CN110309558B - 基于径向基函数神经网络的管道安全系数生成方法及装置 - Google Patents
基于径向基函数神经网络的管道安全系数生成方法及装置 Download PDFInfo
- Publication number
- CN110309558B CN110309558B CN201910510551.5A CN201910510551A CN110309558B CN 110309558 B CN110309558 B CN 110309558B CN 201910510551 A CN201910510551 A CN 201910510551A CN 110309558 B CN110309558 B CN 110309558B
- Authority
- CN
- China
- Prior art keywords
- pipeline
- defect
- parameters
- neural network
- radial basis
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/14—Pipes
Abstract
本发明提供了一种基于径向基函数神经网络的管道安全系数生成方法及装置,该方法包括:获取管道的缺陷参数及风险参数;利用所述缺陷参数及风险参数及预先建立的基于径向基函数神经网络的安全系数生成模型生成所述管道的安全系数。本发明能够提供一种利用管道大数据的丰富数据资源,结合径向基网络方法深度学习的优点,更加准确地计算管道安全系数的方法。
Description
技术领域
本发明涉及管道行业领域,特别是管道的缺陷预测领域,具体涉及一种基于径向基函数神经网络的管道安全系数生成方法及装置。
背景技术
随着能源需求的快速增长,管道工程建设得到了迅速发展,管道安全问题不容忽视,通过评价来了解管道现状,提出保障管道安全的维修和维护措施,能够避免油气管道事故的发生,保障管道的安全运行。自20世纪60年代以来,美国、加拿大、英国等西方国家一直在进行管道缺陷评价研究,到目前为止共出台了ASME B31.G标准、RSTRENG标准、DNV RPF101标准、API 579标准等管道完整性评价标准和方法,这些方法有各自的适用范围和保守性。
管道完整性评价DNV RP F101标准中对缺陷管道的评价主要包括分项安全系数法和许用应力法,两者的安全原理不相同。分项安全系数法与DNV海上标准OS-F101“管道系统”中采用的安全原理一致,特别考虑了材料性质和缺陷深度测定尺寸的不确定性,给出了确定受腐蚀管道的许用操作压力的概率校准方程;许用应力法基于许用应力设计(ASD),计算腐蚀缺陷的失效压力(承载能力),再乘以初始设计系数,即可计算出安全运行压力。
DNV RP F101标准能够分别评价独立的、相互影响的以及形状复杂的腐蚀缺陷,也能够评价唯有内压荷载作用下的纵向腐蚀缺陷管道、叠加内压与纵向压应力的纵向腐蚀缺陷与环向腐蚀缺陷,适用范围广泛。但是采用分项安全系数法对腐蚀缺陷管道进行评价时,需要更为详细的管道参数、腐蚀缺陷参数以及检测参数,对于缺失管道信息的部分老管道的评价具有局限性。
对含缺陷管道的评价可采用有限元仿真的方法,有限元仿真方法主要分为线性有限元分析和非线性有限元分析两种方法,可以分析单个腐蚀缺陷和相互影响的腐蚀缺陷等多种情况,主要以弹性极限准则和塑性失效准则为理论依据,采用ANSYS,COMSOL等有限元仿真软件,建立腐蚀缺陷管道实体模型,对模型进行网格划分、加载和求解,通过通用后处理功能,查看管道等效应力云图,得出腐蚀缺陷管道等效应力的大小,评价腐蚀缺陷管道。
有限元仿真方法能够准确描述长输油气管道以及腐蚀缺陷的实际运行状况,评价结果相对比较准确,但采用有限元方法进行管道评价时,该方法对评价过程要求较为严格,过程比较繁琐,计算量较大,不适用于大范围评价。
在对各种含缺陷管道完整性评价方法进行对比研究之后可以发现,当前的评价方法多是基于某种特定方程,没有对缺陷具体风险情况作出针对性评价。按照其评价结果指导管道维修,可能会造成不必要的管段维修或更换。
发明内容
针对现有技术中的问题,本发明能够提供一种利用管道大数据的丰富数据资源,结合径向基网络方法深度学习的优点,更加准确地计算管道安全系数的方法。
为解决上述技术问题,本发明提供以下技术方案:
第一方面,本申请提供一种基于径向基函数神经网络的管道安全系数生成方法,包括:
获取管道的缺陷参数及风险参数;
利用缺陷参数及风险参数及预先建立的基于径向基函数神经网络的安全系数生成模型生成管道的安全系数。
一实施例中,基于径向基函数神经网络的管道安全系数生成方法还包括:根据历史缺陷参数及历史风险参数建立基于径向基函数神经网络安全系数生成模型。
一实施例中,基于径向基函数神经网络的管道安全系数生成方法还包括:根据历史缺陷参数及历史风险参数确定缺陷参数及风险参数在安全系数生成模型的计算权重。
一实施例中,根据历史缺陷参数及历史风险参数建立基于径向基函数神经网络安全系数生成模型,包括:
利用历史缺陷参数及历史风险参数训练基于径向基函数神经网络安全系数生成模型;
利用历史缺陷参数及历史风险参数校正训练后的基于径向基函数神经网络安全系数生成模型。
一实施例中,缺陷参数包括:管道的缺陷长度、宽度、深度、缺陷处管道埋深及缺陷位置;风险参数包括:地区等级、区域环境、外部环境温差、地质灾害、土壤腐蚀性、大气腐蚀及电流密度。
第二方面,本申请还提供一种基于径向基函数神经网络的管道安全系数生成装置,该装置包括:
参数获取单元,用于获取管道的缺陷参数及风险参数;
安全系数生成单元,用于利用缺陷参数及风险参数及预先建立的基于径向基函数神经网络的安全系数生成模型生成管道的安全系数。
一实施例中,基于径向基函数神经网络的管道安全系数生成装置还包括:
模型生成单元,用于根据历史缺陷参数及历史风险参数建立基于径向基函数神经网络安全系数生成模型。
一实施例中,模型生成单元包括:
模型训练模块,用于利用历史缺陷参数及历史风险参数训练基于径向基函数神经网络安全系数生成模型;
模型校正模块,用于利用历史缺陷参数及历史风险参数校正训练后的基于径向基函数神经网络安全系数生成模型。
第三方面,本申请提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行程序时实现基于径向基函数神经网络的管道安全系数生成方法的步骤。
