CN111881619A - 基于matlab工具箱的bp神经网络实现管件冲蚀缺陷的预测方法 - Google Patents
基于matlab工具箱的bp神经网络实现管件冲蚀缺陷的预测方法 Download PDFInfo
- Publication number
- CN111881619A CN111881619A CN202010669371.4A CN202010669371A CN111881619A CN 111881619 A CN111881619 A CN 111881619A CN 202010669371 A CN202010669371 A CN 202010669371A CN 111881619 A CN111881619 A CN 111881619A
- Authority
- CN
- China
- Prior art keywords
- pipe
- neural network
- pipe fitting
- erosion
- model
- 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
- 230000003628 erosive effect Effects 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 35
- 230000007547 defect Effects 0.000 title claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 34
- 238000003062 neural network model Methods 0.000 claims abstract description 7
- 238000012360 testing method Methods 0.000 claims abstract description 4
- 239000004576 sand Substances 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 238000013461 design Methods 0.000 claims description 5
- 239000007788 liquid Substances 0.000 claims description 4
- 239000002253 acid Substances 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000020477 pH reduction Effects 0.000 claims description 3
- 238000003466 welding Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/14—Pipes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Optimization (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Analysis (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及物联领域，具体涉及一种方法简单、预测准确的基于MATLAB工具箱的BP神经网络实现管件冲蚀缺陷的预测方法。基于MATLAB工具箱的BP神经网络实现管件冲蚀缺陷的预测方法，包括以下步骤：a、在MATLAB中建立管件冲蚀预测模型；b、管件冲蚀速率预测神经网络模型的训练；c、管件冲蚀速率预测模型预测结果的检验；d、GUI界面的编制；e、管件剩余寿命的预测。本发明的基于MATLAB工具箱的BP神经网络实现管件冲蚀缺陷的预测方法，首先在MATLAB中建立管件冲蚀预测模型；然后进行管件冲蚀速率预测神经网络模型的训练；接着进行管件冲蚀速率预测模型预测结果的检验；然后GUI界面的编制；最后获得管件剩余寿命的预测结果，具有方法简单、预测方便准确的特点。
Description
技术领域
本发明涉及物联领域，具体涉及一种方法简单、预测准确的基于MATLAB工具箱的BP神经网络实现管件冲蚀缺陷的预测方法。
背景技术
造成管件冲蚀的因素有很多，包括累计运行时间、施工的压力、总液量、总砂量以及施工方式等等。各个因素不是独立存在的，而是共同作用造成管件不同程度的冲蚀。因此，在分析管件冲蚀情况时，需要综合考虑上述各因素之间的关联，并在此基础上对管件冲蚀进行准确的预测。目前管件冲蚀的预测法一般有以下三类。
(1)以管件管体力学、冲蚀机理与载荷性质为基础的管件评价预测评估方法；
(2)根据管件服役期检测得到的冲蚀数据，以现有冲蚀数据为基础建立的冲蚀预测模型；
