CN111612336A - 一种基于大数据的油气管道失效因素修正方法 - Google Patents
一种基于大数据的油气管道失效因素修正方法 Download PDFInfo
- Publication number
- CN111612336A CN111612336A CN202010432227.9A CN202010432227A CN111612336A CN 111612336 A CN111612336 A CN 111612336A CN 202010432227 A CN202010432227 A CN 202010432227A CN 111612336 A CN111612336 A CN 111612336A
- Authority
- CN
- China
- Prior art keywords
- traffic
- pipeline
- area
- risk
- factors
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000012937 correction Methods 0.000 title claims abstract description 17
- 238000011156 evaluation Methods 0.000 claims abstract description 23
- 230000008569 process Effects 0.000 claims description 17
- 230000007797 corrosion Effects 0.000 claims description 15
- 238000005260 corrosion Methods 0.000 claims description 15
- 238000013461 design Methods 0.000 claims description 10
- 238000005314 correlation function Methods 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 4
- RVRCFVVLDHTFFA-UHFFFAOYSA-N heptasodium;tungsten;nonatriacontahydrate Chemical compound O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.[Na+].[Na+].[Na+].[Na+].[Na+].[Na+].[Na+].[W].[W].[W].[W].[W].[W].[W].[W].[W].[W].[W] RVRCFVVLDHTFFA-UHFFFAOYSA-N 0.000 claims description 3
- 238000013077 scoring method Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims 1
- 238000010276 construction Methods 0.000 abstract description 22
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 238000004458 analytical method Methods 0.000 abstract description 2
- 230000004927 fusion Effects 0.000 abstract 1
- 239000007789 gas Substances 0.000 description 17
- 239000003921 oil Substances 0.000 description 14
- 238000007726 management method Methods 0.000 description 13
- 230000015654 memory Effects 0.000 description 6
- 238000011160 research Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000003628 erosive effect Effects 0.000 description 3
- 239000012530 fluid Substances 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000003211 malignant effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000012502 risk assessment Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000003442 weekly effect Effects 0.000 description 2
- 229910001018 Cast iron Inorganic materials 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000003889 chemical engineering Methods 0.000 description 1
