期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
3
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于PCA-IBAS-ELM的海底多相流管道内腐蚀速率预测
被引量：
10
1
作者
骆正山
李蕾
《科学技术与工程》
北大核心
2022年第22期9566-9573,共8页
海底多相流管道运输介质中油、气、水共存,极易发生化学反应引发一系列腐蚀问题。为预测其腐蚀速率,对管内腐蚀机理及影响因素进行分析,提出基于主成分分析法(principal component analysis, PCA)和改进甲虫天牛须算法(improve beetle a...
海底多相流管道运输介质中油、气、水共存,极易发生化学反应引发一系列腐蚀问题。为预测其腐蚀速率,对管内腐蚀机理及影响因素进行分析,提出基于主成分分析法(principal component analysis, PCA)和改进甲虫天牛须算法(improve beetle antennae search, IBAS)的极限学习机(extreme learning machine, ELM)预测模型。PCA筛选腐蚀因素,降低预测模型的输入指标维数,IBAS优化ELM的关键性能指标——输入权值及隐层阈值,提升预测精度。为检验模型效能,以中国海南东部某海底油气管道50组数据为例进行研究,并与其他两种模型对比分析。结果表明:温度、pH、流体流速和CO_(2)分压是影响该类型管道腐蚀的关键因素,PCA-IBAS-ELM预测结果与实际值拟合度更高,其均方根误差(root mean square error, RMSE)、平均绝对误差(mean absolute deviation, MAE)和平均绝对百分误差(mean absolute percentage error, MAPE)均小于比较模型。可见构建模型对于海底多相流管道内腐蚀速率预测具有优越性。
展开更多
关键词
海底多相流管道
内腐蚀速率预测
主成分分析(PCA)
改进甲虫天牛须算法(
ibas
)
极限学习机(ELM)
在线阅读
下载PDF
职称材料
基于LASS0-MBAS-ELM的海底多相流管道CO_(2)内腐蚀速率预测
被引量：
3
2
作者
骆正山
李蕾
王小完
《热加工工艺》
北大核心
2023年第14期41-45,共5页
针对海底多相流管道CO_(2)内腐蚀发生频繁,检测难度大的问题,建立基于套索回归(LASSO)和多种群甲虫天牛须优化算法(MBAS)的极限学习机(ELM)预测模型,以提高预测效率及预测精度。以LASSO回归筛选腐蚀影响因素,提取关键指标,降低预测输入...
针对海底多相流管道CO_(2)内腐蚀发生频繁,检测难度大的问题,建立基于套索回归(LASSO)和多种群甲虫天牛须优化算法(MBAS)的极限学习机(ELM)预测模型,以提高预测效率及预测精度。以LASSO回归筛选腐蚀影响因素,提取关键指标,降低预测输入维度;采用MBAS对ELM的输入权值及隐层阈值进行修正,避免因随机设置造成的不稳定性。以我国海南东部某海底油气管道的50组数据为例,通过MATLAB模拟仿真,分析预测结果,并与其他两种模型对比。结果表明:温度、pH值、流体流速和CO_(2)分压是影响该类型管道腐蚀的关键因素。LASSO-MBAS-ELM模型的预测结果与实际值拟合度更高,其均方根误差、平均绝对误差及平均绝对百分误差分别为0.089%、0.079%和3.068%,均优于对比模型。所提出的方法在数据有限的情况下,仍具有良好的可靠性和稳定性,为准确掌握海底管道腐蚀状况提供了新的思路;同时为海洋油气运输系统日常运行维护提供了参考依据。
展开更多
关键词
海底多相流管道
CO_(2)内腐蚀
LASSO回归
多种群甲虫天牛须优化算法(MBAS)
极限学习机(ELM)
在线阅读
下载PDF
职称材料
基于天牛须搜索算法的短期风电功率组合预测
被引量：
13
3
作者
单斌斌
李华
+1 位作者
谷瑞政
李玲玲
《科学技术与工程》
北大核心
2022年第2期540-546,共7页
为了提高风电功率预测精度,提出了一种完全集成经验模态分解(complete ensemble empirical mode decomposition adaptive noise,CEEMDAN)、极限学习机(extreme learning machine,ELM)和改进天牛须搜索算法(improved beetle antennae sea...