第四方面,本申请提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现基于径向基函数神经网络的管道安全系数生成方法的步骤。
上述描述可知,本申请提供基于径向基函数神经网络的管道安全系数生成方法及装置,首先在管道安全系数修正的过程中,获取管道的缺陷及风险参数,并采用层次分析法,量化各缺陷及风险参数的权重关系,接着,基于缺陷及风险参数,建立基于径向基函数神经网络的安全系数生成模型,并通过实际数据对该模型进行训练及校正,最终通过该模型计算未知管道的安全系数。本方法避免了目前技术中需要非常详细的管道参数、腐蚀缺陷参数以及检测参数,从而对于缺失管道信息的部分老管道的评价具有局限性的问题;同时也避免了目前技术中对管道评价过程中的要求严格、过程繁琐、计算量大,不适用大范围评价的问题。本方法利用管道大数据领域的丰富数据资源,结合径向基函数神经网络方法深度和自学习的特点,通过对已有管道缺陷数据进行训练,得到基于径向基网络的安全系数计算模型,对由模型计算出的安全系数进行对比分析,修正后的安全系数具有一定的合理性和适用性。研究结果可为含缺陷管道的安全评价提供新的思路,并为管道的修复提供决策支持依据。根据修正后的安全系数,对管道有计划地进行维护维修,能够使有限的资源得到合理分配。另外,本方法中,结合了管道缺陷相关的管道埋深、缺陷位置、地区等级、区域环境、外部环境温差、地质灾害、土壤腐蚀性、大气腐蚀、电流密度等缺陷参数及风险参数,重点对相关因素进行深入的数据挖掘,从而获得了管道缺陷风险分值,进一步修正了缺陷安全系数,使其能够表征多因素融合的缺陷真实安全状态。基于径向基网络方法对提取到的管道缺陷数据进行训练与学习,经过测试,通过训练得出的安全系数可与真实值相吻合,得到缺陷安全系数的计算模型,将该模型应用到完整性评价中,可实现对其它管道缺陷安全系数的快速计算。综上,本方法可以提高管道缺陷评价的准确性;通过缺陷安全系数的比较,可以找出不符合安全运行要求的缺陷,并为缺陷修复的轻重缓急提供较可靠的依据,解决管道内检测缺陷维修中存在的盲目性等问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的实施例中的基于径向基函数神经网络的管道安全系数生成方法的流程示意图一;
图2为本发明的实施例中的径向基函数神经网络结构图;
图3为本发明的实施例中的基于径向基函数神经网络的管道安全系数生成方法的流程示意图二;
图4为本发明的实施例中的基于径向基函数神经网络的管道安全系数生成方法的流程示意图三;
图5为本发明的基于径向基函数神经网络的管道安全系数生成方法中步骤300的流程示意图;
图6为本发明的基于径向基函数神经网络的管道安全系数生成方法中具体应用实例的流程示意图;
图7为本发明的基于径向基函数神经网络的管道安全系数生成方法中径向基函数神经网络结构示意图;
图8为本发明的基于径向基函数神经网络的管道安全系数生成方法中测试值与真实值对比示意图;
图9为本发明的基于径向基函数神经网络的管道安全系数生成方法中训练数据残差示意图;
图10为本发明的基于径向基函数神经网络的管道安全系数生成方法中修正前后安全系数对比图;
图11为本发明的实施例中的基于径向基函数神经网络的管道安全系数生成装置的结构示意图;
图12为本发明的实施例中的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整的描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本申请提供的基于径向基函数神经网络的管道安全系数生成方法,利用管道大数据领域的丰富数据资源,结合径向基网络方法深度学习的特点,通过对已有管道缺陷数据进行训练,得到基于径向基网络的安全系数计算模型,对由模型计算出的安全系数进行对比分析,修正后的安全系数具有一定的合理性和适用性。该方法具体通过下述多个实施例进行说明。
本发明的实施例提供一种基于径向基函数神经网络的管道安全系数生成方法的具体实施方式,参见图1,该方法具体包括如下内容:
步骤100:获取管道的缺陷参数及风险参数。
步骤100中的缺陷参数包括:管道的缺陷长度、宽度、深度、缺陷处管道埋深及缺陷位置;风险参数包括:地区等级、区域环境、外部环境温差、地质灾害、土壤腐蚀性、大气腐蚀及电流密度。
步骤200:利用缺陷参数及风险参数及预先建立的基于径向基函数神经网络的安全系数生成模型生成管道的安全系数。
径向基函数神经网络是一种结构简单,收敛速度快,能够逼近任意非线性函数的网络。参见图2,径向基函数神经网络具有良好的模式分类和函数拟合能力,由三层构成的前向网络,第一层为输入层,节点个数等于输入的维数;第二层为隐含层,节点个数视问题的复杂度而定;第三层为输出层,节点个数等于输出数据的维数。不同层有着不同的功能,隐含层是非线性的,采用径向基函数作为基函数,从而将输入向量空间转换到隐含层空间,使原来线性不可分的问题变得线性可分。
上述描述可知,本申请提供基于径向基函数神经网络的管道安全系数生成方法,首先在管道安全系数修正的过程中,获取管道的缺陷及风险参数,并采用层次分析法,量化各缺陷及风险参数的权重关系,接着,基于缺陷及风险参数,建立基于径向基函数神经网络的安全系数生成模型,并通过实际数据对该模型进行训练及校正,最终通过该模型计算未知管道的安全系数。本方法避免了目前技术中需要非常详细的管道参数、腐蚀缺陷参数以及检测参数,从而对于缺失管道信息的部分老管道的评价具有局限性的问题;同时也避免了目前技术中对管道评价过程中的要求严格、过程繁琐、计算量大,不适用大范围评价的问题。本方法利用管道大数据领域的丰富数据资源,结合径向基函数神经网络方法深度和自学习的特点,通过对已有管道缺陷数据进行训练,得到基于径向基网络的安全系数计算模型,对由模型计算出的安全系数进行对比分析,修正后的安全系数具有一定的合理性和适用性。研究结果可为含缺陷管道的安全评价提供新的思路,并为管道的修复提供决策支持依据。根据修正后的安全系数,对管道有计划地进行维护维修,能够使有限的资源得到合理分配。另外,本方法中,结合了管道缺陷相关的管道埋深、缺陷位置、地区等级、区域环境、外部环境温差、地质灾害、土壤腐蚀性、大气腐蚀、电流密度等缺陷参数及风险参数,重点对相关因素进行深入的数据挖掘,从而获得了管道缺陷风险分值,进一步修正了缺陷安全系数,使其能够表征多因素融合的缺陷真实安全状态。基于径向基网络方法对提取到的管道缺陷数据进行训练与学习,经过测试,通过训练得出的安全系数可与真实值相吻合,得到缺陷安全系数的计算模型,将该模型应用到完整性评价中,可实现对其它管道缺陷安全系数的快速计算。综上,本方法可以提高管道缺陷评价的准确性;通过缺陷安全系数的比较,可以找出不符合安全运行要求的缺陷,并为缺陷修复的轻重缓急提供较可靠的依据,解决管道内检测缺陷维修中存在的盲目性等问题。
