CN111400927B - 基于广义可加模型的管道内腐蚀增长预测方法及装置 - Google Patents
基于广义可加模型的管道内腐蚀增长预测方法及装置 Download PDFInfo
- Publication number
- CN111400927B CN111400927B CN202010240382.0A CN202010240382A CN111400927B CN 111400927 B CN111400927 B CN 111400927B CN 202010240382 A CN202010240382 A CN 202010240382A CN 111400927 B CN111400927 B CN 111400927B
- Authority
- CN
- China
- Prior art keywords
- pipeline
- model
- corrosion growth
- corrosion
- predicting
- 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
- 230000007797 corrosion Effects 0.000 title claims abstract description 176
- 238000005260 corrosion Methods 0.000 title claims abstract description 176
- 238000000034 method Methods 0.000 title claims abstract description 92
- 239000000654 additive Substances 0.000 title claims abstract description 60
- 230000000996 additive effect Effects 0.000 title claims abstract description 60
- 238000001514 detection method Methods 0.000 claims abstract description 53
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 29
- 230000006835 compression Effects 0.000 claims abstract description 18
- 238000007906 compression Methods 0.000 claims abstract description 18
- 238000012216 screening Methods 0.000 claims abstract description 18
- 230000007547 defect Effects 0.000 claims description 50
- 238000012360 testing method Methods 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 13
- 238000011144 upstream manufacturing Methods 0.000 claims description 12
- 238000012423 maintenance Methods 0.000 abstract description 13
- 230000002349 favourable effect Effects 0.000 abstract description 9
- 230000006870 function Effects 0.000 description 20
- 230000008569 process Effects 0.000 description 18
- 230000001419 dependent effect Effects 0.000 description 13
- 230000007246 mechanism Effects 0.000 description 12
- 238000013528 artificial neural network Methods 0.000 description 10
- 238000007689 inspection Methods 0.000 description 10
- 238000007726 management method Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 7
- 238000009826 distribution Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 230000009286 beneficial effect Effects 0.000 description 6
- 239000007789 gas Substances 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 239000002609 medium Substances 0.000 description 4
- 239000003345 natural gas Substances 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 238000012417 linear regression Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000008439 repair process Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000003628 erosive effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000007670 refining Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 150000001413 amino acids Chemical class 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000007795 chemical reaction product Substances 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 230000001808 coupling effect Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 239000003209 petroleum derivative Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000005309 stochastic process Methods 0.000 description 1