为了提高风电功率预测精度,提出了一种完全集成经验模态分解(complete ensemble empirical mode decomposition adaptive noise,CEEMDAN)、极限学习机(extreme learning machine,ELM)和改进天牛须搜索算法(improved beetle antennae search algorithm,IBAS)的组合预测模型来预测风电功率。引入动态惯性权重改进天牛的位置更新方式,提高天牛须搜索算法的寻优能力。在预测过程中,首先通过CEEMDAN对原始风电功率数据进行预处理,将非平稳信号分解为一组按照频率和振幅大小排列的序列分量,减少数据波动带来的预测误差。然后利用IBAS优化ELM构建预测模型,分别预测每个序列分量,最后叠加每个序列分量的预测值得到最终预测值。仿真结果表明,与其他预测模型相比,本预测模型预测精度最高,评价指标平均绝对误差(mean absolute error,MAE)、均方根误差(root mean square error,RMSE)、平均绝对百分比误差(mean absolute percentage error,MAPE)均为最小,具有广阔的实际应用前景。
展开更多
关键词
短期风电功率预测
完全集成经验模态分解
改进天牛须搜索算法
极限学习机
在线阅读
下载PDF
职称材料
题名
基于PCA-IBAS-ELM的海底多相流管道内腐蚀速率预测
被引量：
10
1
作者
骆正山
李蕾
机构
西安建筑科技大学管理学院
出处
《科学技术与工程》
北大核心
2022年第22期9566-9573,共8页
基金
国家自然科学基金(41877527)
陕西省社会科学基金(2018S34)。
文摘
海底多相流管道运输介质中油、气、水共存,极易发生化学反应引发一系列腐蚀问题。为预测其腐蚀速率,对管内腐蚀机理及影响因素进行分析,提出基于主成分分析法(principal component analysis, PCA)和改进甲虫天牛须算法(improve beetle antennae search, IBAS)的极限学习机(extreme learning machine, ELM)预测模型。PCA筛选腐蚀因素,降低预测模型的输入指标维数,IBAS优化ELM的关键性能指标——输入权值及隐层阈值,提升预测精度。为检验模型效能,以中国海南东部某海底油气管道50组数据为例进行研究,并与其他两种模型对比分析。结果表明:温度、pH、流体流速和CO_(2)分压是影响该类型管道腐蚀的关键因素,PCA-IBAS-ELM预测结果与实际值拟合度更高,其均方根误差(root mean square error, RMSE)、平均绝对误差(mean absolute deviation, MAE)和平均绝对百分误差(mean absolute percentage error, MAPE)均小于比较模型。可见构建模型对于海底多相流管道内腐蚀速率预测具有优越性。
关键词
海底多相流管道
内腐蚀速率预测
主成分分析(PCA)
改进甲虫天牛须算法(
ibas
)
极限学习机(ELM)
Keywords
subsea multiphase flow pipelines
internal corrosion rate prediction
principal component analysis(PCA)
improved
beetle
aspen
whisker
algorithm
(
ibas
)
extreme learning machine(ELM)
分类号
TE985 [石油与天然气工程—石油机械设备]
在线阅读
下载PDF
职称材料
题名
基于LASS0-MBAS-ELM的海底多相流管道CO_(2)内腐蚀速率预测
被引量：
3
2
作者
骆正山
李蕾
王小完
机构
西安建筑科技大学管理学院
出处
《热加工工艺》
北大核心
2023年第14期41-45,共5页
基金
国家自然科学基金资助项目(41877527)
陕西省社科基金资助项目(2018S34)。
文摘