(3)以应用系统故障树分析和人工神经网络为基础的预测评估法。
上述方法存在局限性，在对管件冲蚀预测中具有较多偏差、预测不准确，影响了施工作业的准确判断。
发明内容
针对现有技术中的缺陷，本发明提供一种方法简单、预测准确的基于MATLAB工具箱的BP神经网络实现管件冲蚀缺陷的预测方法。
本发明解决上述问题所采取的方案是：基于MATLAB工具箱的BP神经网络实现管件冲蚀缺陷的预测方法，包括以下步骤：
a、在MATLAB中建立管件冲蚀预测模型；
b、管件冲蚀速率预测神经网络模型的训练；
c、管件冲蚀速率预测模型预测结果的检验；
d、GUI界面的编制；
e、管件剩余寿命的预测。
进一步地，为了更好的实现本发明，在所述的步骤a中，在建立管件冲蚀预测模型时，对非数值型数据进行处理，这些数据包括生产厂家、管件的规格型号。
进一步地，为了更好的实现本发明，根据模型输出参量的不同，分为一个输出的模型和多个输出的模型。
进一步地，为了更好的实现本发明，所述的步骤b中，分别对每种管件建立一个预测模型，训练过程中BP神经网络的输出与实际输出之间的误差逐渐减小，直到达到最小误差。
进一步地，为了更好的实现本发明，所述的步骤c中，定义误差计算公式如下：
进一步地，为了更好的实现本发明，所述的步骤d中，GUI界面的编制以基本的MATLAB程序设计为主设计编制GUI界面。
进一步地，为了更好的实现本发明，所述的GUI界面使用方法为:
(1)将含有BP神经网络训练数据的“Finally”EXCEL文件夹独立放置于磁盘；
(2)在运行界面选择需要预测的管件；
(3)点击“训练”按钮开始训练BP神经网络预测模型；当模型训练完毕，即预测模型建立完毕，点击“训练”按钮再次进行训练，直到获得需要的预测模型后，停止训练；
(4)输入想要预测管件的累计运行时长、管件最高施工压力、管件平均压力、总液量、总砂量、总酸量、管件的规格、设备编号、加砂时间、酸化时间、生产厂家；
(5)点击“预测”按钮进行计算并将结果显示于界面上。
将含有BP神经网络训练数据的“Finally”EXCEL文件夹独立放置于C盘，使之名称不可更改。
进一步地，为了更好的实现本发明，所述的步骤e中，使用训练好的管件模型，输入各输入参量，其中设输入的管件累计运行时间为y1，预测出该时间点管件的壁厚h1，之后更改时间为y2，预测出一个壁厚h2；那么便能得到管件冲蚀的速率：
式中v—管件冲蚀速率，m/s；
进一步地，为了更好的实现本发明，计算管件要求最小壁厚tmin，首先确定环向要求最小壁厚
和轴向最小壁厚的
值，选择他们中较大的一个作为管道要求最小壁厚；
式中P—管道设计压力，MPa；
D—管道外径，m；
σs—管材的最小屈服强度，MPa；
F—强度设计系数，取0.8；
φ—焊缝系数，取1.0；
β—2倍的泊松比；
这样得到管件的允许最小壁厚后，就能预测管件的剩余寿命；
ys
式中为管件剩余寿命，h；
tx为管件当前壁厚，m。
本发明的有益效果体现在：本发明的基于MATLAB工具箱的BP神经网络实现管件冲蚀缺陷的预测方法，首先在MATLAB中建立管件冲蚀预测模型；然后进行管件冲蚀速率预测神经网络模型的训练；接着进行管件冲蚀速率预测模型预测结果的检验；然后GUI界面的编制；最后获得管件剩余寿命的预测结果，具有方法简单、预测方便准确的特点。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。
图1为本发明的基于MATLAB工具箱的BP神经网络实现管件冲蚀缺陷的预测方法的一种流程框图。
具体实施方式
下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案，因此只作为示例，而不能以此来限制本发明的保护范围。
需要注意的是，除非另有说明，本申请使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。
实施例1：
如图1所示，本发明的基于MATLAB工具箱的BP神经网络实现管件冲蚀缺陷的预测方法，包括以下步骤：
a、在MATLAB中建立管件冲蚀预测模型；
b、管件冲蚀速率预测神经网络模型的训练；
c、管件冲蚀速率预测模型预测结果的检验；
d、GUI界面的编制；
e、管件剩余寿命的预测。
本发明的基于MATLAB工具箱的BP神经网络实现管件冲蚀缺陷的预测方法，首先在MATLAB中建立管件冲蚀预测模型；然后进行管件冲蚀速率预测神经网络模型的训练；接着进行管件冲蚀速率预测模型预测结果的检验；然后GUI界面的编制；最后获得管件剩余寿命的预测结果，具有方法简单、预测方便准确的特点。
实施例2：
本实施例在上述实施例的基础上做进一步优化，在所述的步骤a中，在建立管件冲蚀预测模型时，对非数值型数据进行处理，这些数据包括生产厂家、管件的规格型号。具体处理规则如下：
生产厂家：