- 229910052717 sulfur Inorganic materials 0.000 description 1
- 239000011593 sulfur Substances 0.000 description 1
- 239000006163 transport media Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Testing Resistance To Weather, Investigating Materials By Mechanical Methods (AREA)
Abstract
本发明提供了一种基于广义可加模型的管道内腐蚀增长预测方法及装置，基于广义可加模型的管道内腐蚀增长预测方法包括：利用Lasso压缩估计算法对预先获取的管道内腐蚀增长预测模型的自变量进行筛选；基于广义线性可加模型，根据筛选后的自变量以及管道内腐蚀增长率建立所述管道内腐蚀增长预测模型；根据所述管道内腐蚀增长预测模型预测所述管道内腐蚀增长率。本发明可基于现有管道内腐蚀数据进行建模，并对未来的腐蚀深度进行准确估算。进而可以确定内检测周期以及制定维修计划，有利于管道安全运行以及成本节约。
Description
技术领域
本发明涉及石油天然气集输技术领域，尤其是油气田开发及油气水混输管道流动安全保障领域，具体涉及一种基于广义可加模型的管道内腐蚀增长预测方法及装置。
背景技术
根据加拿大国家能源局的数据，世界上约有21636公里的石油管道和55982公里的天然气管道。NACE(美国腐蚀工程师国际协会)根据现有数据保守估计，截至2015年在全球范围内，管道腐蚀相关的投入已达2.5万亿美元。由管道腐蚀引发的事故不仅会对经济产生影响，还会威胁人类安全以及造成环境破坏。例如，在2015年7月发生的一起事故中，由于加拿大艾伯塔省的天然气管道发生爆炸，导致周围两公顷的森林被烧毁。因此，油气管网的可靠性对社会稳定和经济发展具有重要意义。
为避免管道事故的发生，行业内引入了完整性管理这一概念。完整性管理是一个从管道设计阶段开始到管道服役结束，期间不断重复的程序，主要由三个部分组成：使用内检测器对管道进行内检测，进行缺陷评估和维护维修计划制定。腐蚀增长预测是完整性管理中缺陷评估的重要组成部分，其结果将影响维修计划制定和内检测周期间隔。可以理解的是，过于保守的预测模型会导致企业安排一些不必要的检查和维护，增加管道运营商的投入成本；而另一方面，非保守模型可能导致错失关键缺陷，无法起到预防管道失效的作用。因此，准确地预测管道内腐蚀增长情况对管道工业具有重要意义。
目前学者通过研究基于随机过程的腐蚀生长路径来建立预测模型，包括Gamma过程，逆高斯过程，马尔可夫链和动态贝叶斯。例如，基于高斯过程和逆高斯过程利用实际数据建立腐蚀的平均增长路径。通过建立基于隐马尔可夫随机场的外腐蚀增长预测模型以帮助制定维护策略。或者引入动态贝叶斯理论来处理多轮腐蚀数据中包含的时间序列问题。
上述基于随机过程的方法对于研究腐蚀机理具有重要意义，但是鉴于该类需要获得特定损伤机理在不同生长周期的数据且对多轮内检测数据进行匹配，限制了该类方法的工业应用。原因如下：
1)内检测需要投入大量的人力和物力。通常，运营商每五年对管道进行一次全面检查，因此无法获得所有处于不同腐蚀阶段的数据；
2)美国石油协会记录了60多种管道损坏机制，包括二氧化碳腐蚀，硫腐蚀和氨基酸腐蚀，而这类模型一次只能针对其中一种机制进行建立，因此为了准确预测整个管道的腐蚀增长，至少需要建立60个模型，更不用说不同机制之间还存在耦合效应，因而增加了模型复杂性，并且降低这类模型在工业应用中的预测效率；
3)基于随机过程的模型需要对未知变量进行概率分布抽样，这意味着需要建模者具备腐蚀机制的先验知识，因此容易引入人为误差。
发明内容
针对现有技术中的问题，本发明提供的基于广义可加模型的管道内腐蚀增长预测方法及装置，可基于现有的两次内腐蚀数据进行建模对未来的腐蚀深度进行准确估算。进而可以确定内检测周期以及制定维修计划，有利于管道安全运行以及成本节约。
第一方面，本发明提供一种基于广义可加模型的管道内腐蚀增长预测方法，包括：
利用Lasso压缩估计算法对预先获取的管道内腐蚀增长预测模型的自变量进行筛选；
基于广义线性可加模型，根据筛选后的自变量以及管道内腐蚀增长率建立所述管道内腐蚀增长预测模型；
根据所述管道内腐蚀增长预测模型预测所述管道内腐蚀增长率。
一实施例中，所述自变量包括：环焊缝编号、与上游环焊缝距离、管长、特征类别、检测里程、缺陷长度、缺陷深度占壁厚百分比、缺陷时钟方位以及管道壁厚。
一实施例中，基于广义可加模型的管道内腐蚀增长预测方法还包括：对所述自变量进行预处理。
一实施例中，所述利用Lasso压缩估计算法对预先获取的管道内腐蚀增长预测模型的自变量进行筛选，包括：
通过L1范式惩罚回归系数筛选所述自变量。
一实施例中，基于广义线性可加模型，根据筛选后的自变量以及管道内腐蚀增长率建立所述管道内腐蚀增长预测模型，包括：
将数据集随机划分为训练数据集以及测试数据集；
利用广义线性可加算法生成管道内腐蚀增长预测初始模型；
利用迭代方法，根据所述训练数据对所述管道内腐蚀增长预测初始模型进行训练，并利用所述测试数据集对训练后的结果进行测试，以生成管道内腐蚀增长预测模型。
第二方面，本发明提供一种基于广义可加模型的管道内腐蚀增长预测装置，该装置包括：
自变量筛选单元，用于利用Lasso压缩估计算法对预先获取的管道内腐蚀增长预测模型的自变量进行筛选；
预测模型建立单元，用于基于广义线性可加模型，根据筛选后的自变量以及管道内腐蚀增长率建立所述管道内腐蚀增长预测模型；
腐蚀预测单元，用于根据所述管道内腐蚀增长预测模型预测所述管道内腐蚀增长率。
一实施例中，所述自变量包括：环焊缝编号、与上游环焊缝距离、管长、特征类别、检测里程、缺陷长度、缺陷深度占壁厚百分比、缺陷时钟方位以及管道壁厚。
一实施例中，基于广义可加模型的管道内腐蚀增长预测装置还包括：预处理单元，用于对所述自变量进行预处理。
一实施例中，所述自变量筛选单元具体用于通过L1范式惩罚回归系数筛选所述自变量。
一实施例中，所述预测模型建立单元包括：
