CN110057748A - 油气管道土壤腐蚀分级量化方法 - Google Patents
油气管道土壤腐蚀分级量化方法 Download PDFInfo
- Publication number
- CN110057748A CN110057748A CN201910465228.0A CN201910465228A CN110057748A CN 110057748 A CN110057748 A CN 110057748A CN 201910465228 A CN201910465228 A CN 201910465228A CN 110057748 A CN110057748 A CN 110057748A
- Authority
- CN
- China
- Prior art keywords
- data
- soil
- factor
- index
- oil
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N17/00—Investigating resistance of materials to the weather, to corrosion, or to light
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Environmental Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Health & Medical Sciences (AREA)
- Pathology (AREA)
- Ecology (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Biodiversity & Conservation Biology (AREA)
- Testing Resistance To Weather, Investigating Materials By Mechanical Methods (AREA)
Abstract
本发明公开了一种油气管道土壤腐蚀分级量化方法,包括以下步骤:设计RS‑EW‑SPA模型架构,建立模型(运用粗糙集算法对本地记录数据进行预处理,运用粗集‑熵权计算法确定权重,根据集对理论多元联系数的分析方法将指标因素与评价等级组成集对,建立多元联系度关系式,依据各分级指标因素的实际情况和权重大小确定分级数),根据Python算法程序运行RS‑EW‑SPA模型。本发明的有益之处在于:采用RS‑EW‑SPA模型对油气管道土壤腐蚀等级进行定量分级评价,消除了主观因素影响,将复杂数据化为同一标准,客观的从大量样本数据中挖掘隐含知识并分析分类,具有容错和泛化能力;结合Python机器学习对不同文件形式的大数据样本运行RS‑EW‑SPA模型,达到了预测不同点处油气管道土壤腐蚀特性的目的。
Description
技术领域
本发明涉及一种分级量化方法,具体涉及一种油气管道土壤腐蚀分级量化方法,属于安全工程技术领域。
背景技术
油气管道通常埋设在地下,土壤因素会导致管道电化学腐蚀,随着腐蚀加剧会引起管道渗漏乃至泄漏事故。2013年11月22日,青岛中石化东黄输油管道因外腐蚀泄漏爆炸,共造成62人遇难,136人受伤,7.5亿元的经济损失,后果非常严重。根据相关资料和文献统计,美国管道因腐蚀造成的事故占18.3%以上,我国四川气田的成威输线在1968年到2013年的40多年间,因腐蚀发生的事故占39.5%以上。由于油气管道事故的危害性特别严重,针对其安全性评价变得越来越重要,而管道的腐蚀防护安全性评价是油气管道安全评价的核心部份,因此对油气管道进行土壤腐蚀分级评价具有重要意义。
1957年,Melvin Romanoff首次指出地下金属的土壤腐蚀主要指标因素有:土壤的电阻率、盐分、酸碱度等,这为以后的因素重要度分析提供了基础性研究。
1982年,Pawlak首次提出粗糙集方法,利用粗糙集方法挖掘隐藏在数据中的规律,还可以通过其相关理论来确定指标权重。
1989年,赵克勤首次提出集对分析理论,以此衍生的最具代表性的熵权-集对分析模型被应用于各个领域,包括油气管道土壤腐蚀评价方面。
2006年,张扬、李帆等第一次使用模糊综合评价法分析各指标权重,对土壤腐蚀强度进行了评价和分类,但是由于该方法是事先设定映射关系为线性关系,使得分析结果不具有完全真实性。
