含蜡原油管道蜡沉积已经成为影响油田安全生产和经济效益的重要问题。近年来，许多学者对于蜡沉积速率预测提出了很多种方法[1]。但蜡沉积速率的影响因素之间存在着十分复杂的非线性关系[2]。随着计算机科学的飞速发展，人工神经网络在分析处理大量数据间复杂关系的能力被各大行业认可。在理论上，RBF网络和BP网络一样能以任意精度逼近任何非线性函数。但由于它们使用的激励函数不同，其逼近性能也不相同。Poggio和Girosi证明RBF网络是连续函数的最佳逼近。BP网络使用的Sigmoid函数具有全局特性，它在输入值的很大范围内每个节点都对输出值产生影响，并且激励函数在输入值的很大范围内相互重叠，因而相互影响[3]；采用局部激励函数的RBF网络不仅有良好的泛化能力，而且对于每个输入值，只有很少几个节点具有非零激励值，因此，只需很少部分节点及权值改变。学习速度可以比通常的BP算法提高上千倍，容易适应新数据，其隐层节点的数目也在训练过程中确定，并且其收敛性非常好[4]。

1 BP神经网络蜡沉积速率预测

1.1 BP神经网络介绍

反向传播网络（Back-Propagation Network，简称BP网络）是由输入层、中间层、输出层组成的阶层性神经网络。神经元只在相邻层间相连接，而同层的神经元间无连接。BP网络将Widrow-Hoff学习规则一般化，对非线性可微分函数进行全职训练的多层网络。具体结构见图1[5]。

云闪付的发展主要分为两个阶段。第一次，云闪付在技术上有两大优势。一是借助手机NFC，消费者可以通过申请虚拟的云支付卡片，实现无卡支付和取现。二是解决了移动支付领域的重大安全隐患问题。在此模式下消费者只需输入密码，不需要联网及点亮屏幕便可在几秒内完成支付。第二次，开放合作，借力银行APP共同发布银行业统一APP。2017年12月，银联与各商业银行等共同发布银行业统一APP“云闪付”。此次收拢了各大银行APP的客户基础，解决了获客的问题，加上银联庞大的线下POS机布局也解决了场景接入数量的问题。

  

图1 BP神经网络结构图Fig.1 BPneural network structure diagram

1.2 BP神经网络的算法简述

（1）对每一层的权值Wij初始化（权值的取值一般在0～1之间）。

（2）预处理输入数据

输入训练样本：X=（X1，X2，X3，…X n，1），即为各影响因素的数值；

期望输出：Y=（Y1，Y2，Y3，…Y n），即为蜡沉积速率预测值。

（3）计算各层输出

苏婷婷走进客厅，苏穆武和苏母坐在沙发上。苏婷婷哥嫂苏越和徐芬也坐在那里。苏婷婷惊讶地：大哥，大嫂，你们也来了！几个人神色严肃，相互看看，没有说话。苏婷婷不解地：怎么都不说话？开会啊？

对第k层第i个神经元的输出X k有：

 

（4）计算各层学习误差d ki

 

（5）修正权系数Wij和阈值θ

由此可见，随着维数的递增，相对误差的变化趋势是降低、升高、降低。在4维升到5维的时候，其最大差的绝对值从5.22%上升到7.48%。这意味着维数的增加并不一定会使计算结果的误差一直减小，而且对于影响因素的选择上也会对结果的误差造成很大影响。但是从宏观上来看，输入维数为3维的模型计算结果的最大相对误差为14.67%，而6维的最大相对误差为6.43%，这在数值上远小于前者[6]。文献[7]采用了BP神经网络对蜡沉积速率进行预测，预测结果及相对误差见表4。

古诗词的资料有很多，同一主题的诗词，它们的写作特点都是一样的。不少的诗词虽然作者、写作背景不一样，但是它们所表达的情感和主题却是相似或相同的。在教学时可以整合资源、凝聚诗词主题，学生把握诗词的基点，整合同一题材的诗词特点，凝聚情感，加深学生对诗词的理解。对同一诗人的作品要注重归纳总结，这样学生就会感知某一诗人的写作风格，增强学生对不同风格语言等的感知力。突出诗歌的写作重点，教师应该根据新课标的教学要求和每一课的教学重难点进行重点讲解。