数据集划分模块，用于将数据集随机划分为训练数据集以及测试数据集；
初始模型生成模块，用于利用广义线性可加算法生成管道内腐蚀增长预测初始模型；
预测模型建立模块，用于利用迭代方法，根据所述训练数据对所述管道内腐蚀增长预测初始模型进行训练，并利用所述测试数据集对训练后的结果进行测试，以生成管道内腐蚀增长预测模型。
第三方面，本发明提供一种电子设备，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广义可加模型的管道内腐蚀增长预测方法的步骤。
第四方面，本发明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广义可加模型的管道内腐蚀增长预测方法的步骤。
从上述描述可知，本发明实施例提供的基于广义可加模型的管道内腐蚀增长预测方法及装置，首先基于管道的内检测数据选取自变量，并使用Lasso算法对输入变量进行选择，最后对管道内腐蚀缺陷预测采用以内检测数据为驱动的广义线性可加模型，本发明实施例可基于现有的两次内腐蚀数据进行建模对未来的腐蚀深度进行估算。由于模型的分析结果可以为管道的危险缺陷提供参考依据，因此可以是完整性管理的重要部分，可以帮助确定内检测周期以及制定维修计划，有利于管道安全运行。具体地，本发明实施例的有益效果如下：
1.采用本发明所建立的管道内腐蚀增长预测模型为数据驱动模型，可以提高内检测数据的利用率。
2.GAM为非参估计模型，因此无需对腐蚀机理有较强的依赖性，从而降低建模难度，与现有的基于随机过程的预测模型相比也具有更高的工业应用性。
3.相较于BP神经网络和GRNN，采用本发明所建立的管道内腐蚀增长预测模型有较高的准确性，准确率达到98.4％。此外，统计量的计算值也证明了该模型的准确性(RMSE和MAE分别为0.073和0.0449)，同时在计算速度上也更胜一筹。
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广义可加模型的管道内腐蚀增长预测方法的流程示意图一；
图2为本发明的实施例中的基于广义可加模型的管道内腐蚀增长预测方法的流程示意图二；
图3为本发明的实施例中步骤100的流程示意图；
图4为本发明的实施例中步骤200的流程示意图；
图5为本发明的具体应用实例中基于广义可加模型的管道内腐蚀增长预测方法的流程示意图；
图6为本发明的具体应用实例中基于广义可加模型的管道内腐蚀增长预测方法的思维导图；
图7为本发明的具体应用实例中弯头距离与腐蚀增长率关系示意图；
图8为本发明的具体应用实例中上游环焊缝距离与腐蚀增长率关系示意图；
图9为本发明的具体应用实例中初始深度与腐蚀增长率关系示意图；
图10为本发明的具体应用实例中压力与腐蚀增长率关系示意图；
图11为本发明的具体应用实例中高程与腐蚀增长率关系示意图；
图12为本发明的具体应用实例中初始深度x3与增长率r的关系示意图；
图13为本发明的具体应用实例中预测结果示意图；
图14为本发明的具体应用实例中预测结果与现场结果对比示意图；
图15为本发明的实施例中的基于广义可加模型的管道内腐蚀增长预测装置的结构示意图一；
图16为本发明的实施例中的基于广义可加模型的管道内腐蚀增长预测装置的结构示意图二；
图17为本发明的实施例中基于广义可加模型的管道内腐蚀增长预测装置中预测模型建立单元组成结构示意图；
图18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。
鉴于多轮内检测数据匹配过程的困难和当前基于随机过程建立预测模型的复杂性，本发明的实施例提供一种基于广义可加模型的管道内腐蚀增长预测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：利用Lasso压缩估计算法对预先获取的管道内腐蚀增长预测模型的自变量进行筛选。
可以理解的是，步骤100中Lasso是一种压缩估计算法，将对结果影响不大的变量系数压缩为0以达到减少某些因素的效果。
Lasso算法的优点在于其对参数估计较大的变量压缩较小，而对参数估计较小的变量压缩成0，并且具有连续性，适用于高维数据的模型选择。
步骤200：基于广义线性可加模型，根据筛选后的自变量以及管道内腐蚀增长率建立所述管道内腐蚀增长预测模型。
1、广义线性模型
1972年，Nelder对经典线性回归模型作了进一步推广，提出广义线性模型(Generalized Linear Models,GLM)，将因变量的分布假设由正态分布扩展到指数型分布，从而使模型的适用条件和范围得到了极大的扩展。其数学表达式如下：
Y＝Xβ+ε
其中，Y为因变量矩阵；X为自变量矩阵；β为自变量系数向量；误差ε的均值向量为0，协方差矩阵为σ2I，σ表示方差。
GLM具有以下三个特征：
(1)因变量Y的每个观察值yi相互独立且服从指数型分布族中的某一分布。指数型分布族的概率密度函数为：
其中，yi表示第i个观测值；
b(θi)，
为已知函数。
(2)解释变量是线性预测量的形式，表达式为：η＝β1x1+β2x2+…+βpxp。
(3)上述1与2之间的联结函数为g(μ)＝η，μ是Y的均值。该式表明，在GLM中，对解释变量的线性组合(ηi)通过函数g-1的变换之后即得对因变量的预测值。然而，该模型的主要缺陷是其解释变量是以线性预测量的形式出现的，当解释变量以非线性形式出现时，需要进行变换，这个变换的时机和形式无法确定。
2、可加模型
可加模型也是经典线性回归模型的扩展，它将线性回归模型中的预测变量的参数形式改为非参数的形式。可加模型在预测变量的效应上是可加的，为分别检验预测变量的效应提供了条件。其数学表达式为：
其中，误差ε关于自变量Xj是独立的，E(ε)＝0,Var(ε)＝σ2；E(fj(Xj))＝0；fj是预测函数，每一个代表一个预测变量。
上式表示，建立可加模型后，可以分别绘制p的坐标函数以检查预测变量在建模响应中的作用。
3、广义线性可加模型
广义可加模型(Generalized Additive Mode,GAM)是广义线性模型与可加模型的结合。GAM利用光滑函数单独对每个自变量进行关系预测，最终利用相加的方式来解释自变量对因变量的影响，而且将部分自变量的影响表示成非参数函数形式，不存在对自变量和因变量的假设，使其得到广泛应用。设Y为因变量，服从指数族分布，x1，x2，…，xm为自变量，则GAM表达式如下：
g(μ)＝s0+s1(x1)+s2(x2)+…+sm(xm)
其中，μ＝E(Y|x1,…xm)；g为联结函数，s为x的非参数光滑函数。光滑函数可以采用各种类型的函数，如光滑样条函数、局部回归函数、自然三次样条函数、B－样条函数和多项式函数等。
GAM对自变量与因变量之间的函数形式不作具体规定，具有灵活性，而且由于非参数估计在非线性关系方面的鲁棒性使得其具有更好的适用性。