2017年,赵志峰、文虎等提出将粗糙集和熵权计算法结合进行土壤腐蚀多因素指标评价,既改进了粗糙集应用中离散化数据丢值问题,也增加了熵权计算实用性,但由于现实中样本数据量大,大数据量下如何预测每个点处土壤腐蚀指标因素的重要度大小及排序问题还有待解决。
2018年,巴振宁、韩亚鑫等在管道腐蚀风险评价中采用改进层次分析法,用三标度构造判断矩阵,省略了一致性检验,提高了精度,但该方法依然是从备用方案选择最优者的思想,没有提出新的决策方案,在指标过多数据量大时,构造判断矩阵会很复杂,权值难以确定。
发明内容
目前,粗糙集-熵权-集对分析模型(RS-EW-SPA模型)利用Python算法程序实现大数据量分析评价的方法,在油气管道土壤腐蚀分级评价方面尚无应用案例,针对此点,本发明对油气管道土壤腐蚀分级量化方法进行改进,将Python运行下的RS-EW-SPA模型引入该领域,为实现大数据量下预测油气管道土壤腐蚀特性提出了新思路。
为了实现上述目标,本发明采用如下的技术方案:
油气管道土壤腐蚀分级量化方法,其特征在于,包括以下步骤:
一、设计RS-EW-SPA模型架构
首先,通过粗糙集算法对土壤各指标因素的历史记录数据进行预处理,确定数据离散表;
然后,根据指标分类区间对预处理后的数据利用熵权计算法进行熵权计算,得到数据特征权值;
之后,利用集对理论分析法根据集对理论多元联系数分析得到数据特征向量;
最后,运用python软件完成RS-EW-SPA模型的运算;
二、建立模型
首先,根据设计RS-EW-SPA模型架构的流程,运用粗糙集算法对本地记录数据进行预处理,将本地的历史记录数据处理成为可用于做特征加权的数据;
然后,运用粗集-熵权计算法确定权重,对于T个指标,在Y个被分类对象的区域系统内,第v个指标(v=0、1、2…n)的熵权为:
其中,Hv为第v个指标的熵值;
接下来,根据集对理论多元联系数的分析方法,将指标因素与评价等级组成集对,使得特征加权后的数据特征向量化,建立多元联系度关系式,即量化公式:
U=a+b1i1+....+bnin+cj (6)
其中,b1,b2,…bn为差异度分量,i1,i2,…in为差异度分量系数;
针对指标因素,确立多元联系数的评价等级划分公式:
Dn=aw0+b1w1+.....+b10w10+cw11 (7)
其中,wi为等级权重数,a、bi、c表示离散等级;
最后,依据各分级指标因素的实际情况和权重大小确定四个等级的分级数;
三、模型运算
根据Python算法程序运行RS-EW-SPA模型。
前述的油气管道土壤腐蚀分级量化方法,其特征在于,在步骤一中,前述土壤各指标因素包括:pH值、钾钠离子含量、钙离子含量、镁离子含量、氯离子含量、硫酸根离子含量、碳酸氢根离子含量、碳酸根离子含量、易溶盐总量、土壤电阻率、土壤含水率和土壤孔隙比。
前述的油气管道土壤腐蚀分级量化方法,其特征在于,在步骤二中,前述第v个指标的熵值Hv的计算公式为:
在式(1)中:
对原数据集作标准化处理,得到矩阵aiv':
式中,aiv'是对数据进行标准化处理后的矩阵;
R是原始数据;
R_max、R_min分别是原始数据集的最大值、最小值。
前述的油气管道土壤腐蚀分级量化方法,其特征在于,在步骤二中,前述四个等级的分级数分别为:
第一等级:
1≤D1≤3w0+w1+....+w11 (8)
第二等级:
3w0+....+w11≤D2≤6w0+....+w11 (9)
第三等级:
6w0....+w11≤D3≤9w0+....+w11 (10)
第四等级:
9w0+....+w11≤D4≤12w0+....+w11 (11)。
前述的油气管道土壤腐蚀分级量化方法,其特征在于,在步骤三中,前述根据Python算法程序运行RS-EW-SPA模型,具体方法如下:
首先,使用xlrd模块对存储在excel中的数据进行读取;
然后,使用numpy库快速进行统计以及大量的维度数组和线性代数矩阵运算;
之后,使用math库进行数学取整、保留几位小数、四舍五入、求绝对值这些常用数学函数运算;
最后,使用open函数进行新建文件操作,将运算结果以任意文件形式保存。
本发明的有益之处在于:
(1)采用RS-EW-SPA模型对油气管道土壤腐蚀等级进行定量分级评价,消除了主观因素影响,将复杂数据化为同一标准,客观的从大量样本数据中挖掘隐含知识并分析分类,且具有容错和泛化能力;
(2)结合Python机器学习,对不同文件形式的大数据样本运行RS-EW-SPA模型,达到了预测不同点处油气管道土壤腐蚀特性的目的;