传统的教学模式，老师根据考试大纲划出重点内容，学生只需要背诵老师要求的重点即可。在课堂上，教师将花费大量的时间和精力来监督学生的学习，并督促学生按时完成指定的学习任务。课后还会安排很多功课，以巩固所学的知识。在这种模式中，老师成为了主体，学生一味地听从老师的安排与指导，这种模式虽然在应对考试时会有一定的成效，但是会导致学生缺乏判断能力以及自主学习的能力。然而，这些能力在未来的学习和生活过程中至关重要。

本文研究的是标准化研究机构的品牌建设，对品牌的解释要跳出企业的范畴，从一个行业的整体性出发，根据行业特点来进行综合理解和考虑。因此，本文认为标准化研究机构的品牌是名称、术语、标志、设计及其组成的集合，是能使拥有者的标准化产品或服务区别于竞争对手并且带来增值的无形资产，是社会公众对拥有者的组织、产品及服务认知的总和[1]。

1.3 实例计算

靳文博等采用BP神经网络构建了蜡沉积速率预测模型。但与前人不同的是他考虑到影响因素的不同会对结果造成不同程度的影响，也就是说维数的变化会对蜡沉积速率预测的精度产生很大影响。为此，在建立模型时输入维数从3依次递增到7，观察不同输入维数所得结果与实验数据的相对误差大小，进而得出对蜡沉积速率预测结果的影响规律。采用文献[7]的数据来建立模型。

根据受监工程的规模、重要性等特点，制定质量监督计划，确定质量监督组织形式和专职质监员，推行质监站专职质监员与水管单位兼职质监员共同质监的方式，采取巡视、抽查等形式对工程参建单位的质量保证体系、质量行为及工程实体质量进行动态监督管理。

（6）当各层权系数均被求解时，按照给定的品质指标来判别是否满足要求，若满足就结束运算；若不满足则返回第（3）步继续计算。

考虑到目前的神经网络泛化能力还不是很高，计算结果的误差也比较大，故首先从36组数据中提取出32组的7个影响因素输入BP神经网络模型进行计算，根据所得结果与实验数据的相对误差大小来判断该模型是否可行。各因素与序号间对应关系为：

这几年，广州市以“好教育进行时”为抓手，推动各区基础教育提升质量、打造特色的做法，推动了广州杏坛百花齐放、万紫千红，可谓“无边风景一时新”，此“一时”就是指“好教育进行时”，此举有以下几点特别值得点赞。

观察结果的相对误差来确定模型是否可靠。经过反复试验确定的模型的各项参数见表1。

 

表1 BP网络模型参数Tab.1 BPnetwork model parameters

  

最大训练次数0.00001 0.95 0.2 10000 7 1 10目标误差动量因子学习速率节点数量输入层 输出层 隐含层

从表4可以看出，在维数为4的时候，神经网络所计算的结果与测量值之间的相对误差绝对值最大不超过1.6%，而表2中的数据显示，神经网络模型在7维时其相对误差不超过0.40%。从全局来看，增加维数是会提高预测精度的。

 

表2 基于BP神经网络对蜡沉积速率预测结果的相对误差Tab.2 Relative error of prediction results of wax deposition rate based on BPneural network

  

序号 1 2 3 4 5 6蜡沉积速率预测值 /g·（m2·h）-1 10.9444 6.5596 5.9871 12.1137 8.1242 5.5478蜡沉积速率实验值 /g·（m2·h）-1 10.9100 6.5400 6.0000 12.1100 8.1200 5.5700相对误差/% 0.32 0.30 -0.22 0.03 0.05 -0.40

从表2可以看出，相对误差的绝对值在0.03～0.40之间，此条件下的蜡沉积速率预测值与实验值吻合程度高，进一步说明BP神经网络对蜡沉积速率所作出的预测是可靠的。

经第十三届全国人民代表大会第一次会议审议批准，2018年全国地方政府债务限额为209974.30亿元。其中，一般债务限额123789.22亿元，专项债务限额86185.08亿元。

在确认模型的可靠性后，依次从3维到6维进行计算，每组实验所选择的影响因素序号及最大相对误差见表3。

 

表3 不同维数下蜡沉积速率预测结果的相对误差Tab.3 Relative error of the prediction results of wax deposition rate under different dimensions

  

影响因素 维数 均方误差 相关系数 相对误差/%2、3、4、5、6、7 3、4、5、6、7 6维5维0.479318 0.527818 0.995308 0.994877 6.43 7.48 3、4、6、7 4 维 0.518505 0.994817 -5.22 3、4、7 3 维 0.990351 0.982066 14.67

Wij（t+1）=Wij（t-η），其中的η为学习速率。

 

表4 输入层4维时的蜡沉积速率预测结果的相对误差Tab.4 Relative error of the prediction results of wax deposition rate at 4 dimension of the input layer

  

序号 1 2 3 4 5 6蜡沉积速率预测值 /g·（m2·h）-1 11.1 17.4 9.5 12.6 8.5 12.6蜡沉积速率实验值 /g·（m2·h）-1 11.073 17.1382 9.5688 12.6133 8.4957 12.6133相对误差/% -0.2433 -1.5045 0.7244 0.1056 -0.050 0.1056

网络计算完成后利用剩下的6组蜡沉积速率实验值与模型预测值相对比，其影响因素数值及相对误差见表2。

2 径向基神经网络（RBF神经网络）

2.1 RBF神经网络介绍

maxin=max（a）；%求最大值

  

图2 RBF神经网络结构图Fig.2 RBF neural network structure diagram

2.2 RBF神经网络的部分算法程序

［NUM］=xlsread（a）；a即为 32 组训练样本组成的矩阵

1.油温 2.壁温 3.原油粘度 4.管壁处剪切应力 5.流速 6.管壁处温度梯度 7.管壁处蜡分子浓度梯度

径向基神经网络（后面都简称RBF神经网络）是一种三层前馈式神经网络它具有生理学基础，训练方法简单迅速，同时它还具有优良的函数逼近和全局最优的性能[8]。因此，RBF在处理非线性数据运算时，尤其是在处理蜡沉积速率预测中各项影响因素之间复杂的非线性关系问题时，采用了与BP神经网络不同的反馈形式去计算蜡沉积速率，也是近年被广泛采用的一种高效的预测方法 [9]。图1为RBF网络结构。其中x代表输入层节点，即蜡沉积速率的影响因素；φ（x）代表隐含层节点，数量不能超过输入层节点数，但很多时候都是根据经验来确定的；y代表输出层节点，只取一个，作为每个预测值输出[10]。

首先根据工程实际情况，将已选用的各级分布式电源、储能和负荷的种类、容量等信息对应填入基础设备表；然后将该系统所具有的几种运行模式填入第一维度表；将所需进行能量管理的时间点进行排列并填入第二维度表；将电源负荷的时空分布情况填入第三维度表；将各类影响因子按优先考虑的顺序填入第四维度表；最后得到对分布式电源、储能和负荷的优化控制策略，形成四维能量管理空间模型。

minin=min（a）；%求最小值

采用SPSS 19.0统计学软件对数据进行处理。计数资料以百分数（%）表示，采用x2检验。以P＜0.05为差异有统计学意义。

［aa，PS］=mapminmax（a'，0，1）%按行对矩阵进行归一化处理，转置后按列

aaa=aa'

b=aaa（1：32，1：6）；

c=aaa（1：32，7）；

goal=0.00001；

spread=2；

net=newrb（b'，c'，goal，spread，32，16）；

P=aaa（1：32，1：7）'；

y=sim（net，P）；

Y=y*（maxin（1，6）-minin（1，6））+minin（1，6）；%反归一化

Y'；

2.3 实例计算

利用matlab工具箱中已定义的径向基函数newrb（）来建立RBF神经网络。与BP神经网络相比，RBF神经网络在建立模型的参数要少很多。对于隐含层节点个数的选取，目前还没有为了防止出现“过拟合”，按照经验公式和预测值的相对误差取15。相关参数的选择见表5。

 

表5 RBF神经网络参数选择Tab.5 Parameter selection of RBFneural network

  

目标误差 分布密度0.00001 2 7 1 15节点数量输入层 输出层 隐含层

为了对比两种神经网络模型在蜡沉积速率预测值精度，选择表中的原始数据进行神经网络建模及蜡沉积速率预测。训练样本和测试样本与之前BP神经网络中所使用的保持一致。预测结果及相对误差见表6。

 

表6 基于RBF神经网络对蜡沉积速率预测结果的相对误差Tab.6 Relative error of prediction results of wax deposition rate based on RBFneural network

  

序号 1 2 3 4 5 6蜡沉积速率预测值 /g·（m2·h）-1 10.9251 6.5562 6.0042 12.1231 8.1256 5.5667蜡沉积速率实验值 /g·（m2·h）-1 10.9100 6.5400 6.0000 12.1100 8.1200 5.5700相对误差/% 0.13 0.25 0.07 0.11 0.07 -0.06

从表6可以看出，相对误差的绝对值在0.06到0.25之间，此条件下的RBF神经网络的蜡沉积速率预测值与实验值的相对误差区间要比BP神经网络的小，可能在选取个别点时会有误差大于BP神经网络的预测值[11]，但从整体上看，RBF神经网络计算出的蜡沉积速率误差分布更加均匀，这说明数据量相同的条件下，RBF神经网络在求解数据间复杂的非线性关系的能力要强于BP神经网络，对数据利用的更充分，同时在计算的时候比BP神经网络更迅速[12]。

3 结论

BP神经网络和RBF神经网络两者都是预测蜡沉积速率的非常有效的手段。BP神经网络的应用广泛，从全局来修正每一个输入值，这是传统方法所不能相比的；RBF神经网络有着良好的运算速度和适应能力，计算出的结果更平滑，同时输入的参数比BP神经网络少，使用更加方便。从数据上看，RBF神经网络在运算速度，精度均领先于BP神经网络。但是数据是具有偶然性的，并且神经网络的参数、训练样本的选择也会对所建成模型产生巨大影响。目前计算得到的只是几个结果中满足精度且误差最小的一组，但这并不意味着我们找到了最优解。所以对于哪一种神经网络更加适合取用来做蜡沉积速率预测，还需要更加深入的研究。

情境教学法是重要的教学方法之一，是提升初中数学教学有效性的重要手段。因此，在教学中，教师要善于创设有效的教学情境，调动起初中生的独立自主、联想想象的积极性以及探究欲望，进而提升学生的逻辑思维水平，提升学生将数学知识应用于生活实践的意识和能力。

参考文献

［1］ 苏文坤，成庆林，孙巍.原油管道蜡沉积预测模型研究进展［J］.化工机械，2016，43（1）：20-23.

［2］ 杨梅.阿赛线蜡沉积规律及清管方案研究［D］.西南石油大学，2013.

［3］ 黄丽.BP神经网络算法改进及应用研究［D］.重庆师范大学，2008.

［4］ 陈玉红.RBF网络在时间序列预测中的应用研究［D］.哈尔滨工程大学，2009.

［5］ 葛蕾，霍爱清.Widrow-Hoff神经网络学习规则的应用研究［J］.电子设计工程，2009，17（6）：15-16；19.

［6］ 靳文博.含蜡原油蜡沉积规律与预测方法研究［D］.西南石油大学，2015.

［7］ 周诗岽，吴明，王俊.基于人工神经网络的原油管道蜡沉积速率模型［J］.西安石油大学学报（自然科学版），2004，（1）：38-40；92.

［8］ 李红，彭涛.基于BP、RBF神经网络混凝土抗压强度预测［J］.武汉理工大学学报，2009，31（8）：33-36.

［9］ 吕静.BP 与 RBF 比较研究［J］.电脑开发与应用，2013，26（1）：16-18；21.

［10］ 王磊.人工神经网络原理、分类及应用［J］.科技资讯，2014，（03）：240-241.

［11］ 李红，彭涛.基于BP、RBF神经网络混凝土抗压强度预测［J］.武汉理工大学学报，2009，31（8）：33-36.

［12］ 姜远征.含蜡原油管道蜡沉积的数据处理与模型研究［D］.华北电力大学，2012.