步骤300：根据所述管道内腐蚀增长预测模型预测所述管道内腐蚀增长率。
从上述描述可知，本发明实施例提供的基于广义可加模型的管道内腐蚀增长预测方法，首先基于管道的内检测数据选取自变量，并使用Lasso算法对输入变量进行选择，最后对管道内腐蚀缺陷预测采用以内检测数据为驱动的广义线性可加模型，本发明实施例可基于现有的两次内腐蚀数据进行建模对未来的腐蚀深度进行估算。由于模型的分析结果可以为管道的危险缺陷提供参考依据，因此可以是完整性管理的重要部分，可以帮助确定内检测周期以及制定维修计划，有利于管道安全运行。一实施例中，所述自变量包括：环焊缝编号、与上游环焊缝距离、管长、特征类别、检测里程、缺陷长度、缺陷深度占壁厚百分比、缺陷时钟方位以及管道壁厚。
具体地，可以从管道内检测报告中获取环焊缝编号、与上游环焊缝距离、管长、特征类别、检测里程、缺陷长度、缺陷深度占壁厚百分比(简称深度百分比)、缺陷时钟方位，壁厚。
一实施例中，参见图2，基于广义可加模型的管道内腐蚀增长预测方法还包括：
步骤400：对所述自变量进行预处理。
一实施例中，参见图3，步骤100具体包括：
步骤101：通过L1范式惩罚回归系数筛选所述自变量。
具体地，通过L1范式惩罚回归系数精炼模型，即将对结果影响不大的变量系数压缩为0以达到减少某些因素的效果。数学表达式如下：
其中，yi是观测值的因变量，共有N个观测值，即i＝1，2，…，N；xij＝(xi1,xi2,…xip)是观测值的自变量向量，每个含有p个自变量，即i＝1，2，…，N，j＝1，2，…，p；βj为第j个自变量的回归系数；s≥0是约束值，即对回归系数βj的L1范式惩罚，当s值较小时，某些相关度低的变量系数就被压缩为0；当s值太大时，则不再具有约束作用。因此可以通过参数s来调整系数βj总体的变化，在参数s取最优值的条件下，一般可以得到一个稀疏模型。s的取值可以通过交叉验证的方法来估计。
一实施例中，参见图4，步骤200具体包括：
步骤201：将数据集随机划分为训练数据集以及测试数据集。
步骤202：利用广义线性可加算法生成管道内腐蚀增长预测初始模型。
步骤203：利用迭代方法，根据所述训练数据对所述管道内腐蚀增长预测初始模型进行训练，并利用所述测试数据集对训练后的结果进行测试，以生成管道内腐蚀增长预测模型。
在步骤201至步骤203中，优选地，可以随机的选取数据集的三分之二作为训练集，并作为初始模型的训练数据，对于训练结果使用测试数据集进行测试，当测试结果没有达到预设阈值时，继续训练，直到达到该预设阈值时，停止训练，从而生成管道内腐蚀增长预测模型，进而找到各个自变量与因变量的关系模型。
从上述描述可知，本发明实施例提供的基于广义可加模型的管道内腐蚀增长预测方法，首先基于管道的内检测数据选取自变量，并使用Lasso算法对输入变量进行选择，最后对管道内腐蚀缺陷预测采用以内检测数据为驱动的广义线性可加模型，本发明实施例可基于现有的两次内腐蚀数据进行建模对未来的腐蚀深度进行估算。由于模型的分析结果可以为管道的危险缺陷提供参考依据，因此可以是完整性管理的重要部分，可以帮助确定内检测周期以及制定维修计划，有利于管道安全运行。具体地，本发明实施例的有益效果如下：
1、采用本发明所建立的管道内腐蚀增长预测模型为数据驱动模型，可以提高内检测数据的利用率。
2、GAM为非参估计模型，因此无需对腐蚀机理有较强的依赖性，从而降低建模难度，与现有的基于随机过程的预测模型相比也具有更高的工业应用性。
3、相较于BP神经网络和GRNN，采用本发明所建立的管道内腐蚀增长预测模型有较高的准确性，准确率达到98.4％。此外，统计量的计算值也证明了该模型的准确性(RMSE和MAE分别为0.073和0.0449)，同时在计算速度上也更胜一筹。
为进一步地说明本方案，本发明以在役管道的某一管段的两次内检测数据为案例，提供基于广义可加模型的管道内腐蚀增长预测方法的具体应用实例，该具体应用实例具体包括如下内容，参见图5以及图6。
该管段长170.2Km，第一次检出内腐蚀缺陷1107处，运输介质为天然气，管道材质为X60钢。
S0：获取的管道内腐蚀增长预测模型的自变量参数。
优选地，可以从管道的内检测报告中获取自变量参数，内检测报告中提供的信息包括：环焊缝编号、与上游环焊缝距离、管长、特征类别、检测里程、缺陷长度、缺陷深度占壁厚百分比(简称深度百分比)、缺陷时钟方位，壁厚。通过调研与内腐蚀增长率相关的研究资料以及可获取的监测变量，选取如表1所示的6个因素建立内腐蚀增长率模型。
表1模型变量
S1：对所述自变量进行预处理。
表中1的6个变量中除了x2可直接获取之外，其他变量需要经过预处理。预处理过程基于以下假设：
1、由于无法每年都进行内检测，因此两次内检测期间的缺陷变化未知，假设增长率为常数。
2、由于检测技术引入的误差无可避免，因此对于第二次腐蚀深度检测结果小于第一次检测结果的缺陷点(计算所得增长率为负数)，假设缺陷未增长，即增长率为0。
3、对于第一次检出缺陷而第二次未检出的缺陷，考虑两次内检测期间维修周期的安排，假设第二次检测时已达到维修标准(深度百分比达20％)。
4、由于无法获取每个缺陷点的压力值和高程，因此假设两个压气站之间的压力和高程均与距离呈线性关系，根据压气站的数据求取缺陷点的压力值和高程。
基于以上假设，根据内检测数据对自变量进行以下预处理：
(1)增长率r：
a＝a0×(1+r)5
其中，a0为第一次内检测数据中的深度百分比，a为第二次内检测数据中的深度百分比。
变换得到下式：
(2)与弯头距离x1：
根据内检测报告中特征类别中的弯头位置，计算缺陷点与上游弯头的距离。
(3)与上游环焊缝距离x2：直接获取内检测报告中的与上游环焊缝距离数据。
(4)初始深度x3：
x3＝w0×t
其中，w0为第一次内检测数据中的深度百分比数据，t为壁厚数据。
(5)压力x4：
其中，p1为第一个压气站的出站压力；p2为第二个压气站的进站压力；d1为到第一个压气站的检测距离；d2为到第二个压气站的检测距离；d为到缺陷点的检测距离。
(6)高程x5：
其中，h1为第一个压气站的高程；h2为第二个压气站的高程；d1为到第一个压气站的检测距离；d2为到第二个压气站的检测距离；d为到缺陷点的检测距离。
经过预处理得到模型数据集，部分数据如表2所示：
表2部分数据集
| 编号 | r | x<sub>1</sub> | x<sub>2</sub> | x<sub>3</sub> | x<sub>4</sub> | x<sub>5</sub> |
| 1 | 0.098561 | 304.662 | 8.535 | 0.355 | 4.802074 | 2715.915 |