(3)运用RS-EW-SPA模型对某地区油气管道进行土壤腐蚀等级评价,评价结果与已有现场实验结果一致,RS-EW-SPA模型可行、准确。
附图说明
图1是RS-EW-SPA模型的架构图。
具体实施方式
以下结合附图和具体实施例对本发明作具体的介绍。
第一部分:设计RS-EW-SPA模型架构、建立模型和模型运算
本发明提供的油气管道土壤腐蚀分级量化方法,包括以下步骤:
一、设计RS-EW-SPA模型架构
我们将粗糙集算法(RS)、熵权计算法(EW)、集对理论分析法(SPA)引入到了油气管道土壤腐蚀分级评价中,利用RS预处理数据、利用EW确定指标权重、利用SPA量化数据,建立了数据分级评价RS-EW-SPA模型,之后通过Python算法程序运行该模型。
RS-EW-SPA模型的架构如图1所示,首先,通过粗糙集算法(RS)对土壤各指标因素的历史记录数据进行预处理,确定数据离散表;然后,根据指标分类区间对预处理后的数据利用熵权计算法(EW)进行熵权计算,得到数据特征权值;之后,利用集对理论分析法(SPA)根据集对理论多元联系数分析得到数据特征向量;最后,运用python软件完成RS-EW-SPA模型的运算。
我们建立的数据分级评价RS-EW-SPA模型,将粗糙集算法(RS)、熵权计算法(EW)和集对理论分析法(SPA)应用于油气管道土壤腐蚀分级评价方面,并与Python机器学习融合,客观的实现了大数据样本分析评价,提高了算法适用性和合理性。
二、建立模型
1、数据预处理
根据设计RS-EW-SPA模型架构的流程,运用粗糙集算法(RS)对本地记录数据进行预处理,将本地的历史记录数据处理成为可用于做特征加权的数据。
粗糙集算法(RS),从理论上来说,是处理不确定问题的数学工具,可有效降低评价结果的主观性和模糊性,它在不需要考虑任何先验信息的条件下,可以直接对数据进行分析处理,具体的:
首先,建立知识库:利用各指标因素实际的属性构成属性信息表,一列指标对应一列信息等级,一个表就是定义的一系列等级关系;
然后,建立决策表:将信息表的属性依据决策属性进行离散化,构成决策表,从而将原始复杂数据用简单数字代替,为后面的数据运算提供方便。
2、特征加权
数据预处理后得到的离散表是作为数据特征加权与特征向量化的决策依据。为了体现各个指标因素在整体评价体系中的重要程度和作用,需根据各指标因素的影响大小来确定其权重系数。对于同一组指标因素数据,如果权重系数不同,那么得到的评价结论也会不同。
熵权计算法(EW)是一种客观的权重计算方法,通过信息熵计算出各指标的熵权,可以得到更好的评价结果。
运用粗集-熵权计算法确定权重,根据熵定理,当系统处于Y种不同状态,且每种状态出现的概率为fiv(iv=1,2,3,…n)时,该系统的熵定义为:对于T个指标,在Y个被分类对象的区域系统内,第v个指标的熵值为:
在式(1)中:
对原数据集作标准化处理,得到矩阵aiv':
式中,aiv'是对数据进行标准化处理后的矩阵;
R是原始数据;
R_max、R_min分别是原始数据集的最大值、最小值。
第v个指标(v=0、1、2…n)的熵权为:
用熵值作为权数计算,熵的大小与被评价对象有着直接关系,反映了在该问题上指标因素提供信息量的作用程度。当指标因素v在各评价对象上的熵值相差较大时,熵值越小,熵权越大,表明指标因素v对决策提供了有用的信息。使用熵权计算法对前面已做过粗集处理的数据进行的计算,为数据评价权值计算提供了应用方法指导。
3、特征向量化
通过数据特征加权计算得到的熵权值,为集对理论下的数据分级评价计算建立集对联系,多元联系数是在集对理论里根据联系度中的三元联系数而演变过来的,是对同异反状态的细化刻画。
根据集对理论多元联系数的分析方法(即集对理论分析法,SPA),将指标因素与评价等级组成集对,使得特征加权后的数据特征向量化,建立多元联系度关系式,即量化公式:
U=a+b1i1+....+bnin+cj (6)
其中,b1,b2,…bn为差异度分量,i1,i2,…in为差异度分量系数。
针对指标因素,确立多元联系数的评价等级划分公式:
Dn=aw0+b1w1+.....+b10w10+cw11 (7)
依据各分级指标因素的实际情况和权重大小确定四个等级的分级数:
第一等级:
1≤D1≤3w0+w1+....+w11 (8)
第二等级:
3w0+....+w11≤D2≤6w0+....+w11 (9)
第三等级:
6w0....+w11≤D3≤9w0+....+w11 (10)
第四等级:
9w0+....+w11≤D4≤12w0+....+w11 (11)