- 239000010779 crude oil Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000008595 infiltration Effects 0.000 description 1
- 238000001764 infiltration Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001314 paroxysmal effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000009991 scouring Methods 0.000 description 1
- 230000000192 social effect Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000008399 tap water Substances 0.000 description 1
- 235000020679 tap water Nutrition 0.000 description 1
- 230000007704 transition Effects 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
- F17D—PIPE-LINE SYSTEMS; PIPE-LINES
- F17D5/00—Protection or supervision of installations
- F17D5/02—Preventing, monitoring, or locating loss
-
- 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)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于大数据的油气管道失效因素修正方法，所述方法中引入了交通通行量与城建因素以及区域匹配参数，用以调整现有方式方法中的风险评估模式所获得的交通因素评估风险权重值，通过对于风险评估权重的辅助加权和融合及监测数据中对重型卡车等数据的分析，提高了油气管道失效因素权重的评判的准确性。
Description
技术领域
本发明主要涉及油气管道风险的控制领域，特别涉及于基于大数据的油气管道失效概率修正。
背景技术
油气管道是在一定压力下输运流体或气体的特种设备，已成为与公路、铁路、水运和航空并列的五大运输方式之一，广泛应用于原油、天然气、自来水、城市液化气以及流程工业领域中各种流体物料的输送，涉及到能源供应、企业生产、城市发展和人民生活等各个方面，其运行的可靠性直接关系到经济发展和公共安全，在国民经济中有着举足轻重的作用。管道在为人们提供输运方便的同时，也存在着极大的安全隐患，这主要体现在多相流腐蚀性介质对在役管道系统的冲蚀破坏。冲蚀破坏具有明显的局部性和突发性，特别在含水、腐蚀性、多相流介质流动下引起的冲蚀破坏更是复杂，导致管壁局部变薄，甚至穿孔。因流体管道失效常会造成生产装置停工、系统停运、甚至引发恶性事故，不仅给管道系统本身造成严重后果(如系统停输)，而且给社会和环境带来负面影响，引发恶性事故，直接威胁公众的安全，导致人身伤亡，社会负面影响巨大。
现有的对于失效管道的管理方法，主要是基于预测型的方式，大多数是基于先验的技术知识或专家评分，对数据的发生时间或失效的原因做出风险评价。目前国内管道的风险评价技术的研究处于从半定量向定量的过渡阶段，管道的风险等级评定大多处于半定量化阶段。类似的方法有，确立风险评估数据库用于保存实现风险评价模型算法的基础数据，其中所包含的数据从参数类型上考虑，包括管道基本参数、燃气性质数据和维护管理数据3个部分；从管道材质上考虑，包括钢管、铸铁管和PE管道3种类型，通过专家打分或肯特法来分析失效因素。
现有技术中，对于油气管道的失效的分析局限于油气领域没有扩展到交叉领域，并没有注意到大数据时代中，其他交叉领域中的信息对于油气管道失效模型的修正。本申请的油气管道施工一线人员在实际的风险处置中，注到交通保有量和通行量以及城市建设对于管道失效的风险评价结果存影响，而现有技术的方法并未关注到这一点，造成了评价结果的准确性受到影响。
发明内容
为解决上述技术问题中的之一，对现有的油气管道失效因素做出修正，本申请提出了一种基于大数据的油气管道失效修正方法。
步骤1.初始化，获取交通因素的评估权重值V，确定风险等级；对于管道区域执行网格划分，对于网格的划分可以依据地域特点，设置不同的区域指数，所述区域指数用于不同区域风险评价的加权；获取道路区域参数，将获取的道路区域与管道的区域执行相关匹配，获得匹配的相关值C；
步骤2.获取交通加权参数T(x,a,b)，所述交通加权参数通过由以下公式获得：
其中，所述x为观测所得的日均通行量，用以表征交通通行量，a，b为根据管道区域设定的初始日均通行量的值。
步骤3.根据获取到的交通因素的评估值权重值V，获取修正后的交通失效因素权重值Va，Va＝C*(T(x,a,b)+1)*V，调整风险等级。
当管道为城郊的路线时，将a的设置为300日通行量，b设置为850通行量。当为乡村道路时，日通行量的设置为a设置为60日通行量，b设置为200日通行量；
可选的，其中，当T(x,a,b)值大于1/2，且监测车辆类型中的卡车类型数量日通行量比例s超过1/2时，则直接跃阶设置交通T(x,a,b)值为1。
可选的，其中，当T(x,a,b)值大于1/2，当卡车日均比例s大于1/8小于1/2时，调整后的交通加权系数Tad(x,a,b)值为:T(x,a,b)*0.4*s+T(x,a,b)，当T(x,a,b)+T(x,a,b)*s*0.4>1时，取调整后的交通加权系数Tad(x,a,b)直接置为1。