生产厂家为FMC则输入数字1；生产厂家为SJ则输入数字2；生产厂家为SPM则输入数字3；生产厂家为内江宏生则输入数字4；生产厂家为HLBT则输入数字5。
规格型号：
对于规格数字这一栏，除了下面A、B的特殊情况外，一律根据管件的规格
选择填入1502或者2002，管件规格的其余参数不用管。(若是管件规格型号中写的1505那么也填1502)
(A)如果所选管件为井口法兰，则按以下来操作：根据规格填入105或者140。
(B)如果所选管件为旋塞阀，则按以下操作：规格中出现了×1.75或者2002×2.75的情况一律填1.75；其余情况请填2.75。
实施例3：
本实施例在上述实施例的基础上做进一步优化，根据模型输出参量的不同，分为一个输出的模型和多个输出的模型。其中高压直管、高压弯头为三个输出的模型；T型三通、单流阀、歧管三通、井口法兰、双公短接、旋塞阀为一个输出的模型。模型的输入层有十个参量，中间设置一层隐含层，共有15个神经元，两种模型的输出层分别为3个壁厚，1个壁厚。
实施例4：
本实施例在上述实施例的基础上做进一步优化，所述的步骤b中，分别对每种管件建立一个预测模型，训练过程中BP神经网络的输出与实际输出之间的误差逐渐减小，直到达到最小误差。现在列举高压直管和T型三通用于训练的部分数据。
高压直管
将高压直管用于训练的部分数据列于表1.1。
表1.1高压直管部分冲蚀数据
(1)T型三通
将T型三通用于训练的部分数据列于表1.2。
表1.2 T型三通部分冲蚀数据
实施例5：
本实施例在上述实施例的基础上做进一步优化，所述的步骤c中，定义误差计算公式如下：
(1)T型三通
表1.3模型预测-T型三通
从表1.3可以看出，模型预测值的误差基本在30％以内，属于有较好的精确度。
(2)高压直管
表1.4模型预测-高压直管
从表1.4可以看出，模型预测值的误差基本在30％以内，属于有较好的精确度。
(3)单流阀
表1.5模型预测-单流阀
从表1.5可以看出，模型预测值的误差基本在20％以内，属于有较好的精确度。
(4)高压弯头
表1.6模型预测-高压弯头
从表1.6可以看出，模型预测值误差有大有小，最大在35.7％，也算符合大致预测的要求，总体来看精度也算不错。
(5)歧管三通
表1.7模型预测-歧管三通
从表1.7可以看出，模型预测值误差基本在30％以内，属于有较好的精确度。
(6)井口法兰
表1.8模型预测-井口法兰
从表1.8可以看出，模型预测值误差基本在10％以内，属于有较好的精确度。
(7)双公短接
表1.9模型预测-双公短接
从表1.9可以看出，模型预测值误差基本在20％以内，属于有较好的精确度。
(8)旋塞阀
表1.10模型预测-旋塞阀
从表1.10可以看出，除了个别数据误差达到30％，其余数据误差基本在20％以内，属于有较好的精确度。
实施例6：
本实施例在上述实施例的基础上做进一步优化，所述的步骤d中，GUI界面的编制以基本的MATLAB程序设计为主设计编制GUI界面；所述的GUI界面使用方法为:
(1)将含有BP神经网络训练数据的“Finally”EXCEL文件夹独立放置于磁盘；
(2)在运行界面选择需要预测的管件；
(3)点击“训练”按钮开始训练BP神经网络预测模型；当模型训练完毕，即预测模型建立完毕，点击“训练”按钮再次进行训练，直到获得需要的预测模型后，停止训练；
(4)输入想要预测管件的累计运行时长、管件最高施工压力、管件平均压力、总液量、总砂量、总酸量、管件的规格、设备编号、加砂时间、酸化时间、生产厂家；
(5)点击“预测”按钮进行计算并将结果显示于界面上。
作为优选的，将含有BP神经网络训练数据的“Finally”EXCEL文件夹独立放置于C盘，使之名称不可更改。
实施例7：
本实施例在上述实施例的基础上做进一步优化，所述的步骤e中，使用训练好的管件模型，输入各输入参量，其中设输入的管件累计运行时间为y1，预测出该时间点管件的壁厚h1，之后更改时间为y2，预测出一个壁厚h2；那么便能得到管件冲蚀的速率：
式中v—管件冲蚀速率，m/s；
实施例8：
本实施例在上述实施例的基础上做进一步优化，计算管件要求最小壁厚tmin，首先确定环向要求最小壁厚
和轴向最小壁厚的
值，选择他们中较大的一个作为管道要求最小壁厚；
式中P—管道设计压力，MPa；
D—管道外径，m；
σs—管材的最小屈服强度，MPa；
F—强度设计系数，取0.8；
φ—焊缝系数，取1.0；
β—2倍的泊松比；
这样得到管件的允许最小壁厚后，就能预测管件的剩余寿命；
式中ys为管件剩余寿命，h；
tx为管件当前壁厚，m。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (10)
1.基于MATLAB工具箱的BP神经网络实现管件冲蚀缺陷的预测方法，其特征在于包括以下步骤：
a、在MATLAB中建立管件冲蚀预测模型；
b、管件冲蚀速率预测神经网络模型的训练；
c、管件冲蚀速率预测模型预测结果的检验；