其中,wi为等级权重数,a、bi、c表示离散等级,根据量化公式可以计算各影响因素等级值并划分到相应的等级区间,完成所有指标的分级评价。
三、模型运算
根据数据预处理、特征加权、特征向量化的数据分析步骤,需要一种开源的、支持多种大规模数值运算、运算性能较高、可实现线性分析等强大功能的工具来完成模型的运算。
目前,数据挖掘领域应用最广的机器学习工具是python,它包括xlrd、os、math以及numpy等工具库,在其内存为4G、开发工具为IDLE(Python 3.6 64-bit)的开发环境下利用Python程序语言实现上述RS、EW、SPA算法,既能完成大数据量下的数据分析,又能大大提高数据挖掘效率。
第二部分:验证模型
1、指标测试
我们以西北某输气管道的某区域段的143个点处土壤数据为例,对以上建立的RS-EW-SPA模型进行了验证,具体的:
我们按照《岩土工程勘察规范》(GB50021-2001)(2009年版)的相关规定,结合管道的性质,采用标准贯入试验、土壤电阻率测试和室内试验相结合的综合方法,对土壤进行样本提取,并进行一般物理力学性质试验,包括:测试含水量、测试孔隙比大小,用理正9.3软件进行数理统计;我们对提取的土壤样本还进行了土壤腐蚀性分析试验,包括:用电位法测pH值,用火焰光度计法测K+、Na+含量,用EDTA容量法测Ca2+、Mg2+、SO4 2-含量,用硫酸滴定法测HCO3 -、CO3 2-含量,用摩尔法测Cl-含量,用计算法测易溶盐总量;此外,我们还通过四极电阻率测试法测试了土壤电阻率。
通过上述各试验,我们得到了大量土壤指标因素的实测值,为土壤腐蚀分级评价提供了充足的数据样本。
2、确定决策表
按照RS-EW-SPA模型的处理过程,先进行数据预处理,实际样本指标因素值如下表1所示,各点处不同土壤指标因素有:pH值、钾钠离子(K+、Na+)含量、钙离子(Ca2+)含量、镁离子(Mg2+)含量、氯离子(Cl-)含量、硫酸根离子(SO4 2-)含量、碳酸氢根离子(HCO3 -)含量、碳酸根离子(CO3 2-)含量、易溶盐(NaCl)总量、土壤电阻率(ρ)、土壤含水率(w)、土壤孔隙比(e)。
表1土壤腐蚀实际样本指标因素值
土壤腐蚀等级用j表示,其标准分级区间如下表2所示(《岩土工程勘察规范》GB-50021-2001),其中,等级1表示微腐蚀,等级2表示弱腐蚀,等级3表示中腐蚀,等级4表示强腐蚀。
表2土壤腐蚀指标因素标准分级区间
对土壤腐蚀指标因素标准分级区间(表2)进行离散化化简,构成决策表,如表3所示。
表3土壤腐蚀指标因素决策表
3、确定指标权重
根据数据特征加权法对上述的143个点处的12个土壤腐蚀指标因素求熵权,这里选用表1区域土壤腐蚀样本粗集正域实际值的数据代入公式(1)至公式(5)算出权重值,熵权值的计算结果见表4。
表4土壤腐蚀指标因素熵权值的计算结果
从表4可以发现,土壤中易溶盐(NaCl)总量和土壤电阻率(ρ)的熵权值最大,均为0.1354,土壤孔隙比(e)的熵权值最小,为0.0469,权重顺序为:易溶盐总量=土壤电阻率>pH>HCO3 ->CO3 2->Cl->K+、Na+>SO4 2->含水率>Mg2+>Ca2+>孔隙比。
在前人的研究成果中,利用层次分析法对指标因素土壤电阻率、含水率、硫酸根离子进行权重计算,结果得土壤电阻率权重值0.3613,含水率权重值0.2879,硫酸根离子权重值0.3508,权重顺序为:土壤电阻率>硫酸根离子>含水率。
我们建立的RS-EW-SPA模型与前人利用层次分析法所得到的评价结果大体一致,这表明:使用我们建立的RS-EW-SPA模型对土壤腐蚀进行分级评价是可行的。
在实际工程中,由于油气管道所处的地质环境不同,各评价指标对管道腐蚀的影响程度是变化和有差异的,因此各指标权重也要根据管道的实际情况而变化。
4、结果对比分析
根据Python算法程序运行RS-EW-SPA模型,具体的:
首先,使用xlrd模块对存储在excel中的数据进行读取;
然后,使用numpy库快速进行统计以及大量的维度数组和线性代数矩阵运算;
之后,使用math库进行数学取整、保留几位小数、四舍五入、求绝对值这些常用数学函数运算;
最后,使用open函数进行新建文件操作,将运算结果以任意文件形式保存。
各点处土壤腐蚀等级评价结果如表5所示。
表5各点处土壤腐蚀等级评价结果
RS-EW-SPA模型的运算结果显示:
土壤腐蚀等级为1级(微腐蚀)的点数集合为{1~5、7~8、11~12、19、22、36~37、40~44、47、49~50、58、84、89、91~92、102、106、117、123~124、130、135、138~139};