可选的，所述初始化步骤A还包括，确定待评物元交通因素、第三方破坏，腐蚀、设计、操作管理5项风险特征，应用肯特评分方法得出各项风险特征值，确定量域和节域，建立同征物元体，确定关联函数；采用层次分析法分别计算为交通因素，第三方破坏、腐蚀因素、设计因素和操作管理因素的评估权重值，并进行一致性判断，然后确定风险等级。
所述步骤1中包括的初始化步骤具体为，初始化步骤A01：基于重构深度学习方法，根据管道失效的时空分布特点，形成管道失效的数据集，构建深度重构Elman模型；所述失效因素的参数模型包括第三方破坏、腐蚀因素、设计因素和操作管理因素；所述深度重构Elman模型包括：主网络和次网络；主网络具有前馈连接和反馈连接结构，含有局部记忆能力，主网络依次由输入层、承接层、中间层和输出层构成；次网络用于主网络初始化，次网络含有一个可视层和一个隐含层；
初始化步骤A02：根据限制玻耳兹曼机的特征，从管道失效因素数据集中随机选取部分数据，完成深度重构Elman模型的初始化；
初始化步骤A03：采用梯度下降算法，对深度重构Elman模型进行训练，得到能够对管道失效因素进行实时预测的深度重构Elman模型，以实时的城建信息、气象信息和/或交通行息因素作为Elman模型的输入，Elman模型输出为对应的实时管道失效因素，获取对应管道失效因素中交通因素评估权重值，以获取对应的风险评价。
可选的，对于相同交通量的不同区域的风险修正，分别乘以区域指数。所述区域指数设置分别对应于丘陵，平原，山地。
附图说明
图1本申请的方法示意流程图
具体实施方式
参看下面的说明以及附图，本公开的这些或其他特征和特点、操作方法、结构的相关元素的功能、部分的结合以及制造的经济性可以被更好地理解，其中说明和附图形成了说明书的一部分。然而，可以清楚地理解，附图仅用作说明和描述的目的，并不意在限定本公开的保护范围。可以理解的是，附图并非按比例绘制。本公开中使用了多种结构图用来说明根据本公开的实施例的各种变形。
随着城市扩张和城市规模的发展，以某北方城市市区为例，原有的现有的城市规模已经完全覆盖到了之前化工场所管道所在地，而目前的管道修正模式，并没有准确地考虑城市规模的扩大化因素对地下管道的受到变化的压力，多次出现过管道失效后的应急事件。
研究发现，对于地下管道而言，随着城市管道上路面交通流量的和排水管道的铺设等，使得原有管道受到的地面压力和地面下水流的冲刷等因素的影响权重越来越大。因此，有必要将城市规模扩增后的影响参数化，使用并结合到管道失效中去以提高预测的准确性。交通拥堵/通行参数与气象条件，气象参数会影响土壤降雨，从而影响到了腐蚀参数，同时交通拥堵参数标识出城市的扩展速度，在管道区域执行，交通拥堵参数可见对于交通路面的压力影响，以及城建因素的影响，从而获得扩张的速度和渣土类汽车的数量，进而执行对于参数模型的调整。
工程实践中注意到，交通拥堵/通行系数，保有量的汽车尾气的排放等会对管道失效造成影响。比如，在降雨过程带来雨的水渗透，重型汽车持续对路面的碾压，都会导致铺设地表压力的变化，从而影响管道的受力，再者降雨本身的酸性程度都会使得管道的失效受到影响。根据现有的工地抢修工程实施中，如某南方城市的基建设施频率提升会相互影响到管道的失效，而旧的方法并为对该参数做出合理的区分，导致网络管道失效因素的通常权重值和概率值并不准确，连续发生应急事故。目前关于管道失效的方式方法，具有存在机器学习和训练，人工评价和历史数据加专家评估和仿真软件模拟等。本申请是对于上述方式所获得的评价方法依据大数据执行修正。
实施例1
如图1所示，基于大数据网络的连接，通过对于数据网络获得能够获得各种卡口的交通行息，由城建规划网站提取获城市规划数据报告的所需的参数，而对于降雨信息等，也可以根据城市环境网络网站及时获取到上述参数。
所述规划参数的提取，可以是以关键词聚焦的方式选定，也可以是结合TI字段或正文全文搜索匹配的方式执行。同理降雨信息等，可以用模板式的参数提取方式。
可选的，首先针对缓存中保存的最近一段时间(例如，一个月)的监测指标数据，根据训练出的危险状况模型以及机器学习，神经网络等方法，分析各项各项数据指标的相对变化趋势，通过现有的方法计算出当前可能出现的危险类型和等级并在出现危险状况的失效状况。
示例性的，初始化步骤，确定待评物元交通因素、第三方破坏，腐蚀、设计、操作管理等5项风险特征，应用肯特评分方法得出各项风险特征值，确定量域和节域，建立同征物元体，确定关联函数；采用层次分析法分别计算为交通因素，第三方破坏、腐蚀因素、设计因素和操作管理因素的权重，并进行一致性判断，然后确定风险等级。
步骤1.首先对于管道区域，执行网格划分，对于网格的划分可以依据地域特点，设置不同的区域指数；获取管理区域参数，所述管理区域参数包括交通拥堵/加权参数和/或城建的规划参数，将上述参数对应的区域与管道的区域执行匹配，获得区别匹配的相关值C。
可选的是交通卡口路线与管道敷设线路之间的重叠程度，即相互之间的距离远近等。
当执行不同的比较时区域指数，是体现该区域的类型，比如山区地形，丘陵地形，平原地形等，是对于管道风险的不同区域的比较时可以做加权处理。如相同的交通量，但是两个城市所处的地形区域不同，则加权的风险值不同。所述区域指数，可以根据专家评价打分而设定，也可以根据系统中存有的历史数据而设定。
可选的获取交通加权参数T(x,a,b)方式为
其中，所述x可以日，周，月为计算单元，用以表征本月内的交通通行数据量。X具体可是获取该区域的管道区域的交通流量递增参数，或交通通行量流量或月均，周均，或日均通行量。
T(x,a,b)为对于油气管道的交通加权系数，用以对交通风险等级执行加权处理，交通参数因数的评价，a,b可以根据x表征的参数而设置。
研究发现，通常选用对于某一区域内的交通通行量能够较为快捷地执行运算。依据区域的规模来获得该区域的通行量，由于管道的一般都是集中于城郊的路线，实际的参数对比过程中，当管道的区域为城郊的路线时，将a的设置为300日通行量，b设置为850通行量。当为乡村道路时，日通行量的设置为a设置60日通行量，b设置为200日通行量。
由于交通系数中融合有腐蚀参数和城建系数，即在城市建设过程中，当某一时间的渣土类卡车的交通量陡增时，能够代表该区域的基础建设在加强。为此，也可以将城建区域地图和管道线路做匹配，单独或结合交通卡口的匹配做距离的相关函数，也可以是选取多个特征点做相关匹配，并将上述相关度代入到管道失效风险修正中去，可以方式，C1*0.4+0.6*C2的方式获得C。C1是交通量的关键值，C2是城建区域匹配关值。研究发现由于交通的通行量与城建量中卡车类型的通行数据存在契合，在实际修正的过程中提取出卡车的类型数据量，T(x,a,b)大于1/2时，且当卡车的类型数量日通行量比例s超过1/2时，则对于上述交通T(x,a,b)的加权系数直接取值为1；当在1/8到1/2时，对于交通加权系数T(x,a,b)*0.4乘以卡车类型所占的比例s的增量做调整,增量为：T(x,a,b)*s*0.4,调整后的交通加权系数Tad(x,a,b)为：T(x,a,b)+T(x,a,b)*s*0.4，当T(x,a,b)+T(x,a,b)*s*0.4>1时，取调整后的交通加权系数为1。占比小于等于1/8时不调整。
将上述加权后的特征值与通过现有技术的采用层次分析法分别计算为交通因素，第三方破坏、腐蚀因素、设计因素和操作管理因素的权重，并进行一致性判断，然后确定风险等级，从而调整交通因素的权值。即将交通因素的加权值，在原有的基础上之前，权重系数增加C*T(x,a,b)倍。
通过油气管道的失效修正仿真发现，采用该参数设置，能够拟合现有的某市的风险评估失效修正系数，如某地地铁施工频繁，对于管道路口处的卡车通行量等的观测，采用在现有的仿真风险结果后执行修正。
实施例2
基于大数据网络的连接，通过对于数据网络的获得能够获得各种卡口的交通行息，通过城建规划网站也能够获取到城市规划数据报告的阐述，而对于降雨信息等，也可以根据城市环境网络网站及时获取到上述参数。
可选的，首先针对缓存中保存的最近一段时间(例如，一个月)的监测指标数据，根据训练出的危险状况模型以及机器学习，神经网络等方法，分析各项各项数据指标的相对变化趋势，通过现有的方法计算出当前可能出现的危险类型和等级并在出现危险状况的失效状况。
初始化步骤A01：基于重构深度学习方法，根据管道失效的时空分布特点，形成管道失效的数据集，构建深度重构Elman模型；所述失效因素的参数模型包括第三方破坏、腐蚀因素、设计因素和操作管理因素；所述深度重构Elman模型包括：主网络和次网络；主网络具有前馈连接和反馈连接结构，含有局部记忆能力，主网络依次由输入层、承接层、中间层和输出层构成；次网络用于主网络初始化，次网络含有一个可视层和一个隐含层；
初始化步骤A02：根据限制玻耳兹曼机的特征，从管道失效因素数据集中随机选取部分数据，完成深度重构Elman模型的初始化；
初始化步骤A03：采用梯度下降算法，对深度重构Elman模型进行训练，得到能够对管道失效因素进行实时预测的深度重构Elman模型，以实时的城建信息、气象信息和/或交通行息因素作为Elman模型的输入，Elman模型输出为对应的实时管道失效因素；所述管道失效因素中包括，第三方破坏、腐蚀因素、设计因素和操作管理因素。所述路网信息包括路段车道数、油气管道与道边距离；所述气象信息包括温度、湿度、天气、风速和风向；所述交通行息车辆比例、车流量、通过时间、停止时间和拥塞时间。
步骤1.首先对于管道区域，执行网格划分，对于网格的划分可以依据地域特点，设置不同的区域指数；获取管理区域参数，所述管理区域参数包括交通拥堵/加权参数和/或城建的规划参数，将上述参数对应的区域与管道的区域执行匹配，获得区别匹配的相关值C。可选的，步骤1中可包含初始化的步骤。
可选的是交通卡口路线与管道敷设线路之间的重叠程度，即相互之间的距离远近等。
当执行不同的比较时，区域指数是体现该区域的类型，比如山区地形，丘陵地形，平原地形等，是对于管道风险的不同区域的比较时可以做加权处理。如相同的交通量，但是两个城市所处的地形区域不同，则加权的风险值不同。所述区域指数，可以根据专家评价打分而设定，也可以根据系统中存有的历史数据而设定。
可选的获取交通加权参数T(x,a,b)方式为
其中，所述x可以日，周，月为计算单元，用以表征本月内的交通通行数据量。x具体可是获取该区域的管道区域的交通流量递增参数，或交通通行量流量或月均，周均，或日均通行量。
T(x,a,b)为对于油气管道的交通加权系数，用以对交通风险等级执行加权处理，交通参数因数的评价，a,b可以根据x表征的参数而设置。
研究发现，通常选用对于某一区域内的交通通行量能够较为快捷地执行运算。依据区域的规模来获得该区域的通行量，由于管道的一般都是集中于城郊的路线，实际的参数对比过程中，当管道的区域为城郊的路线时，将a的设置为300日通行量，b设置为850通行量。当为乡村道路时，日通行量的设置为a设置60日通行量，b设置为200日通行量。
由于交通系数中融合有腐蚀参数和城建系数，即在城市建设过程中，当某一时间的渣土类卡车的交通量陡增时，能够代表该区域的基础建设在加强。为此，也可以将城建区域地图和管道线路做匹配，单独或结合交通卡口的匹配做距离的相关函数，也可以是选取多个特征点做相关匹配，并将上述相关度代入到管道失效风险修正中去，可以方式，C1*0.4+0.6*C2的方式获得C。C1是交通量的关键值，C2是城建区域匹配关值。研究发现由于交通的通行量与城建量中卡车类型的通行数据存在契合，在实际修正的过程中提取出卡车的类型数据量，T(x,a,b)大于1/2时，且当卡车的类型数量日通行量比例s超过1/2时，则对于上述交通T(x,a,b)的加权系数直接取值为1；当在1/8到1/2时，对于交通加权系数T(x,a,b)*0.4乘以卡车类型所占的比例s的增量做调整,增量为：T(x,a,b)*s*0.4,调整后的交通加权系数Tad(x,a,b)为：T(x,a,b)+T(x,a,b)*s*0.4，当T(x,a,b)+T(x,a,b)*s*0.4>1时，取调整后的交通加权系数为1。
获取对应的管道失效因素中的交通因素包含交通因素的，第三方破坏和腐蚀因素，执行加权。所述第三方破坏因素。第三方破坏因素，为卡车所占部分的加权的因素，而腐蚀因素为整个交通量的加权系数。
本领域技术人员可以理解，实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)、随机存储记忆体(Random AccessMemory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，缩写：HDD)或固态硬盘(Solid-State Drive，SSD)等；所述存储介质还可以包括上述种类的存储器的组合。
如在本申请所使用的，术语“组件”、“模块”、“系统”等等旨在指代计算机相关实体，该计算机相关实体可以是硬件、固件、硬件和软件的结合、软件或者运行中的软件。例如，组件可以是，但不限于是：在处理器上运行的处理、处理器、对象、可执行文件、执行中的线程、程序和/或计算机。作为示例，在计算设备上运行的应用和该计算设备都可以是组件。一个或多个组件可以存在于执行中的过程和/或线程中，并且组件可以位于一个计算机中以及/或者分布在两个或更多个计算机之间。此外，这些组件能够从在其上具有各种数据结构的各种计算机可读介质中执行。这些组件可以通过诸如根据具有一个或多个数据分组(例如，来自一个组件的数据，该组件与本地系统、分布式系统中的另一个组件进行交互和/或以信号的方式通过诸如互联网之类的网络与其它系统进行交互)的信号，以本地和/或远程过程的方式进行通行。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (8)
1.一种基于大数据的管道失效因素修正方法，其特征在于：
步骤1.初始化以获取交通因素的评估权重值V，并确定风险等级；对于管道区域执行网格划分，对于网格的划分可以依据地域特点，设置不同的区域指数，所述区域指数用于不同区域风险评价的加权；
获取道路区域参数，将获取的道路区域参数对应的道路区域与管道的区域执行相关匹配，获得匹配的相关值C；
步骤2.获取交通加权参数T(x,a,b)，所述交通加权参数通过由以下公式获得：
其中，所述x为观测所得的日均通行量，用以表征交通通行量，a，b为根据管道区域设定的初始日均通行量的值；当管道区域为城郊的路线时，将a设置为300日通行量，b设置为850日通行量；
步骤3.根据获取到的交通因素的评估值权重值V，获取修正后的交通失效因素权重值Va,Va＝C*(T(x,a,b)+1)*V，并调整风险等级。
2.根据权利要求1所述的方法，其特征在于，其中，当管道区域为乡村道路时，日通行量的设置为a设置为60日通行量，b设置为200日通行量。
3.根据权利要求1-2任一所述的方法，其特征在于，其中，当T(x,a,b)值大于1/2，且监测车辆类型中的卡车类型数量日通行量占比s超过1/2时，则直接跃阶设置交通T(x,a,b)值为1。
4.根据权利要求1-2任一所述的方法，其特征在于，其中，当T(x,a,b)值大于1/2，当卡车日均占比s大于1/8小于等于1/2时，调整后的交通加权系数T(x,a,b)值为:T(x,a,b)*0.4*s+T(x,a,b)，当T(x,a,b)+T(x,a,b)*s*0.4>1时，取调整后的交通加权系数T(x,a,b)直接置为1。
5.根据权利要求4所述的方法，其特征在于，其中所述初始化步骤具体为：确定待评物元交通因素、第三方破坏，腐蚀、设计、操作管理5项风险特征，应用肯特评分方法得出各项风险特征值，确定量域和节域，建立同征物元体，确定关联函数；采用层次分析法分别计算：交通因素，第三方破坏、腐蚀因素、设计因素和操作管理因素的评估权重值，并进行一致性判断，然后确定风险等级。
6.根据权利要求5所述的方法，其特征在于，对于相同交通量的不同区域的风险修正，分别乘以区域指数。
7.根据权利要求6所述的方法，其特征在于，所述区域指数分别对应于丘陵，平原，山地成映射关系。
8.一种计算机存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被处理器执行权利要求1-7任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010432227.9A CN111612336B (zh) | 2020-05-20 | 2020-05-20 | 一种基于大数据的油气管道失效因素修正方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010432227.9A CN111612336B (zh) | 2020-05-20 | 2020-05-20 | 一种基于大数据的油气管道失效因素修正方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111612336A true CN111612336A (zh) | 2020-09-01 |
| CN111612336B CN111612336B (zh) | 2022-04-08 |
Family
ID=72200360
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010432227.9A Active CN111612336B (zh) | 2020-05-20 | 2020-05-20 | 一种基于大数据的油气管道失效因素修正方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111612336B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112418637A (zh) * | 2020-11-18 | 2021-02-26 | 青岛理工大学 | 一种湖泊富营养化的水环境评价方法 |
| CN116123988A (zh) * | 2023-04-14 | 2023-05-16 | 国家石油天然气管网集团有限公司 | 一种基于数据处理的管道几何变形检测方法及系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101221633A (zh) * | 2007-06-19 | 2008-07-16 | 广州市煤气公司 | 基于穆氏模型的燃气管道风险评估方法 |
| JP2009223718A (ja) * | 2008-03-18 | 2009-10-01 | Fujitsu Ltd | 数値解析レベルの評価方法 |
| CN102799766A (zh) * | 2012-06-19 | 2012-11-28 | 常州大学 | 一种城市燃气管道风险等级定量评定方法及其应用 |
| CN104715163A (zh) * | 2015-04-10 | 2015-06-17 | 中国石油大学(华东) | 一种埋地油气管道风险评估方法 |
| WO2016129124A1 (ja) * | 2015-02-13 | 2016-08-18 | 株式会社Ｕｂｉｃ | データ分析システム、データ分析方法、およびデータ分析プログラム |
| CN108345976A (zh) * | 2017-01-24 | 2018-07-31 | 中国石油化工股份有限公司 | 一种长输油气管道动态风险评估方法及装置 |
| CN108805374A (zh) * | 2017-05-02 | 2018-11-13 | 中国石油化工股份有限公司 | 一种用于原油长输管道环境风险评估的方法 |
-
2020
- 2020-05-20 CN CN202010432227.9A patent/CN111612336B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101221633A (zh) * | 2007-06-19 | 2008-07-16 | 广州市煤气公司 | 基于穆氏模型的燃气管道风险评估方法 |
| JP2009223718A (ja) * | 2008-03-18 | 2009-10-01 | Fujitsu Ltd | 数値解析レベルの評価方法 |
| CN102799766A (zh) * | 2012-06-19 | 2012-11-28 | 常州大学 | 一种城市燃气管道风险等级定量评定方法及其应用 |
| WO2016129124A1 (ja) * | 2015-02-13 | 2016-08-18 | 株式会社Ｕｂｉｃ | データ分析システム、データ分析方法、およびデータ分析プログラム |
| CN104715163A (zh) * | 2015-04-10 | 2015-06-17 | 中国石油大学(华东) | 一种埋地油气管道风险评估方法 |
| CN108345976A (zh) * | 2017-01-24 | 2018-07-31 | 中国石油化工股份有限公司 | 一种长输油气管道动态风险评估方法及装置 |
| CN108805374A (zh) * | 2017-05-02 | 2018-11-13 | 中国石油化工股份有限公司 | 一种用于原油长输管道环境风险评估的方法 |
Non-Patent Citations (1)
| Title |
|---|
| 马冬莲: "燃气灰口铸铁管道风险评价及泄露扩散模拟", 《中国优秀硕士学位论文全文数据库（电子期刊）》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112418637A (zh) * | 2020-11-18 | 2021-02-26 | 青岛理工大学 | 一种湖泊富营养化的水环境评价方法 |
| CN116123988A (zh) * | 2023-04-14 | 2023-05-16 | 国家石油天然气管网集团有限公司 | 一种基于数据处理的管道几何变形检测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111612336B (zh) | 2022-04-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Qin et al. | Risk assessment for oil leakage under the common threat of multiple natural hazards | |
| Kourgialas et al. | Flood management and a GIS modelling method to assess flood-hazard areas—a case study | |
| Jeong et al. | Prediction of flexible pavement deterioration in relation to climate change using fuzzy logic | |
| Gao et al. | The use of decision tree based predictive models for improving the culvert inspection process | |
| CN111612336B (zh) | 一种基于大数据的油气管道失效因素修正方法 | |
| US8595178B2 (en) | Prioritizing bridges to repair based on risk | |
| CN111859779B (zh) | 一种燃气管网防第三方施工破坏风险预警的方法及装置 | |
| Wu et al. | Dynamic risk analysis for adjacent buildings in tunneling environments: a Bayesian network based approach | |
| Sultana et al. | Deterioration of flood affected Queensland roads–An investigative study | |
| Li et al. | Construction and application of sponge city resilience evaluation system: a case study in Xi’an, China | |
| CN115146714A (zh) | 一种地下空间塌陷相关的大数据治理方法 | |
| Li et al. | Flood risk assessment of artificial islands under compound rain-tide-wind effects during tropical cyclones | |
| Liao et al. | Updating secondary climate attributes for transportation infrastructure management | |
| JP4152423B2 (ja) | 点検業務に利用可能な評点式データシートに基づく健全性評価システム | |
| Yuan et al. | Comprehensive assessment and rechecking of rainfall threshold for flash floods based on the disaster information | |
| Moteleb | Risk based decision making tools for sewer infrastructure management | |
| Apollonio et al. | Preventive approach to reduce risk caused by failure of a rainwater drainage system: the case study of Corato (Southern Italy) | |
| Omura et al. | Viaduct maintenance for future traffic demands and earthquakes | |
| Uslu | Development of protocols and methods for predicting the remaining economic life of wastewater pipe infrastructure assets | |
| Alzaabi | Development of a Flexible Pavement Design Protocol for the UAE Based on the Mechanistic-Empirical Pavement Design Guide | |
| Curra et al. | A GIS-based platform for bridge scour risk assessment using the HYRISK model | |
| CN117494590B (zh) | 建筑设施抗震性能的评估方法、装置、设备及存储介质 | |
| Hasan et al. | Life Cycle Cost Analysis of Corrugated Metal Pipes in Arkansas | |
| Dun et al. | Canal breach risk assessment for improved asset management | |
| Ariza et al. | Dynamic risk-based predictive models |
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 |