针对海底多相流管道CO_(2)内腐蚀发生频繁,检测难度大的问题,建立基于套索回归(LASSO)和多种群甲虫天牛须优化算法(MBAS)的极限学习机(ELM)预测模型,以提高预测效率及预测精度。以LASSO回归筛选腐蚀影响因素,提取关键指标,降低预测输入维度;采用MBAS对ELM的输入权值及隐层阈值进行修正,避免因随机设置造成的不稳定性。以我国海南东部某海底油气管道的50组数据为例,通过MATLAB模拟仿真,分析预测结果,并与其他两种模型对比。结果表明:温度、pH值、流体流速和CO_(2)分压是影响该类型管道腐蚀的关键因素。LASSO-MBAS-ELM模型的预测结果与实际值拟合度更高,其均方根误差、平均绝对误差及平均绝对百分误差分别为0.089%、0.079%和3.068%,均优于对比模型。所提出的方法在数据有限的情况下,仍具有良好的可靠性和稳定性,为准确掌握海底管道腐蚀状况提供了新的思路;同时为海洋油气运输系统日常运行维护提供了参考依据。
关键词
海底多相流管道
CO_(2)内腐蚀
LASSO回归
多种群甲虫天牛须优化算法(MBAS)
极限学习机(ELM)
Keywords
subsea multiphase flow pipeline
CO_(2)internal corrosion
LASSO regression
multiple swarm
beetle
aspen
whisker
optimization
algorithm
(MBAS)
extreme learning machine(ELM)
分类号
TG172 [金属学及工艺—金属表面处理]
在线阅读
下载PDF
职称材料
题名
基于天牛须搜索算法的短期风电功率组合预测
被引量：
13
3
作者
单斌斌
李华
谷瑞政
李玲玲
机构
河北工业大学电气工程学院/省部共建电工装备可靠性与智能化国家重点实验室/河北省电磁场与电器可靠性重点实验室
国网天津市电力公司检修公司
出处
《科学技术与工程》
北大核心
2022年第2期540-546,共7页
基金
天津市自然科学基金(19JCZDJC32100)。
文摘
为了提高风电功率预测精度,提出了一种完全集成经验模态分解(complete ensemble empirical mode decomposition adaptive noise,CEEMDAN)、极限学习机(extreme learning machine,ELM)和改进天牛须搜索算法(improved beetle antennae search algorithm,IBAS)的组合预测模型来预测风电功率。引入动态惯性权重改进天牛的位置更新方式,提高天牛须搜索算法的寻优能力。在预测过程中,首先通过CEEMDAN对原始风电功率数据进行预处理,将非平稳信号分解为一组按照频率和振幅大小排列的序列分量,减少数据波动带来的预测误差。然后利用IBAS优化ELM构建预测模型,分别预测每个序列分量,最后叠加每个序列分量的预测值得到最终预测值。仿真结果表明,与其他预测模型相比,本预测模型预测精度最高,评价指标平均绝对误差(mean absolute error,MAE)、均方根误差(root mean square error,RMSE)、平均绝对百分比误差(mean absolute percentage error,MAPE)均为最小,具有广阔的实际应用前景。
关键词
短期风电功率预测
完全集成经验模态分解
改进天牛须搜索算法
极限学习机
Keywords
short-term wind power forecast
complete ensemble empirical mode decomposition adaptive noise(CEEMDAN)
improved
beetle
antennae search
algorithm
(
ibas
)
extreme learning machine(ELM)
分类号
TM712 [电气工程—电力系统及自动化]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于PCA-IBAS-ELM的海底多相流管道内腐蚀速率预测
骆正山
李蕾
《科学技术与工程》
北大核心
2022
10
在线阅读
下载PDF
职称材料
2
基于LASS0-MBAS-ELM的海底多相流管道CO_(2)内腐蚀速率预测
骆正山
李蕾
王小完
《热加工工艺》
北大核心
2023
3
在线阅读
下载PDF
职称材料
3
基于天牛须搜索算法的短期风电功率组合预测
单斌斌
李华
谷瑞政
李玲玲
《科学技术与工程》
北大核心
2022
13
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