d、GUI界面的编制；
e、管件剩余寿命的预测。
2.根据权利要求1所述的基于MATLAB工具箱的BP神经网络实现管件冲蚀缺陷的预测方法，其特征在于：在所述的步骤a中，在建立管件冲蚀预测模型时，对非数值型数据进行处理，这些数据包括生产厂家、管件的规格型号。
3.根据权利要求2所述的基于MATLAB工具箱的BP神经网络实现管件冲蚀缺陷的预测方法，其特征在于：根据模型输出参量的不同，分为一个输出的模型和多个输出的模型。
4.根据权利要求1所述的基于MATLAB工具箱的BP神经网络实现管件冲蚀缺陷的预测方法，其特征在于：所述的步骤b中，分别对每种管件建立一个预测模型，训练过程中BP神经网络的输出与实际输出之间的误差逐渐减小，直到达到最小误差。
5.根据权利要求1所述的基于MATLAB工具箱的BP神经网络实现管件冲蚀缺陷的预测方法，其特征在于：所述的步骤c中，定义误差计算公式如下：
6.根据权利要求1所述的基于MATLAB工具箱的BP神经网络实现管件冲蚀缺陷的预测方法，其特征在于：所述的步骤d中，GUI界面的编制以基本的MATLAB程序设计为主设计编制GUI界面。
7.根据权利要求6所述的基于MATLAB工具箱的BP神经网络实现管件冲蚀缺陷的预测方法，其特征在于：所述的GUI界面使用方法为:
(1)将含有BP神经网络训练数据的“Finally”EXCEL文件夹独立放置于磁盘；
(2)在运行界面选择需要预测的管件；
(3)点击“训练”按钮开始训练BP神经网络预测模型；当模型训练完毕，即预测模型建立完毕，点击“训练”按钮再次进行训练，直到获得需要的预测模型后，停止训练；
(4)输入想要预测管件的累计运行时长、管件最高施工压力、管件平均压力、总液量、总砂量、总酸量、管件的规格、设备编号、加砂时间、酸化时间、生产厂家；
(5)点击“预测”按钮进行计算并将结果显示于界面上。
8.根据权利要求7所述的基于MATLAB工具箱的BP神经网络实现管件冲蚀缺陷的预测方法，其特征在于：将含有BP神经网络训练数据的“Finally”EXCEL文件夹独立放置于C盘，使之名称不可更改。
9.根据权利要求1所述的基于MATLAB工具箱的BP神经网络实现管件冲蚀缺陷的预测方法，其特征在于：所述的步骤e中，使用训练好的管件模型，输入各输入参量，其中设输入的管件累计运行时间为y1，预测出该时间点管件的壁厚h1，之后更改时间为y2，预测出一个壁厚h2；那么便能得到管件冲蚀的速率：
式中v—管件冲蚀速率，m/s。
10.根据权利要求9所述的基于MATLAB工具箱的BP神经网络实现管件冲蚀缺陷的预测方法，其特征在于：计算管件要求最小壁厚tmin，首先确定环向要求最小壁厚
和轴向最小壁厚的
值，选择他们中较大的一个作为管道要求最小壁厚；
式中P—管道设计压力，MPa；
D—管道外径，m；
σs—管材的最小屈服强度，MPa；
F—强度设计系数，取0.8；
φ—焊缝系数，取1.0；
β—2倍的泊松比；
这样得到管件的允许最小壁厚后，就能预测管件的剩余寿命；
式中ys为管件剩余寿命，h；
tx为管件当前壁厚，m。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010669371.4A CN111881619A (zh) | 2020-07-13 | 2020-07-13 | 基于matlab工具箱的bp神经网络实现管件冲蚀缺陷的预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010669371.4A CN111881619A (zh) | 2020-07-13 | 2020-07-13 | 基于matlab工具箱的bp神经网络实现管件冲蚀缺陷的预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111881619A true CN111881619A (zh) | 2020-11-03 |
Family
ID=73151447
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010669371.4A Pending CN111881619A (zh) | 2020-07-13 | 2020-07-13 | 基于matlab工具箱的bp神经网络实现管件冲蚀缺陷的预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111881619A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112580264A (zh) * | 2020-12-25 | 2021-03-30 | 中国人民解放军国防科技大学 | 基于bp神经网络算法的损伤点尺寸分布预测方法及系统 |