一实施例中,参见图3,基于径向基函数神经网络的管道安全系数生成方法还包括:
步骤300:根据历史缺陷参数及历史风险参数建立基于径向基函数神经网络安全系数生成模型。
在已有数据的基础上,基于径向基函数神经网络安全系数生成模型采用了缺陷本身参数及相关风险因素共12个因素作为自变量,分别为缺陷的长度、宽度、深度、缺陷处管道埋深、缺陷位置、地区等级、区域环境、外部环境温差、地质灾害、土壤腐蚀性、大气腐蚀、电流密度、缺陷安全系数作为因变量,形成函数关系:
y=f(x1,x2,x3,...,x12)(1)
上式中:y为计算出的管道安全系数,x1~x2分别表示上述12个自变量。
一实施例中,参见图4,基于径向基函数神经网络的管道安全系数生成方法还包括:
步骤400:根据历史缺陷参数及历史风险参数确定缺陷参数及风险参数在安全系数生成模型的计算权重。
步骤400在具体实施时,可以采用层次分析的方法,通过确定各风险及缺陷参数的重要度排序,利用相应的算法程序算出各个参数的计算权数,通过具体权数可以准确表达出各缺陷参数及风险参数相互之间、缺陷参数及风险参数与总体目标之间的重要度关系。
一实施例中,参见图5,步骤300具体包括:
步骤301:利用历史缺陷参数及历史风险参数训练基于径向基函数神经网络安全系数生成模型。
步骤302:利用历史缺陷参数及历史风险参数校正训练后的基于径向基函数神经网络安全系数生成模型。
步骤301及步骤302在具体实施时,可以先将数据分为两部分,第一部分作为训练数据,第二部分作为校正数据。可以理解的是,训练数据要多于校正数据。通过对训练数据的训练得出模型,再通过校正数据对模型进行检验。
在训练过程中,每个网络隐含层的节点个数是不相同的,所以需要调整误差目标,径向基函数会根据不同误差目标值,向网络添加新的隐含层节点,同时调整节点中心、标准差及权值,使网络达到设置的误差要求。若模型的误差已经达到预先设定的要求,基于径向基函数神经网络的创建工作完成。创建完成的模型需要通过校正数据进行测试,以验证其准确性。通过残差值对训练值与真实值之间的误差进行计算,若误差在允许范围内,那么可以认为该计算模型可通过测试。反之,模型则需要继续进行训练。
上述描述可知,本申请提供基于径向基函数神经网络的管道安全系数生成方法,首先在管道安全系数修正的过程中,获取管道的缺陷及风险参数,并采用层次分析法,量化各缺陷及风险参数的权重关系,接着,基于缺陷及风险参数,建立基于径向基函数神经网络的安全系数生成模型,并通过实际数据对该模型进行训练及校正,最终通过该模型计算未知管道的安全系数。本方法避免了目前技术中需要非常详细的管道参数、腐蚀缺陷参数以及检测参数,从而对于缺失管道信息的部分老管道的评价具有局限性的问题;同时也避免了目前技术中对管道评价过程中的要求严格、过程繁琐、计算量大,不适用大范围评价的问题。本方法利用管道大数据领域的丰富数据资源,结合径向基函数神经网络方法深度和自学习的特点,通过对已有管道缺陷数据进行训练,得到基于径向基网络的安全系数计算模型,对由模型计算出的安全系数进行对比分析,修正后的安全系数具有一定的合理性和适用性。研究结果可为含缺陷管道的安全评价提供新的思路,并为管道的修复提供决策支持依据。根据修正后的安全系数,对管道有计划地进行维护维修,能够使有限的资源得到合理分配。另外,本方法中,结合了管道缺陷相关的管道埋深、缺陷位置、地区等级、区域环境、外部环境温差、地质灾害、土壤腐蚀性、大气腐蚀、电流密度等缺陷参数及风险参数,重点对相关因素进行深入的数据挖掘,从而获得了管道缺陷风险分值,进一步修正了缺陷安全系数,使其能够表征多因素融合的缺陷真实安全状态。基于径向基网络方法对提取到的管道缺陷数据进行训练与学习,经过测试,通过训练得出的安全系数可与真实值相吻合,得到缺陷安全系数的计算模型,将该模型应用到完整性评价中,可实现对其它管道缺陷安全系数的快速计算。综上,本方法可以提高管道缺陷评价的准确性;通过缺陷安全系数的比较,可以找出不符合安全运行要求的缺陷,并为缺陷修复的轻重缓急提供较可靠的依据,解决管道内检测缺陷维修中存在的盲目性等问题。
为进一步地说明本方案,本发明利用newrb函数创建的径向基函数神经网络为例,提供基于径向基函数神经网络的管道安全系数生成方法的具体应用实例,该具体应用实例包括如下内容,参见图6。
步骤S01:获取缺陷参数及风险参数。
参见表1,本具体应用实例选用管道埋深、缺陷位置、地区等级、区域环境、外部环境温差、地质灾害、土壤腐蚀性、大气腐蚀及电流密度作为缺陷参数及风险参数,可以理解的是,管道埋深、缺陷位置及地区等级用于表征管道的设计和施工风险;区域环境、外部环境温差及地质灾害用于表征管道的环境风险;土壤腐蚀性、大气腐蚀及电流密度用于表征管道的腐蚀风险。
表1缺陷相关的风险因素
步骤S02:计算缺陷参数及风险参数权重。
通过缺陷参数及风险参数与管道安全系数的相关程度,得到缺陷参数及风险参数重要度表2:
表2缺陷参数及风险参数重要度表
相关缺陷参数及风险参数之间的重要度数值经层次分析法的计算,参数之间相对重要度的权重计算结果如表3所示,最大特征值λmax=8.9830。其中,表征一致性的指标CI=-0.0021;一致性比率CR=-0.0015,CR值小于0.10,则说明判断矩阵对应的一致性在可接受的范围之中,此矩阵的一致性可以接受,表明判断矩阵中的权重标度赋值具有合理性且相互之间不矛盾。
表3缺陷参数及风险参数权重
管道不同缺陷所处的风险状态可以根据以上缺陷参数及风险参数的权重来确定其所对应分值,以表4为例列出了10个参数对应相关风险因素分值。
表4缺陷风险分值