土壤腐蚀等级为2级(弱腐蚀)的点数集合为{6、13~18、20~21、23~33、35、38~39、45~46、48、51~57、59~83、85~88、90、93~101、103~105、107~109、111~116、118~122、125~129、131~134、136~137、140~143};
土壤腐蚀等级为3级(中腐蚀)的点数集合为{9~10、110};
土壤腐蚀等级为4级(强腐蚀)的点数没有。
通过分析可知,该区域段土壤腐蚀基本为微弱等级。
我们进一步考察了各土壤腐蚀指标因素对每个点的影响(即指标因素影响度),以第2个点、第3个点、第7个点、第8个点和第33个点为例:
在第2个点处,各指标因素影响度由大到小的排序为:NaCl>w>ρ>pH>HCO3 ->CO3 2->Cl->K+、Na+>SO4 2->Mg2+>Ca2+>e;
在第3个点处,各指标因素影响度由大到小的排序为:NaCl>e>ρ>w>pH>HCO3 ->CO3 2->Cl->K+、Na+>SO4 2->Mg2+>Ca2+;
在第7个点处,各指标因素影响度由大到小的排序为:NaCl>w>ρ>pH>HCO3 ->e>CO3 2->Cl->K+、Na+>SO4 2->Mg2+>Ca2+;
在第8个点处,各指标因素影响度由大到小的排序为:NaCl>w>ρ>pH>HCO3 ->e>CO3 2->Cl->K+、Na+>SO4 2->Mg2+>Ca2+;
在第33个点处,各指标因素影响度由大到小的排序为:ρ>NaCl>w>pH>HCO3 ->e>CO3 2->Cl->K+、Na+>SO4 2->Mg2+>Ca2+。
第2个点处和第7个点处都为微腐蚀,且依次是土壤易溶盐总量、含水率、土壤电阻率对管道腐蚀影响较大,其中,第2个点处的等级值为1.2519,第7个点处的等级值为1.2988,等级值越大腐蚀性越大,所以第7个点处的腐蚀性大于第2个点处的腐蚀性,根据两个点处的指标因素影响度排序结果可知,土壤孔隙比是造成两个点处的土壤腐蚀性差距的主要指标因素。
第33个点处为弱腐蚀,此处依次是土壤电阻率、易溶盐总量、含水率对管道腐蚀影响较大,与第2个点处和第7个点处相比,造成第33个点处腐蚀性变大的最主要因素是土壤电阻率。
以上分析表明:油气管道不同管段处土壤环境不同,则土壤腐蚀等级不同,对应指标影响度不同,这与其他文献中对土壤腐蚀性评价结果一致。
根据以上RS-EW-SPA模型的运算结果,我们调取了验证RS-EW-SPA模型的相同区域段现场局部实验的分析评价报告,报告指出:
在相同区域取5组实测数据,其中,对第2个点处、第3个点处、第7个点处、第8个点处、第33个点处五个点测试土壤电阻率,使用ZC-8型电阻仪,采用四极电阻率测试法,极距为2.0m,分析评价地基土对钢结构的腐蚀性,评价结果见表6。
表6地基土对钢结构腐蚀性评价结果
经对比可得:用RS-EW-SPA模型分析的第2个点处、第3个点处、第7个点处、第8个点处土壤腐蚀评价结果均为微腐蚀,第33个点处土壤腐蚀评价结果为弱腐蚀,事后现场实测数据与分析评价报告结果一致,这表明:应用RS-EW-SPA模型进行土壤腐蚀分级评价是基本可行的。
三、结论
本发明提供的油气管道土壤腐蚀分级量化方法,具有以下特点和优势:
(1)采用RS-EW-SPA模型对油气管道土壤腐蚀等级进行定量分级评价,消除了主观因素影响,将复杂数据化为同一标准,客观的从大量样本数据中挖掘隐含知识并分析分类,且具有容错和泛化能力;
(2)结合Python机器学习,对不同文件形式的大数据样本运行RS-EW-SPA模型,达到了预测不同点处油气管道土壤腐蚀特性的目的;
(3)运用RS-EW-SPA模型对某地区油气管道进行土壤腐蚀等级评价,评价结果与已有现场实验结果一致,表明此RS-EW-SPA模型可行、准确。
为了实现油气管道土壤腐蚀预测防护工作,我们根据区域管道中各土壤复杂因素的大量实测数据建立了土壤腐蚀分级评价指标体系。首先,通过土壤电阻率测试和室内试验法对土壤理化因素进行测试,确立土壤腐蚀指标因素集;其次,将粗糙集算法(RS)、熵权计算法(EW)、集对理论分析法(SPA)引入到油气管道土壤腐蚀分级评价中,具体的,利用RS预处理数据对土壤指标因素实测数据进行预处理,生成决策表,利用EW确定各土壤指标因素权重,将指标因素与等级评价组成集对联系,建立多元联系度关系和土壤腐蚀等级评价公式,从而建立数据分级评价RS-EW-SPA模型;最后,通过Python算法程序运行RS-EW-SPA模型,将土壤腐蚀分为4个等级(微腐蚀、弱腐蚀、中腐蚀、强腐蚀)。