| 2 | 0.06961 | 945.602 | 2.032 | 0.355 | 4.798514 | 2717.376 |
| 3 | 0 | 1066.851 | 7.024 | 0.426 | 4.797841 | 2717.652 |
| 4 | 0.03131 | 1071.029 | 11.202 | 0.852 | 4.797818 | 2717.661 |
| 5 | 0.094609 | 1202.486 | 3.253 | 0.497 | 4.797087 | 2717.961 |
| 6 | 0.06961 | 1203.998 | 4.765 | 0.355 | 4.797079 | 2717.964 |
S2：利用Lasso压缩估计算法对自变量进行筛选。
具体地，列出自变量之间的交叉项并与自变量一同进行训练，利用模型中Lasso的作用进行输入变量选择。
由步骤S1中的假设4可知，自变量压力(x4)与高程(x5)所用的数值与其他三个自变量不相关，且这二者之间也相互独立。由于在数学中，超过4次方的算式不具有实际考量性，因此只对其他三个因素及其不超过4次的交叉项进行选择，结合Lasso算法对输入变量选择。
Lasso是Tibshirani提出的一种压缩估计算法，主要是通过L1范式惩罚回归系数精炼模型，即将对结果影响不大的变量系数压缩为0以达到减少某些因素的效果。数学表达式如下：
其中，yi是观测值的因变量，共有N个观测值，即i＝1，2，…，N；是观测值的自变量向量，每个含有p个自变量，即i＝1，2，…，N，j＝1，2，…，p；βj为第j个自变量的回归系数；s≥0是约束值，即对回归系数βj的L1范式惩罚，当s值较小时，某些相关度低的变量系数就被压缩为0；当s值太大时，则不再具有约束作用。因此可以通过参数s来调整系数βj总体的变化，在参数s取最优值的条件下，一般可以得到一个稀疏模型。s的取值可以通过交叉验证的方法来估计。不同约束值s下的各项系数计算结果如表3所示：
表3系数计算结果
由上表可知，在约束值s取0.01时，只有第一项和常数项的系数不为0，而且第一项系数非常小，可忽略不计；在约束值s取0.001时，虽然有10项系数均不为0，但是除了常数项外，其他9项的系数也非常小，表示这些算式之间无法拟合出某种关系，因此可以近似认为上表中所列的交叉项对预测结果无影响。
S3：基于广义线性可加模型，建立所述管道内腐蚀增长预测模型。
将数据集中2/3作为训练集进行建模，得到各个自变量与因变量的关系模型如图7至图11所示：图中纵坐标括号中的数字代表自由度，自由度接近1时，表示该自变量与因变量之间为线性关系；自由度大于1时，表示两者之间为非线性关系。
由图11可知，与弯头的距离(x1)与增长率的关系趋势为：随距离增加，增长率产生一定的波动后下降，产生这一趋势的原因可能与气体经过弯头产生的压力波动随着传播距离增加逐渐回复；与上游焊缝距离(x2)在距离焊缝1m以内和大于11m的地方影响较大，考虑到管段长度基本在10m左右，产生这一趋势的原因可能与焊缝的热影响区有关；初始深度(x3)与增长率的关系趋势为：随初始深度的增加，增长率先经历一个快速下降的过程，后下降速度减缓，最终趋于平稳，产生这一趋势的原因可能为腐蚀产物的增加对进一步腐蚀作用产生隔膜，当腐蚀产物的含量达到某个值时，这个影响减弱；压力(x4)与增长率的关系基本呈线性，随压力升高而升高，这一趋势产生的原因可能为气体压力增加了管壁的应力，加快了缺陷的增长；高程(x5)与增长率的关系趋势为：随着高程增加而增加，但是增加趋势逐渐减缓，产生这一趋势的原因可能是随着高程的增加，管道内气体温度低于水露点，导致积液的产生，进而增加了缺陷的增长率。
由图9可知，x3与增长率之间的关系类似于指数函数分布，因此可通过matlab进行进一步的函数求解以提高准确度，结果如图12所示：拟合公式为：
其中，a＝0.4168；b＝-9.527；c＝0.1976；d＝-0.4625。
S4：预测结果对比。
根据模型预测所得的腐蚀增长率计算腐蚀深度，与实测数据进行对比，结果如图13所示。图中共计369个腐蚀点，采用的误差限为±0.3mm，其中采用本文方法得到的预测结果在误差限以内的点共计332个，占90％，相对于BP神经网络和GRNN建立的模型得到的预测结果更好(分别为299个点和294个点，分别占81％和80％)。
计算根均方值误差(Root Mean Squared Error，RMSE))和平均绝对误差(MeanAbsolute Error，MAE)，计算结果如表4所示。
表4不同模型在腐蚀深度预测中的统计量
由表4可知，GAM计算速度最快，耗时0.497s，BP神经网络和GRNN的耗时分别是它的两倍和六倍，为0.955s和2.991s。此外，因为BP神经网络和GRNN的RMSE和MAE计算结果是GAM的两倍，因此GAM是三个模型中准确率最高的。
为了进一步验证模型在现场的适用性，采用误差限(±10wt％)来表示预测结果，如图14所示，在该图中，在369个测试点中有360个在该误差界限内，准确率达到98.4％，高于BP神经网络和GRNN的预测准确率，分别为94.8％和95.7％。
从上述描述可知，本发明实施例提供的基于广义可加模型的管道内腐蚀增长预测方法，首先基于管道的内检测数据选取自变量，并使用Lasso算法对输入变量进行选择，最后对管道内腐蚀缺陷预测采用以内检测数据为驱动的广义线性可加模型，本发明实施例可基于现有的两次内腐蚀数据进行建模对未来的腐蚀深度进行估算。由于模型的分析结果可以为管道的危险缺陷提供参考依据，因此可以是完整性管理的重要部分，可以帮助确定内检测周期以及制定维修计划，有利于管道安全运行。具体地，本发明实施例的有益效果如下：
1、采用本发明所建立的管道内腐蚀增长预测模型为数据驱动模型，可以提高内检测数据的利用率。
2、GAM为非参估计模型，因此无需对腐蚀机理有较强的依赖性，从而降低建模难度，与现有的基于随机过程的预测模型相比也具有更高的工业应用性。
3、相较于BP神经网络和GRNN，采用本发明所建立的管道内腐蚀增长预测模型有较高的准确性，准确率达到98.4％。此外，统计量的计算值也证明了该模型的准确性(RMSE和MAE分别为0.073和0.0449)，同时在计算速度上也更胜一筹。
基于同一发明构思，本申请实施例还提供了基于广义可加模型的管道内腐蚀增长预测装置，可以用于实现上述实施例所描述的方法，如下面的实施例所述。由于基于广义可加模型的管道内腐蚀增长预测装置解决问题的原理与基于广义可加模型的管道内腐蚀增长预测方法相似，因此基于广义可加模型的管道内腐蚀增长预测装置的实施可以参见基于广义可加模型的管道内腐蚀增长预测方法实施，重复之处不再赘述。以下所使用的，术语“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广义可加模型的管道内腐蚀增长预测方法的基于广义可加模型的管道内腐蚀增长预测装置的具体实施方式，参见图15，基于广义可加模型的管道内腐蚀增长预测装置具体包括如下内容：