以表4中10个参数为例,结合缺陷风险分值,对传统方法计算得到的缺陷安全系数进行修正,修正前后缺陷安全系数值如表5所示。
表5修正前后缺陷安全系数对比
步骤S03:定义样本数据。
参见公式(1),y为本具体应用实例提出的安全系数,x1~x2分别表示12个自变量。根据所整理出的数据,定义样本的输入向量及其目标的输出向量,输入向量定义为12×500的矩阵,目标输出值为1×500的行向量。
步骤S04:划分数据。
通过对某管道地理信息系统数据的整理,将1/10的数据作为测试数据,9/10的数据作为训练数据。通过对训练数据的训练得出模型,再对测试数据样进行检验。
为了让训练样本得到最充分的利用,本具体应用实例将对训练数据进行二维差值,使训练数据增加到原来的4倍。采用的是MATLAB中二维插值函数interp2。先将训练输入向量与对应的目标输入合并为一个13×500矩阵,经过插值,得到一个13×2000矩阵,最后再将其拆分为12×2000矩阵作为训练输入,1×2000的行向量作为训练样本的输出。
步骤S05:创建径向基函数神经网络。
步骤S05在具体实施时,可以使用newrb函数创建径向基函数神经网络,在该网络中,设置误差容限为1e-6,扩散因子为38,最大神经元个数为300。当调用这个newrb函数时,程序将会自动增加神经元以便向设定目标值靠近。
当神经元节点个数到250时,训练误差基本接近目标值,表6中显示了模型实际添加的神经元节点的个数及所对用的具体训练误差值,训练误差为e-6数量级。
具体地:径向基函数神经网络的激活函数可表示为:
输出函数表示为:
损失函数表示为:
表6训练误差值
图7为由MATLAB运行显示的最终径向基函数神经网络结构,在该结构图中,输入层包含了12个节点,隐含层最终包含了269个神经元节点,输出层包含1个节点。通过比较,该模型设置的误差已经达到要求,径向基网络的创建工作完成。
步骤S06:测试径向基函数神经网络。
创建完成的模型需要利用样本数据进行测试,以验证其准确性。通过模型训练得出的安全系数与样本数据中的安全系数比较关系如图8所示。从图8可以看出管道安全系数训练值与真实值之间吻合度较好,且变化趋势也完全一致,一定程度上体现了该模型的准确性,体现了径向基网络收敛速度快,能够很好逼近非线性函数的特点。
通过残差值对训练值与真实值之间的误差进行计算,从相对误差的角度来说,图9中结果显示平均相对误差接近2%,最大残差不超过6%,则认为该计算模型可通过测试。
参见图10,修正前安全系数均在1.50左右,可以发现修正后缺陷安全系数波动更大,因为修正后的缺陷安全系数综合不同缺陷的风险来反应缺陷安全状态,如果风险越大,安全系数值越小;反之,安全系数值越大。修正后的安全系数针对金属损失缺陷的不同相关性影响因素,较为合理的反应了缺陷的真实安全状态,避免了各影响因素之间不可比较与量化的问题。
上述描述可知,本申请提供基于径向基函数神经网络的管道安全系数生成方法,首先在管道安全系数修正的过程中,获取管道的缺陷及风险参数,并采用层次分析法,量化各缺陷及风险参数的权重关系,接着,基于缺陷及风险参数,建立基于径向基函数神经网络的安全系数生成模型,并通过实际数据对该模型进行训练及校正,最终通过该模型计算未知管道的安全系数。本方法避免了目前技术中需要非常详细的管道参数、腐蚀缺陷参数以及检测参数,从而对于缺失管道信息的部分老管道的评价具有局限性的问题;同时也避免了目前技术中对管道评价过程中的要求严格、过程繁琐、计算量大,不适用大范围评价的问题。本方法利用管道大数据领域的丰富数据资源,结合径向基函数神经网络方法深度和自学习的特点,通过对已有管道缺陷数据进行训练,得到基于径向基网络的安全系数计算模型,对由模型计算出的安全系数进行对比分析,修正后的安全系数具有一定的合理性和适用性。研究结果可为含缺陷管道的安全评价提供新的思路,并为管道的修复提供决策支持依据。根据修正后的安全系数,对管道有计划地进行维护维修,能够使有限的资源得到合理分配。另外,本方法中,结合了管道缺陷相关的管道埋深、缺陷位置、地区等级、区域环境、外部环境温差、地质灾害、土壤腐蚀性、大气腐蚀、电流密度等缺陷参数及风险参数,重点对相关因素进行深入的数据挖掘,从而获得了管道缺陷风险分值,进一步修正了缺陷安全系数,使其能够表征多因素融合的缺陷真实安全状态。基于径向基网络方法对提取到的管道缺陷数据进行训练与学习,经过测试,通过训练得出的安全系数可与真实值相吻合,得到缺陷安全系数的计算模型,将该模型应用到完整性评价中,可实现对其它管道缺陷安全系数的快速计算。综上,本方法可以提高管道缺陷评价的准确性;通过缺陷安全系数的比较,可以找出不符合安全运行要求的缺陷,并为缺陷修复的轻重缓急提供较可靠的依据,解决管道内检测缺陷维修中存在的盲目性等问题。
基于同一发明构思,本申请实施例还提供了基于径向基函数神经网络的管道安全系数生成装置,可以用于实现上述实施例所描述的方法,如下面的实施例。由于基于径向基函数神经网络的管道安全系数生成装置解决问题的原理与基于径向基函数神经网络的管道安全系数生成方法相似,因此基于径向基函数神经网络的管道安全系数生成装置的实施可以参见基于径向基函数神经网络的管道安全系数生成方法实施,重复之处不再赘述。以下所使用的,术“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的系统较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
本发明的实施例提供一种能够实现基于径向基函数神经网络的管道安全系数生成定方法的基于径向基函数神经网络的管道安全系数生成装置的具体实施方式,参见图11,基于径向基函数神经网络的管道安全系数生成装置具体包括如下内容:
参数获取单元11,用于获取管道的缺陷参数及风险参数;
安全系数生成单元20,用于利用缺陷参数及风险参数及预先建立的基于径向基函数神经网络的安全系数生成模型生成管道的安全系数。
一实施例中,基于径向基函数神经网络的管道安全系数生成装置还包括:
模型生成单元,用于根据历史缺陷参数及历史风险参数建立基于径向基函数神经网络安全系数生成模型。
一实施例中,模型生成单元包括:
模型训练模块,用于利用历史缺陷参数及历史风险参数训练基于径向基函数神经网络安全系数生成模型;
模型校正模块,用于利用历史缺陷参数及历史风险参数校正训练后的基于径向基函数神经网络安全系数生成模型。
