIGEMlykRMVeePaMaSCgACHkiuUlHzDqm4QnXxKwibnzC1twESOgU-VERDzETxbVPOMAJbMatfgkhpYGEYxQSIB0tiHCgKZ-ekFjNdUSDDApEsTEYOWIRaKyukdWxVcgg3IgF8GNyjEAU1JBcpR0UhUqhIPeKXQkptinTtxZdA34srAWPSHWYPXAp5LpOREyov1tISlJI0EQJPnKYQRfyoC9IHUkBKFU_KK5USXEZIBoi-Bg54AGzdREtwG8QkSImjoIYizG1x3mcZIWvw4Wi-AukYTaz7Xvtr7bm5CavaLRpyxyv6BR7IINGUBNSCm337t0hOdVSThW9XsWXIW2aG-9Uvvrw7gPkQH41yY75cO8XziqHfdAN2dXZqu1hgyG3ooxgQlGmhAAK5tDpqCe8AOa_dsUAiy2opqAApj2EQy2PsytDQ64eaQbt1et1m71bTlm5eJJN2_ngnC5-3KfYxPrt00wOXm_vbz_d__p88GTLLOTvXuU7z_LdzXznZf5i48cefHyff3iTb30aPPo8-Lg32Nz9-Xbj-5fHZxhPk8XGfMVKW7a3kdXlMa8FZ9lUb6WXnWNz3brCXoSZhDIgVKLbxMraa3eEaoos8PzzbPbPWBeOYphhJ5AuFhQvsqn-_bXsEpTY_dYsBe0XdICXkw
link.rule.ids 315,783,787,867,4031,27935,27936,27937
linkProvider Directory of Open Access Journals
openUrl ctx_ver=Z39.88-2004&ctx_enc=info%3Aofi%2Fenc%3AUTF-8&rfr_id=info%3Asid%2Fsummon.serialssolutions.com&rft_val_fmt=info%3Aofi%2Ffmt%3Akev%3Amtx%3Ajournal&rft.genre=article&rft.atitle=%E5%9F%BA%E4%BA%8E%E4%BC%98%E5%8C%96BP%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C%E7%9A%84%E8%BF%9E%E7%BB%AD%E7%AE%A1%E7%96%B2%E5%8A%B3%E5%AF%BF%E5%91%BD%E9%A2%84%E6%B5%8B&rft.jtitle=%E7%9F%B3%E6%B2%B9%E6%9C%BA%E6%A2%B0&rft.au=%E7%AA%A6%E7%9B%8A%E5%8D%8E&rft.au=%E5%BC%A0%E4%BD%B3%E5%BC%BA&rft.au=%E6%9D%8E%E5%9B%BD%E4%BA%AE&rft.au=%E9%9F%A6%E4%BA%AE&rft.date=2023&rft.pub=%E8%A5%BF%E5%AE%89%E7%9F%B3%E6%B2%B9%E5%A4%A7%E5%AD%A6%E6%9C%BA%E6%A2%B0%E5%B7%A5%E7%A8%8B%E5%AD%A6%E9%99%A2%25%E4%B8%AD%E5%9B%BD%E7%9F%B3%E6%B2%B9%E8%A5%BF%E9%83%A8%E9%92%BB%E6%8E%A2%E5%85%AC%E5%8F%B8%E8%AF%95%E6%B2%B9%E5%85%AC%E5%8F%B8&rft.issn=1001-4578&rft.volume=51&rft.issue=10&rft.spage=144&rft.epage=149&rft_id=info:doi/10.16082%2Fj.cnki.issn.1001-4578.2023.10.019&rft.externalDocID=syjx202310019
thumbnail_s http://utb.summon.serialssolutions.com/2.0.0/image/custom?url=http%3A%2F%2Fwww.wanfangdata.com.cn%2Fimages%2FPeriodicalImages%2Fsyjx%2Fsyjx.jpg