自变量筛选单元10，用于利用Lasso压缩估计算法对预先获取的管道内腐蚀增长预测模型的自变量进行筛选；
预测模型建立单元20，用于基于广义线性可加模型，根据筛选后的自变量以及管道内腐蚀增长率建立所述管道内腐蚀增长预测模型；
腐蚀预测单元30，用于根据所述管道内腐蚀增长预测模型预测所述管道内腐蚀增长率。
一实施例中，所述自变量包括：环焊缝编号、与上游环焊缝距离、管长、特征类别、检测里程、缺陷长度、缺陷深度占壁厚百分比、缺陷时钟方位以及管道壁厚。
一实施例中，参见图16，基于广义可加模型的管道内腐蚀增长预测装置还包括：预处理单元40，用于对所述自变量进行预处理。
一实施例中，所述自变量筛选单元具体用于通过L1范式惩罚回归系数筛选所述自变量。
一实施例中，参见图17，所述预测模型建立单元20包括：
数据集划分模块201，用于将数据集随机划分为训练数据集以及测试数据集；
初始模型生成模块202，用于利用广义线性可加算法生成管道内腐蚀增长预测初始模型；
预测模型建立模块203，用于利用迭代方法，根据所述训练数据对所述管道内腐蚀增长预测初始模型进行训练，并利用所述测试数据集对训练后的结果进行测试，以生成管道内腐蚀增长预测模型。
从上述描述可知，本发明实施例提供的基于广义可加模型的管道内腐蚀增长预测装置，首先基于管道的内检测数据选取自变量，并使用Lasso算法对输入变量进行选择，最后对管道内腐蚀缺陷预测采用以内检测数据为驱动的广义线性可加模型，本发明实施例可基于现有的两次内腐蚀数据进行建模对未来的腐蚀深度进行估算。由于模型的分析结果可以为管道的危险缺陷提供参考依据，因此可以是完整性管理的重要部分，可以帮助确定内检测周期以及制定维修计划，有利于管道安全运行。具体地，本发明实施例的有益效果如下：
1、采用本发明所建立的管道内腐蚀增长预测模型为数据驱动模型，可以提高内检测数据的利用率。
2、GAM为非参估计模型，因此无需对腐蚀机理有较强的依赖性，从而降低建模难度，与现有的基于随机过程的预测模型相比也具有更高的工业应用性。
3、相较于BP神经网络和GRNN，采用本发明所建立的管道内腐蚀增长预测模型有较高的准确性，准确率达到98.4％。此外，统计量的计算值也证明了该模型的准确性(RMSE和MAE分别为0.073和0.0449)，同时在计算速度上也更胜一筹。
本申请的实施例还提供能够实现上述实施例中的基于广义可加模型的管道内腐蚀增长预测方法中全部步骤的一种电子设备的具体实施方式，参见图18，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；通信接口1203用于实现服务器端设备、测量设备以及用户端设备等相关设备之间的信息传输。
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广义可加模型的管道内腐蚀增长预测方法中的全部步骤，例如，处理器执行计算机程序时实现下述步骤：
步骤100：利用Lasso压缩估计算法对预先获取的管道内腐蚀增长预测模型的自变量进行筛选。
步骤200：基于广义线性可加模型，根据筛选后的自变量以及管道内腐蚀增长率建立所述管道内腐蚀增长预测模型。
步骤300：根据所述管道内腐蚀增长预测模型预测所述管道内腐蚀增长率。
从上述描述可知，本申请实施例中的电子设备，首先基于管道的内检测数据选取自变量，并使用Lasso算法对输入变量进行选择，最后对管道内腐蚀缺陷预测采用以内检测数据为驱动的广义线性可加模型，本发明实施例可基于现有的两次内腐蚀数据进行建模对未来的腐蚀深度进行估算。由于模型的分析结果可以为管道的危险缺陷提供参考依据，因此可以是完整性管理的重要部分，可以帮助确定内检测周期以及制定维修计划，有利于管道安全运行。具体地，本发明实施例的有益效果如下：
1、采用本发明所建立的管道内腐蚀增长预测模型为数据驱动模型，可以提高内检测数据的利用率。
2、GAM为非参估计模型，因此无需对腐蚀机理有较强的依赖性，从而降低建模难度，与现有的基于随机过程的预测模型相比也具有更高的工业应用性。
3、相较于BP神经网络和GRNN，采用本发明所建立的管道内腐蚀增长预测模型有较高的准确性，准确率达到98.4％。此外，统计量的计算值也证明了该模型的准确性(RMSE和MAE分别为0.073和0.0449)，同时在计算速度上也更胜一筹。
本申请的实施例还提供能够实现上述实施例中的基于广义可加模型的管道内腐蚀增长预测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广义可加模型的管道内腐蚀增长预测方法的全部步骤，例如，处理器执行计算机程序时实现下述步骤：
步骤100：利用Lasso压缩估计算法对预先获取的管道内腐蚀增长预测模型的自变量进行筛选。
步骤200：基于广义线性可加模型，根据筛选后的自变量以及管道内腐蚀增长率建立所述管道内腐蚀增长预测模型。
步骤300：根据所述管道内腐蚀增长预测模型预测所述管道内腐蚀增长率。
从上述描述可知，本申请实施例中的计算机可读存储介质，首先基于管道的内检测数据选取自变量，并使用Lasso算法对输入变量进行选择，最后对管道内腐蚀缺陷预测采用以内检测数据为驱动的广义线性可加模型，本发明实施例可基于现有的两次内腐蚀数据进行建模对未来的腐蚀深度进行估算。由于模型的分析结果可以为管道的危险缺陷提供参考依据，因此可以是完整性管理的重要部分，可以帮助确定内检测周期以及制定维修计划，有利于管道安全运行。具体地，本发明实施例的有益效果如下：
1、采用本发明所建立的管道内腐蚀增长预测模型为数据驱动模型，可以提高内检测数据的利用率。
2、GAM为非参估计模型，因此无需对腐蚀机理有较强的依赖性，从而降低建模难度，与现有的基于随机过程的预测模型相比也具有更高的工业应用性。
3、相较于BP神经网络和GRNN，采用本发明所建立的管道内腐蚀增长预测模型有较高的准确性，准确率达到98.4％。此外，统计量的计算值也证明了该模型的准确性(RMSE和MAE分别为0.073和0.0449)，同时在计算速度上也更胜一筹。
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。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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，本发明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。