上述描述可知,本申请提供基于径向基函数神经网络的管道安全系数生成装置,首先在管道安全系数修正的过程中,获取管道的缺陷及风险参数,并采用层次分析法,量化各缺陷及风险参数的权重关系,接着,基于缺陷及风险参数,建立基于径向基函数神经网络的安全系数生成模型,并通过实际数据对该模型进行训练及校正,最终通过该模型计算未知管道的安全系数。本方法避免了目前技术中需要非常详细的管道参数、腐蚀缺陷参数以及检测参数,从而对于缺失管道信息的部分老管道的评价具有局限性的问题;同时也避免了目前技术中对管道评价过程中的要求严格、过程繁琐、计算量大,不适用大范围评价的问题。本方法利用管道大数据领域的丰富数据资源,结合径向基函数神经网络方法深度和自学习的特点,通过对已有管道缺陷数据进行训练,得到基于径向基网络的安全系数计算模型,对由模型计算出的安全系数进行对比分析,修正后的安全系数具有一定的合理性和适用性。研究结果可为含缺陷管道的安全评价提供新的思路,并为管道的修复提供决策支持依据。根据修正后的安全系数,对管道有计划地进行维护维修,能够使有限的资源得到合理分配。另外,本方法中,结合了管道缺陷相关的管道埋深、缺陷位置、地区等级、区域环境、外部环境温差、地质灾害、土壤腐蚀性、大气腐蚀、电流密度等缺陷参数及风险参数,重点对相关因素进行深入的数据挖掘,从而获得了管道缺陷风险分值,进一步修正了缺陷安全系数,使其能够表征多因素融合的缺陷真实安全状态。基于径向基网络方法对提取到的管道缺陷数据进行训练与学习,经过测试,通过训练得出的安全系数可与真实值相吻合,得到缺陷安全系数的计算模型,将该模型应用到完整性评价中,可实现对其它管道缺陷安全系数的快速计算。综上,本方法可以提高管道缺陷评价的准确性;通过缺陷安全系数的比较,可以找出不符合安全运行要求的缺陷,并为缺陷修复的轻重缓急提供较可靠的依据,解决管道内检测缺陷维修中存在的盲目性等问题。
本申请的实施例还提供能够实现上述实施例中的基于径向基函数神经网络的管道安全系数生成方法中全部步骤的一种电子设备的具体实施方式,参见图12,电子设备具体包括如下内容:
处理器(processor)1201、存储器(memory)1202、通信接口(CommunicationsInterface)1203和总线1204;
其中,处理器1201、存储器1202、通信接口1203通过总线1204完成相互间的通信。
处理器1201用于调用存储器1202中的计算机程序,处理器执行计算机程序时实现上述实施例中的基于径向基函数神经网络的管道安全系数生成方法中的全部步骤,例如,处理器执行计算机程序时实现下述步骤:
步骤S01:获取缺陷参数及风险参数。
步骤S02:计算缺陷参数及风险参数权重。
步骤S03:定义样本数据。
步骤S04:划分数据。
步骤S05:创建径向基函数神经网络。
步骤S06:测试径向基函数神经网络。
上述描述可知,本申请实施例中的电子设备,首先在管道安全系数修正的过程中,获取管道的缺陷及风险参数,并采用层次分析法,量化各缺陷及风险参数的权重关系,接着,基于缺陷及风险参数,建立基于径向基函数神经网络的安全系数生成模型,并通过实际数据对该模型进行训练及校正,最终通过该模型计算未知管道的安全系数。本方法避免了目前技术中需要非常详细的管道参数、腐蚀缺陷参数以及检测参数,从而对于缺失管道信息的部分老管道的评价具有局限性的问题;同时也避免了目前技术中对管道评价过程中的要求严格、过程繁琐、计算量大,不适用大范围评价的问题。本方法利用管道大数据领域的丰富数据资源,结合径向基函数神经网络方法深度和自学习的特点,通过对已有管道缺陷数据进行训练,得到基于径向基网络的安全系数计算模型,对由模型计算出的安全系数进行对比分析,修正后的安全系数具有一定的合理性和适用性。研究结果可为含缺陷管道的安全评价提供新的思路,并为管道的修复提供决策支持依据。根据修正后的安全系数,对管道有计划地进行维护维修,能够使有限的资源得到合理分配。另外,本方法中,结合了管道缺陷相关的管道埋深、缺陷位置、地区等级、区域环境、外部环境温差、地质灾害、土壤腐蚀性、大气腐蚀、电流密度等缺陷参数及风险参数,重点对相关因素进行深入的数据挖掘,从而获得了管道缺陷风险分值,进一步修正了缺陷安全系数,使其能够表征多因素融合的缺陷真实安全状态。基于径向基网络方法对提取到的管道缺陷数据进行训练与学习,经过测试,通过训练得出的安全系数可与真实值相吻合,得到缺陷安全系数的计算模型,将该模型应用到完整性评价中,可实现对其它管道缺陷安全系数的快速计算。综上,本方法可以提高管道缺陷评价的准确性;通过缺陷安全系数的比较,可以找出不符合安全运行要求的缺陷,并为缺陷修复的轻重缓急提供较可靠的依据,解决管道内检测缺陷维修中存在的盲目性等问题。
本申请的实施例还提供能够实现上述实施例中的基于径向基函数神经网络的管道安全系数生成方法中全部步骤的一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述实施例中的基于径向基函数神经网络的管道安全系数生成方法的全部步骤,例如,处理器执行计算机程序时实现下述步骤:
步骤S01:获取缺陷参数及风险参数。
步骤S02:计算缺陷参数及风险参数权重。
步骤S03:定义样本数据。
步骤S04:划分数据。
步骤S05:创建径向基函数神经网络。
步骤S06:测试径向基函数神经网络。