计算出各指标因素权重大小后,我们根据权重分析出了重要度最大的指标,同时还计算出了每个测试点处土壤腐蚀等级及各指标因素影响度大小,分析了不同点处影响管道腐蚀的各土壤因素重要度,最后与前人研究结果进行了对比验证。根据现场实测数据及其事后局部分析评价结果对RS-EW-SPA模型进行验证,得到的土壤腐蚀评价等级结果与实际相符,这表明:我们建立的RS-EW-SPA模型适用于油气管道土壤腐蚀分级评价。
由以上可得,将Python运行下的RS-EW-SPA模型引入油气管道土壤腐蚀预测防护领域,在大数据下预测油气管道土壤腐蚀特性方面有新型价值和实用性前景。
需要说明的是,上述实施例不以任何形式限制本发明,凡采用等同替换或等效变换的方式所获得的技术方案,均落在本发明的保护范围内。
Claims (5)
1.油气管道土壤腐蚀分级量化方法,其特征在于,包括以下步骤:
一、设计RS-EW-SPA模型架构
首先,通过粗糙集算法对土壤各指标因素的历史记录数据进行预处理,确定数据离散表;
然后,根据指标分类区间对预处理后的数据利用熵权计算法进行熵权计算,得到数据特征权值;
之后,利用集对理论分析法根据集对理论多元联系数分析得到数据特征向量;
最后,运用python软件完成RS-EW-SPA模型的运算;
二、建立模型
首先,根据设计RS-EW-SPA模型架构的流程,运用粗糙集算法对本地记录数据进行预处理,将本地的历史记录数据处理成为可用于做特征加权的数据;
然后,运用粗集-熵权计算法确定权重,对于T个指标,在Y个被分类对象的区域系统内,第v个指标(v=0、1、2…n)的熵权为:
其中,Hv为第v个指标的熵值;
接下来,根据集对理论多元联系数的分析方法,将指标因素与评价等级组成集对,使得特征加权后的数据特征向量化,建立多元联系度关系式,即量化公式:
U=a+b1i1+....+bnin+cj (6)
其中,b1,b2,…bn为差异度分量,i1,i2,…in为差异度分量系数;
针对指标因素,确立多元联系数的评价等级划分公式:
Dn=aw0+b1w1+.....+b10w10+cw11 (7)
其中,wi为等级权重数,a、bi、c表示离散等级;
最后,依据各分级指标因素的实际情况和权重大小确定四个等级的分级数;
三、模型运算
根据Python算法程序运行RS-EW-SPA模型。
2.根据权利要求1所述的油气管道土壤腐蚀分级量化方法,其特征在于,在步骤一中,所述土壤各指标因素包括:pH值、钾钠离子含量、钙离子含量、镁离子含量、氯离子含量、硫酸根离子含量、碳酸氢根离子含量、碳酸根离子含量、易溶盐总量、土壤电阻率、土壤含水率和土壤孔隙比。
3.根据权利要求1所述的油气管道土壤腐蚀分级量化方法,其特征在于,在步骤二中,所述第v个指标的熵值Hv的计算公式为:
在式(1)中:
对原数据集作标准化处理,得到矩阵aiv':
式中,aiv'是对数据进行标准化处理后的矩阵;
R是原始数据;
R_max、R_min分别是原始数据集的最大值、最小值。
4.根据权利要求1所述的油气管道土壤腐蚀分级量化方法,其特征在于,在步骤二中,所述四个等级的分级数分别为:
第一等级:
1≤D1≤3w0+w1+....+w11 (8)
第二等级:
3w0+....+w11≤D2≤6w0+....+w11 (9)
第三等级:
6w0....+w11≤D3≤9w0+....+w11 (10)
第四等级:
9w0+....+w11≤D4≤12w0+....+w11 (11)。
5.根据权利要求1所述的油气管道土壤腐蚀分级量化方法,其特征在于,在步骤三中,所述根据Python算法程序运行RS-EW-SPA模型,具体方法如下:
首先,使用xlrd模块对存储在excel中的数据进行读取;
然后,使用numpy库快速进行统计以及大量的维度数组和线性代数矩阵运算;
之后,使用math库进行数学取整、保留几位小数、四舍五入、求绝对值这些常用数学函数运算;