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。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种基于广义可加模型的管道内腐蚀增长预测方法，其特征在于，包括：
利用Lasso压缩估计算法对预先获取的管道内腐蚀增长预测模型的自变量进行筛选；
基于广义线性可加模型，根据筛选后的自变量以及管道内腐蚀增长率建立所述管道内腐蚀增长预测模型；
根据所述管道内腐蚀增长预测模型预测所述管道内腐蚀增长率；
所述利用Lasso压缩估计算法对预先获取的管道内腐蚀增长预测模型的自变量进行筛选，包括：
通过L1范式惩罚回归系数筛选所述自变量。
2.根据权利要求1所述的基于广义可加模型的管道内腐蚀增长预测方法，其特征在于，所述自变量包括：环焊缝编号、与上游环焊缝距离、管长、特征类别、检测里程、缺陷长度、缺陷深度占壁厚百分比、缺陷时钟方位以及管道壁厚。
3.根据权利要求1所述的基于广义可加模型的管道内腐蚀增长预测方法，其特征在于，还包括：对所述自变量进行预处理。
4.根据权利要求1所述的基于广义可加模型的管道内腐蚀增长预测方法，其特征在于，基于广义线性可加模型，根据筛选后的自变量以及管道内腐蚀增长率建立所述管道内腐蚀增长预测模型，包括：
将数据集随机划分为训练数据集以及测试数据集；
利用广义线性可加算法生成管道内腐蚀增长预测初始模型；
利用迭代方法，根据所述训练数据对所述管道内腐蚀增长预测初始模型进行训练，并利用所述测试数据集对训练后的结果进行测试，以生成管道内腐蚀增长预测模型。
5.一种基于广义可加模型的管道内腐蚀增长预测装置，其特征在于，包括：
自变量筛选单元，用于利用Lasso压缩估计算法对预先获取的管道内腐蚀增长预测模型的自变量进行筛选；
预测模型建立单元，用于基于广义线性可加模型，根据筛选后的自变量以及管道内腐蚀增长率建立所述管道内腐蚀增长预测模型；
腐蚀预测单元，用于根据所述管道内腐蚀增长预测模型预测所述管道内腐蚀增长率；
所述自变量筛选单元具体用于通过L1范式惩罚回归系数筛选所述自变量。
6.根据权利要求5所述的基于广义可加模型的管道内腐蚀增长预测装置，其特征在于，还包括：预处理单元，用于对所述自变量进行预处理。
7.一种电子设备，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程序时实现权利要求1至4任一项所述基于广义可加模型的管道内腐蚀增长预测方法的步骤。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至4任一项所述基于广义可加模型的管道内腐蚀增长预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010240382.0A CN111400927B (zh) | 2020-03-31 | 2020-03-31 | 基于广义可加模型的管道内腐蚀增长预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010240382.0A CN111400927B (zh) | 2020-03-31 | 2020-03-31 | 基于广义可加模型的管道内腐蚀增长预测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111400927A CN111400927A (zh) | 2020-07-10 |
| CN111400927B true CN111400927B (zh) | 2022-02-18 |
Family
ID=71431363
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010240382.0A Active CN111400927B (zh) | 2020-03-31 | 2020-03-31 | 基于广义可加模型的管道内腐蚀增长预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111400927B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113778862A (zh) * | 2021-08-23 | 2021-12-10 | 中国人民解放军战略支援部队信息工程大学 | 一种基于长短期记忆网络和lasso算法的软件缺陷预测方法 |
| CN115185715A (zh) * | 2022-09-13 | 2022-10-14 | 深圳市华云中盛科技股份有限公司 | 一种基于社交网络信息的案件热度扩散处理方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108345707A (zh) * | 2017-01-24 | 2018-07-31 | 中国石油化工股份有限公司 | 基于概率的管道腐蚀缺陷计划响应时间确定方法及装置 |
| CN110751339A (zh) * | 2019-10-24 | 2020-02-04 | 北京化工大学 | 管道腐蚀速率预测的方法、装置和计算机设备 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10154624B2 (en) * | 2016-08-08 | 2018-12-18 | The Climate Corporation | Estimating nitrogen content using hyperspectral and multispectral images |
-
2020
- 2020-03-31 CN CN202010240382.0A patent/CN111400927B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108345707A (zh) * | 2017-01-24 | 2018-07-31 | 中国石油化工股份有限公司 | 基于概率的管道腐蚀缺陷计划响应时间确定方法及装置 |
| CN110751339A (zh) * | 2019-10-24 | 2020-02-04 | 北京化工大学 | 管道腐蚀速率预测的方法、装置和计算机设备 |
Non-Patent Citations (2)
| Title |
|---|
| Intelligible Models for Classification and Regression;LOU, Yin 等;《Proceedings of the 18th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining》;20120812;全文 * |