上述描述可知,本申请实施例中的计算机可读存储介质,首先在管道安全系数修正的过程中,获取管道的缺陷及风险参数,并采用层次分析法,量化各缺陷及风险参数的权重关系,接着,基于缺陷及风险参数,建立基于径向基函数神经网络的安全系数生成模型,并通过实际数据对该模型进行训练及校正,最终通过该模型计算未知管道的安全系数。本方法避免了目前技术中需要非常详细的管道参数、腐蚀缺陷参数以及检测参数,从而对于缺失管道信息的部分老管道的评价具有局限性的问题;同时也避免了目前技术中对管道评价过程中的要求严格、过程繁琐、计算量大,不适用大范围评价的问题。本方法利用管道大数据领域的丰富数据资源,结合径向基函数神经网络方法深度和自学习的特点,通过对已有管道缺陷数据进行训练,得到基于径向基网络的安全系数计算模型,对由模型计算出的安全系数进行对比分析,修正后的安全系数具有一定的合理性和适用性。研究结果可为含缺陷管道的安全评价提供新的思路,并为管道的修复提供决策支持依据。根据修正后的安全系数,对管道有计划地进行维护维修,能够使有限的资源得到合理分配。另外,本方法中,结合了管道缺陷相关的管道埋深、缺陷位置、地区等级、区域环境、外部环境温差、地质灾害、土壤腐蚀性、大气腐蚀、电流密度等缺陷参数及风险参数,重点对相关因素进行深入的数据挖掘,从而获得了管道缺陷风险分值,进一步修正了缺陷安全系数,使其能够表征多因素融合的缺陷真实安全状态。基于径向基网络方法对提取到的管道缺陷数据进行训练与学习,经过测试,通过训练得出的安全系数可与真实值相吻合,得到缺陷安全系数的计算模型,将该模型应用到完整性评价中,可实现对其它管道缺陷安全系数的快速计算。综上,本方法可以提高管道缺陷评价的准确性;通过缺陷安全系数的比较,可以找出不符合安全运行要求的缺陷,并为缺陷修复的轻重缓急提供较可靠的依据,解决管道内检测缺陷维修中存在的盲目性等问题。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于硬件+程序类实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
虽然本申请提供了如实施例或流程图所述的方法操作步骤,但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式,不代表唯一的执行顺序。在实际中的装置或客户端产品执行时,可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。
虽然本说明书实施例提供了如实施例或流程图所述的方法操作步骤,但基于常规或者无创造性的手段可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式,不代表唯一的执行顺序。在实际中的装置或终端产品执行时,可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境,甚至为分布式数据处理环境)。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、产品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、产品或者设备所固有的要素。在没有更多限制的情况下,并不排除在包括所述要素的过程、方法、产品或者设备中还存在另外的相同或等同要素。
为了描述的方便,描述以上装置时以功能分为各种模块分别描述。当然,在实施本说明书实施例时可以把各模块的功能在同一个或多个软件和/或硬件中实现,也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内部包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
本领域技术人员应明白,本说明书的实施例可提供为方法、系统或计算机程序产品。因此,本说明书实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书实施例,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书实施例的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
以上所述仅为本说明书实施例的实施例而已,并不用于限制本说明书实施例。对于本领域技术人员来说,本说明书实施例可以有各种更改和变化。凡在本说明书实施例的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书实施例的权利要求范围之内。
Claims (6)
1.一种基于径向基函数神经网络的管道安全系数生成方法,其特征在于,包括:
根据历史缺陷参数及历史风险参数建立基于径向基函数神经网络安全系数生成模型,包括:
利用newrb函数创建径向基函数神经网络,在该网络中,设置误差容限为1e-6,扩散因子为38,最大神经元个数为300;当调用这个newrb函数时,增加神经元以便向设定目标值靠近;
当神经元节点个数到250时,训练误差基本接近目标值,
具体地:径向基函数神经网络的激活函数可表示为:
输出函数表示为:
损失函数表示为:
根据所述历史缺陷参数及历史风险参数确定所述缺陷参数及风险参数在所述安全系数生成模型的计算权重,包括:通过确定各风险及缺陷参数的重要度排序,计算出各个参数的计算权数;
根据历史缺陷参数及历史风险参数建立基于径向基函数神经网络安全系数生成模型,包括:
利用所述历史缺陷参数及历史风险参数校正训练后的基于径向基函数神经网络安全系数生成模型,包括:在训练过程中,调整误差目标,根据不同误差目标值,向网络添加新的隐含层节点,同时调整节点中心、标准差及权值,使网络达到设置的误差要求;若模型的误差已经达到预先设定的要求,基于径向基函数神经网络的创建工作完成;创建完成的模型需要通过校正数据进行测试,以验证其准确性;通过残差值对训练值与真实值之间的误差进行计算,若误差在允许范围内,该计算模型可通过测试;反之,模型则需要继续进行训练;
获取管道的缺陷参数及风险参数;
利用所述缺陷参数及风险参数及预先建立的基于径向基函数神经网络的安全系数生成模型生成所述管道的安全系数;
所述缺陷参数包括:所述管道的缺陷长度、宽度、深度、缺陷处管道埋深及缺陷位置;所述风险参数包括:地区等级、区域环境、外部环境温差、地质灾害、土壤腐蚀性、大气腐蚀及电流密度。
2.如权利要求1所述的管道安全系数生成方法,其特征在于,所述根据历史缺陷参数及历史风险参数建立基于径向基函数神经网络安全系数生成模型,还包括:
利用所述历史缺陷参数及历史风险参数校正训练后的基于径向基函数神经网络安全系数生成模型。
3.一种基于径向基函数神经网络的管道安全系数生成装置,其特征在于,包括:
模型生成单元,用于根据历史缺陷参数及历史风险参数建立基于径向基函数神经网络安全系数生成模型;
所述模型生成单元具体用于:
利用newrb函数创建径向基函数神经网络,在该网络中,设置误差容限为1e-6,扩散因子为38,最大神经元个数为300;当调用这个newrb函数时,增加神经元以便向设定目标值靠近;
当神经元节点个数到250时,训练误差基本接近目标值,