最后,使用open函数进行新建文件操作,将运算结果以任意文件形式保存。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910465228.0A CN110057748A (zh) | 2019-05-30 | 2019-05-30 | 油气管道土壤腐蚀分级量化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910465228.0A CN110057748A (zh) | 2019-05-30 | 2019-05-30 | 油气管道土壤腐蚀分级量化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110057748A true CN110057748A (zh) | 2019-07-26 |
Family
ID=67325198
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910465228.0A Pending CN110057748A (zh) | 2019-05-30 | 2019-05-30 | 油气管道土壤腐蚀分级量化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110057748A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111067670A (zh) * | 2019-12-24 | 2020-04-28 | 北京爱康宜诚医疗器材有限公司 | 髋臼骨缺损的评估方法及装置、电子设备 |
CN112183978A (zh) * | 2020-09-19 | 2021-01-05 | 西安石油大学 | 一种基于修正熵权法的油气管道土壤腐蚀分级评价方法 |
CN113487037A (zh) * | 2021-06-25 | 2021-10-08 | 大连大学 | 一种熵权算法和机器学习技术的甜樱桃裂果率评估方法 |
CN113487037B (zh) * | 2021-06-25 | 2024-05-31 | 大连大学 | 一种熵权算法和机器学习技术的甜樱桃裂果率评估方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104951588A (zh) * | 2015-03-16 | 2015-09-30 | 中国矿业大学 | 一种矿井通风系统辅助设计方法 |
CN106228554A (zh) * | 2016-07-20 | 2016-12-14 | 西安科技大学 | 基于多属性约简的模糊粗糙集煤粉尘图像分割方法 |
CN106845142A (zh) * | 2017-03-09 | 2017-06-13 | 南京大学 | 基于改进的粗糙集‑集对分析的水质评价方法 |
-
2019
- 2019-05-30 CN CN201910465228.0A patent/CN110057748A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104951588A (zh) * | 2015-03-16 | 2015-09-30 | 中国矿业大学 | 一种矿井通风系统辅助设计方法 |
CN106228554A (zh) * | 2016-07-20 | 2016-12-14 | 西安科技大学 | 基于多属性约简的模糊粗糙集煤粉尘图像分割方法 |
CN106845142A (zh) * | 2017-03-09 | 2017-06-13 | 南京大学 | 基于改进的粗糙集‑集对分析的水质评价方法 |
Non-Patent Citations (2)
Title |
---|
赵志峰等: "同异反模式的管道土壤腐蚀综合评价", 《西安科技大学学报》 * |
赵志峰等: "粗糙集和熵权计算法在多因素指标评价中的应用", 《中国安全生产科学技术》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111067670A (zh) * | 2019-12-24 | 2020-04-28 | 北京爱康宜诚医疗器材有限公司 | 髋臼骨缺损的评估方法及装置、电子设备 |
CN112183978A (zh) * | 2020-09-19 | 2021-01-05 | 西安石油大学 | 一种基于修正熵权法的油气管道土壤腐蚀分级评价方法 |
CN113487037A (zh) * | 2021-06-25 | 2021-10-08 | 大连大学 | 一种熵权算法和机器学习技术的甜樱桃裂果率评估方法 |
CN113487037B (zh) * | 2021-06-25 | 2024-05-31 | 大连大学 | 一种熵权算法和机器学习技术的甜樱桃裂果率评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Reckhow et al. | Statistical evaluation of mechanistic water-quality models | |
Altman | Prognostic models: a methodological framework and review of models for breast cancer | |
CN107230021B (zh) | 筛选供水管网泄漏区域的方法 | |
Sadiq et al. | Fuzzy-based method to evaluate soil corrosivity for prediction of water main deterioration | |
CN103177187B (zh) | 基于可变模糊集理论的公路隧道健康状态动态评价方法 | |
CN110242865B (zh) | 一种易于持续优化的燃气泄漏检测判定方法及系统 | |
CN110057748A (zh) | 油气管道土壤腐蚀分级量化方法 | |
CN110889440A (zh) | 基于主成分分析和bp神经网络的岩爆等级预测方法及系统 | |
Ju et al. | Source identification of mine water inrush based on principal component analysis and grey situation decision | |
CN114492980B (zh) | 一种城镇燃气埋地管道腐蚀风险的智能预测方法 | |
CN115660407A (zh) | 污染场地风险等级预测模型的训练方法和训练装置 | |
CN102542354A (zh) | 基于情景分析和层次分析的优化决策方法 | |
CN111523796A (zh) | 非煤隧道有害气体危害评价方法 | |
CN109779622B (zh) | 特高含水期油藏低效注水带表征方法及装置 | |
Bailey et al. | Bioassessment of stream ecosystems enduring a decade of simulated degradation: lessons for the real world | |
Yagoub et al. | Prediction of bubble point pressure for Sudan crude oil using Artificial Neural Network (ANN) technique | |
CN111523795A (zh) | 含油气盆地区浅层天然气对隧道危害评价方法 | |
Zhou et al. | Classification of missense mutations of disease genes | |
CN115906669A (zh) | 一种顾及负样本选取策略的密集残差网络滑坡易发性评价方法 | |
Yan et al. | Investigating the effects of ties on measures of concordance | |
CN114298246A (zh) | 一种基于模糊聚类分析类比的隧道地下水排放量确定方法 | |
Pożarycki | Pavement diagnosis accuracy with controlled application of artificial neural network | |
CN105528657A (zh) | 基于北斗和向量机的建筑物震害预测方法 | |
Beesley | A framework for assessing parameter variability of soil stress-strain data using triaxial test databases | |
Leston et al. | Comparing alternative methods of modelling cumulative effects of oil and gas footprint on boreal bird abundance |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190726 |