| 我国P2P网络借贷平台的风险评估;林楚海;《中国优秀博硕士学位论文全文数据库(硕士)》;20190115(第1期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111400927A (zh) | 2020-07-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| He et al. | Digital twin-driven remaining useful life prediction for gear performance degradation: A review | |
| Straub et al. | Computational aspects of risk‐based inspection planning | |
| Gomes et al. | Optimal inspection and design of onshore pipelines under external corrosion process | |
| CN107063991B (zh) | 一种输送管道内部腐蚀缺陷动态安全评定方法和装置 | |
| CN111400927B (zh) | 基于广义可加模型的管道内腐蚀增长预测方法及装置 | |
| Hazra et al. | Approximate Bayesian computation (ABC) method for estimating parameters of the gamma process using noisy data | |
| Ferreira et al. | Multiresolution analysis and deep learning for corroded pipeline failure assessment | |
| CN107832492B (zh) | 一种基于内聚力模型的钢结构腐蚀疲劳损伤计算方法 | |
| CN104408317A (zh) | 一种基于Bootstrap回声状态网络集成的冶金企业煤气流量区间预测方法 | |
| CN109632942B (zh) | 一种基于集成学习的管道缺陷尺寸的反演方法 | |
| Zou et al. | A simplified method for holistic value of information computation for informed structural integrity management under uncertainty | |
| CN114638166A (zh) | 工艺管线疲劳损伤识别及预测方法、系统、设备和介质 | |
| Timashev et al. | Markov description of corrosion defects growth and its application to reliability based inspection and maintenance of pipelines | |
| Li et al. | A risk-based maintenance decision model for subsea pipeline considering pitting corrosion growth | |
| Zerouali et al. | Reliability-based maintenance optimization of long-distance oil and gas transmission pipeline networks | |
| Basha et al. | A simulated model for assesing the line condition of onshore pipelines | |
| Zhang et al. | Reliability assessment of corroded pipeline considering multiple defects interaction based on an artificial neural network method | |
| Sharko et al. | Modeling of inteligent software for the diagnosis and monitoring of ship power plant components using Markov chains | |
| Saifullin et al. | Assessment of technical condition of polyurethane foam thermal insulation pipelines of heating networks using neural network technologies | |
| Lapiga et al. | Using of artificial neural networks to assess the residual resource of trunk pipelines | |
| Lin et al. | Sensitivity influence of initial crack characteristics on structural damage propagation based on the VB-PCE model and POD reduced order algorithm | |
| Jiang et al. | Hierarchical Bayesian based reliability analysis of a sharing storage processor | |
| Khan et al. | Risk-based inspection and maintenance (RBIM) of power plants | |
| Feng et al. | Failure prediction of weld defects in long distance pipeline | |
| Gong | System reliability analyses and optimal maintenance planning of corroding pipelines |
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 |