具体地:径向基函数神经网络的激活函数可表示为:
输出函数表示为:
损失函数表示为:
根据所述历史缺陷参数及历史风险参数确定所述缺陷参数及风险参数在所述安全系数生成模型的计算权重,包括:通过确定各风险及缺陷参数的重要度排序,计算出各个参数的计算权数;
根据历史缺陷参数及历史风险参数建立基于径向基函数神经网络安全系数生成模型,包括:
利用所述历史缺陷参数及历史风险参数校正训练后的基于径向基函数神经网络安全系数生成模型,包括:在训练过程中,调整误差目标,根据不同误差目标值,向网络添加新的隐含层节点,同时调整节点中心、标准差及权值,使网络达到设置的误差要求;若模型的误差已经达到预先设定的要求,基于径向基函数神经网络的创建工作完成;创建完成的模型需要通过校正数据进行测试,以验证其准确性;通过残差值对训练值与真实值之间的误差进行计算,若误差在允许范围内,该计算模型可通过测试;反之,模型则需要继续进行训练;
参数获取单元,用于获取管道的缺陷参数及风险参数;
安全系数生成单元,用于利用所述缺陷参数及风险参数及预先建立的基于径向基函数神经网络的安全系数生成模型生成所述管道的安全系数;
所述缺陷参数包括:所述管道的缺陷长度、宽度、深度、缺陷处管道埋深及缺陷位置;所述风险参数包括:地区等级、区域环境、外部环境温差、地质灾害、土壤腐蚀性、大气腐蚀及电流密度。
4.如权利要求3所述的管道安全系数生成装置,其特征在于,所述模型生成单元包括:
模型训练模块,用于利用所述历史缺陷参数及历史风险参数训练所述基于径向基函数神经网络安全系数生成模型;
模型校正模块,用于利用所述历史缺陷参数及历史风险参数校正训练后的基于径向基函数神经网络安全系数生成模型。
5.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至2任一所述基于径向基函数神经网络的管道安全系数生成方法。
6.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有执行权利要求1至2任一所述基于径向基函数神经网络的管道安全系数生成方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910510551.5A CN110309558B (zh) | 2019-06-13 | 2019-06-13 | 基于径向基函数神经网络的管道安全系数生成方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910510551.5A CN110309558B (zh) | 2019-06-13 | 2019-06-13 | 基于径向基函数神经网络的管道安全系数生成方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110309558A CN110309558A (zh) | 2019-10-08 |
CN110309558B true CN110309558B (zh) | 2021-05-25 |
Family
ID=68076422
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910510551.5A Active CN110309558B (zh) | 2019-06-13 | 2019-06-13 | 基于径向基函数神经网络的管道安全系数生成方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110309558B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1584562A (zh) * | 2004-06-11 | 2005-02-23 | 清华大学 | 基于微波技术的输气管道泄漏检测定位方法与系统 |
US8879835B2 (en) * | 2011-08-26 | 2014-11-04 | Adobe Systems Incorporated | Fast adaptive edge-aware matting |
CN108361560A (zh) * | 2018-03-21 | 2018-08-03 | 天津科技大学 | 一种基于小波包用于天然气管道安全监测装置的管道安全识别方法 |
CN109034641A (zh) * | 2018-08-10 | 2018-12-18 | 中国石油大学(北京) | 管道缺陷预测方法及装置 |
CN109284876A (zh) * | 2018-11-19 | 2019-01-29 | 福州大学 | 基于pca-rbf埋地管道腐蚀速率预测方法 |
-
2019
- 2019-06-13 CN CN201910510551.5A patent/CN110309558B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1584562A (zh) * | 2004-06-11 | 2005-02-23 | 清华大学 | 基于微波技术的输气管道泄漏检测定位方法与系统 |
US8879835B2 (en) * | 2011-08-26 | 2014-11-04 | Adobe Systems Incorporated | Fast adaptive edge-aware matting |
CN108361560A (zh) * | 2018-03-21 | 2018-08-03 | 天津科技大学 | 一种基于小波包用于天然气管道安全监测装置的管道安全识别方法 |
CN109034641A (zh) * | 2018-08-10 | 2018-12-18 | 中国石油大学(北京) | 管道缺陷预测方法及装置 |
CN109284876A (zh) * | 2018-11-19 | 2019-01-29 | 福州大学 | 基于pca-rbf埋地管道腐蚀速率预测方法 |
Non-Patent Citations (4)
Title |
---|