| CN116305949A (zh) * | 2023-03-21 | 2023-06-23 | 河海大学 | 一种基于表单程序实现供水管线破坏与服役寿命预测方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH08178172A (ja) * | 1994-12-27 | 1996-07-12 | Toshiba Corp | 機器及び配管装置類のエロージョン・コロージョンによる減肉計算及び評価法 |
| CN103455682A (zh) * | 2013-09-12 | 2013-12-18 | 西南石油大学 | 一种预测高温高压井腐蚀套管剩余寿命的方法 |
| CN104063588A (zh) * | 2014-06-12 | 2014-09-24 | 东北大学 | 基于多源数据融合的管道腐蚀缺陷尺寸的预测系统及方法 |
| CN109596709A (zh) * | 2018-12-19 | 2019-04-09 | 张磊 | 一种固定式压力容器的检测方法 |
| CN110705176A (zh) * | 2019-09-02 | 2020-01-17 | 北京市燃气集团有限责任公司 | 燃气管道剩余寿命预测方法和装置 |
| CN111339718A (zh) * | 2020-03-03 | 2020-06-26 | 中联煤层气有限责任公司 | 一种管件冲蚀速率计算方法、装置及服务器 |
-
2020
- 2020-07-13 CN CN202010669371.4A patent/CN111881619A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH08178172A (ja) * | 1994-12-27 | 1996-07-12 | Toshiba Corp | 機器及び配管装置類のエロージョン・コロージョンによる減肉計算及び評価法 |
| CN103455682A (zh) * | 2013-09-12 | 2013-12-18 | 西南石油大学 | 一种预测高温高压井腐蚀套管剩余寿命的方法 |
| CN104063588A (zh) * | 2014-06-12 | 2014-09-24 | 东北大学 | 基于多源数据融合的管道腐蚀缺陷尺寸的预测系统及方法 |
| CN109596709A (zh) * | 2018-12-19 | 2019-04-09 | 张磊 | 一种固定式压力容器的检测方法 |
| CN110705176A (zh) * | 2019-09-02 | 2020-01-17 | 北京市燃气集团有限责任公司 | 燃气管道剩余寿命预测方法和装置 |
| CN111339718A (zh) * | 2020-03-03 | 2020-06-26 | 中联煤层气有限责任公司 | 一种管件冲蚀速率计算方法、装置及服务器 |
Non-Patent Citations (2)
| Title |
|---|
| 王威;陈国民;陈琦;鲁瑜;: "海底管道腐蚀速率预测及计算分析", 海洋石油, no. 01 * |
| 苏欣;杨君;袁宗明;胡安鑫;: "腐蚀管道的可靠性评价", 石油工程建设, no. 06 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112580264A (zh) * | 2020-12-25 | 2021-03-30 | 中国人民解放军国防科技大学 | 基于bp神经网络算法的损伤点尺寸分布预测方法及系统 |
| CN116305949A (zh) * | 2023-03-21 | 2023-06-23 | 河海大学 | 一种基于表单程序实现供水管线破坏与服役寿命预测方法 |
| CN116305949B (zh) * | 2023-03-21 | 2024-01-30 | 河海大学 | 一种基于表单程序实现供水管线破坏与服役寿命预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108894282B (zh) | 市政管网运行安全动态预警方法 | |
| US20220010914A1 (en) | Computational risk modeling system and method for pipeline operation and integrity management | |
| CN104063588B (zh) | 基于多源数据融合的管道腐蚀缺陷尺寸的预测方法 | |
| CN103455682B (zh) | 一种预测高温高压井腐蚀套管剩余寿命的方法 | |
| CN111881619A (zh) | 基于matlab工具箱的bp神经网络实现管件冲蚀缺陷的预测方法 | |
| Chin et al. | Failure pressure prediction of pipeline with single corrosion defect using artificial neural network | |
| WO2006048418A1 (en) | Method and system for production metering of oil wells | |
| CN110702782B (zh) | 一种用于石油管道的无损检测系统及其检测方法 | |
| Shaik et al. | Remaining useful life prediction of a piping system using artificial neural networks: A case study | |
| CN109886506B (zh) | 一种供水管网爆管风险分析方法 | |
| NO339234B1 (no) | Analyse av et oljefeltnettverk for oljefeltproduksjon | |
| CN112560334A (zh) | 一种基于机器学习预测管材弯曲回弹角度的方法 | |
| WO2013192247A1 (en) | System and method for calculating and reporting maximum allowable operating pressure | |
| CN112539054A (zh) | 地面管网与地下油藏复杂系统生产优化方法 | |
| CN115495857A (zh) | 一种供热管网规划方法 | |
| Parvizsedghy et al. | Deterioration assessment models for water pipelines | |
| Sun et al. | Leakage failure probability assessment of submarine pipelines using a novel pythagorean fuzzy bayesian network methodology | |
| CN117034808A (zh) | 一种基于图注意力网络的天然气管网压力估计方法 | |
| Victorino et al. | Analysis of the production of a pre-salt-based carbonate reservoir through integrated simulation of reservoir and production system | |
| Kumar Tyagi et al. | Estimation of Hazen Williams’s constant for a residential water distribution network; GMDH and PSO approach | |
| CN113887026A (zh) | 一种基于集成学习的输油管道水力预测方法 | |
| JP4383295B2 (ja) | 管路の水理的重要度の評価方法 | |
| McCoy et al. | Dent management program | |
| US20230376654A1 (en) | Pipeline vectorization method to predict internal corrosion | |
| US20240044749A1 (en) | Method and system for pressurized component test plan optimization |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Country or region after: China Address after: Room 1-7, 12 / F, building 1, No. 1268, middle section of Tianfu Avenue, high tech Zone, Chengdu, Sichuan 610041 Applicant after: Sichuan Zhongke Lutong Technology Co.,Ltd. Address before: Room 1-7, 12 / F, building 1, No. 1268, middle section of Tianfu Avenue, high tech Zone, Chengdu, Sichuan 610041 Applicant before: Chengdu Nautilus Big Data Technology Co.,Ltd. Country or region before: China |