Research on oil and gas pipeline defect recognition based on IPSO for RBF neural network;He Zhang等;《Sustainable Computing: Informatics and Systems》;20170812;第203-209页 * |
压力管道安全评价的理论与方法研究;任自在;《中国优秀硕士学位论文全文数据库 基础科学辑》;20090615;第2009年卷(第06期);第A004-15页的第五章 * |
基于RBF神经网络的天然气管道泄漏检测技术研究;高丙坤等;《电子设计工程》;20160831;第24卷(第16期);第78-81页 * |
长输管道安全风险评价方法研究;许谨;《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》;20150815;第2015年卷(第08期);第B019-399页的第5章 * |
Also Published As
Publication number | Publication date |
---|---|
CN110309558A (zh) | 2019-10-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Thöns | On the value of monitoring information for the structural integrity and risk management | |
US20100058257A1 (en) | Topology optimization method using equivalent static loads | |
Jiang et al. | Software testing model selection research based on Yin-Yang testing theory | |
MX2012006530A (es) | Metodo de diseño para equipo submarino sujeto a agrietamiento por esfuerzo inducido por hidrógeno. | |
CN111428363A (zh) | 基于支持向量机svm的边坡系统失效概率计算方法 | |
US20160300630A1 (en) | Method of synthesizing axial power distributions of nuclear reactor core using neural network circuit and in-core monitoring system (icoms) using the same | |
CN116166513A (zh) | 一种针对数据库性能测试的评价方法、设备及存储介质 | |
CN110309558B (zh) | 基于径向基函数神经网络的管道安全系数生成方法及装置 | |
Keprate et al. | Comparing different metamodelling approaches to predict stress intensity factor of a semi-elliptic crack | |
CN111448453A (zh) | 确定缺陷的几何结构的方法以及确定负荷能力极限的方法 | |
Liu et al. | Failure Pressure Prediction of Defective Pipeline Using Finite Element Method and Machine Learning Models | |
CN116011345A (zh) | 绝缘子信息预测模型生成方法、装置、设备及介质 | |
CN115660917A (zh) | 一种平房仓粮温异常预警方法、设备及介质 | |
Papacharalampopoulos et al. | A defect tracking tool framework for multi-process products | |
KR102092197B1 (ko) | 수리 가능한 시스템의 열화 분석 장치 및 방법 | |
CN112862211A (zh) | 通信管理系统动环缺陷派单方法及装置 | |
KR20110056046A (ko) | 타이어의 성능 평가 방법 | |
CN114048544A (zh) | 飞行器结构响应特性预示方法、装置、设备和介质 | |
Zhu et al. | Data-Driven Stress Intensity Factor Solutions for Axial Outside Surface Cracks in Thick-Wall Cylinders | |
Marques Ferreira et al. | Stochastic assessment of burst pressure for corroded pipelines | |
Karabeliov et al. | System identification of inverse, multimodal and nonlinear problems using evolutionary computing–Application to a pile structure supported on nonlinear springs | |
CN111460548A (zh) | 一种常态-碾压混凝土重力坝联合筑坝安全评估方法 | |
CN116842663B (zh) | 一种基于机器学习的汽车板簧非线性时变应力值测量方法 | |
Bouraou et al. | Problems of intellectualizing in SHM systems: estimation, prediction, multi-class recognition | |
Nonato | Multi-level uncertain fatigue analysis of a truss under incomplete available information |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |