CN112801137A - 一种基于大数据的石油管材质量动态评价方法及系统 - Google Patents
一种基于大数据的石油管材质量动态评价方法及系统 Download PDFInfo
- Publication number
- CN112801137A CN112801137A CN202110004869.3A CN202110004869A CN112801137A CN 112801137 A CN112801137 A CN 112801137A CN 202110004869 A CN202110004869 A CN 202110004869A CN 112801137 A CN112801137 A CN 112801137A
- Authority
- CN
- China
- Prior art keywords
- database
- quality
- data
- cluster
- petroleum
- 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
- 239000003208 petroleum Substances 0.000 title claims abstract description 51
- 238000011156 evaluation Methods 0.000 title claims abstract description 36
- 238000001514 detection method Methods 0.000 claims abstract description 60
- 238000007689 inspection Methods 0.000 claims abstract description 25
- 239000011159 matrix material Substances 0.000 claims abstract description 16
- 238000007621 cluster analysis Methods 0.000 claims abstract description 14
- 230000007246 mechanism Effects 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000012360 testing method Methods 0.000 claims description 19
- 238000000034 method Methods 0.000 claims description 14
- 238000013441 quality evaluation Methods 0.000 claims description 9
- 239000000463 material Substances 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 5
- 230000002776 aggregation Effects 0.000 claims description 4
- 238000004220 aggregation Methods 0.000 claims description 4
- 238000013459 approach Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000006872 improvement Effects 0.000 description 9
- 238000005452 bending Methods 0.000 description 5
- 238000005422 blasting Methods 0.000 description 5
- 230000007797 corrosion Effects 0.000 description 5
- 238000005260 corrosion Methods 0.000 description 5
- 230000007423 decrease Effects 0.000 description 5
- 230000002706 hydrostatic effect Effects 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 230000000704 physical effect Effects 0.000 description 5
- 239000000126 substance Substances 0.000 description 5
- 238000003466 welding Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 238000009659 non-destructive testing Methods 0.000 description 2
- 229910052755 nonmetal Inorganic materials 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000013209 evaluation strategy Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000003860 storage Methods 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Probability & Statistics with Applications (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Pipeline Systems (AREA)
Abstract
Description
技术领域
本发明涉及油气输送管质量检验技术领域,具体地是一种基于大数据的石油管材质量动态评价方法及系统。
背景技术
油气输送管作为压力容器,属于特种设备,一旦发生失效,可能会危害人的生命安全,造成环境污染。因此,应对石油管材从生产、使用、检验检测三个环节严格把关,进行全过程的监督。
目前,对石油管材的质量评价,是依据产品标准,逐项对其性能例如尺寸、拉伸、冲击、弯曲、静水压、爆破、无损探伤、硬度、焊缝参数、防腐蚀性能、落锤、化学成分、金相显微组织、实物性能等项目进行试验,对每项试验结果对照标准给出合格、不合格评价,最后出具总试验报告。
随着行业发展,越来越多的厂家开始生产石油管材,产品质量难免良莠不齐。现有方法仅依据标准对产品给予合格与否的评定,还存在以下缺陷:
1)个别厂家为了提高利润,降低成本,产品仅恰好能满足合格要求,存在一定的安全隐患。
2)对于合格产品,购方不能有效甄别何种产品更有优势。
3)生产厂家对生产制造工艺不能持续改进,限制了行业的进一步发展。
4)在使用过程中,符合标准的产品仍然出现失效。
因此,如何对生产厂的产品进行质量评级/评分,持续改进生产工艺,剔除潜在不合格产品,是目前石油管材行业亟待解决的问题之一。
发明内容
本发明的目的是针对目前质量评价中的不足,提供一种基于大数据的石油管材质量动态评价方法及系统。本发明评价方法便于对厂家生产的产品进行比较,以优选出质量好的产品,提高产品使用安全性,控制风险,提高质检机构数据可信度。
为达到上述目的,本发明采用以下技术手段:
一种基于大数据的石油输送管材质量动态评价方法,包括以下步骤:
建立石油输送管材的历史检测数据库和失效数据库,处理得到数据矩阵;
通过K-means聚类分析,计算得到历史检测数据库的k个聚类簇中心a1,a2,a3,a4,…,ak;
通过K-means聚类分析,计算得到失效数据库的l个聚类簇中心b1,b2,b3,b4,…,bl;
作为本发明的进一步改进,所述历史检测数据库是通过采集质量检验机构的历史检测数据,获取石油输送管材质量检测的结果并形成历史检测数据库。
作为本发明的进一步改进,所述失效数据库是采集质量检验机构的历史失效分析数据,将与输送管道材料性能有关的失效数据提取,剔除非材料相关数据,形成失效数据库。
作为本发明的进一步改进,所述数据矩阵是从历史检测数据库和失效数据库中提取出各类产品与检验策略相关的数据,处理整理成结构化数据,形成数据矩阵。
作为本发明的进一步改进,K-means聚类分析具体步骤为:
设置管材历史检测/失效数据库Kb簇的个数k,设置值为3~8,分别计算误差平方和SSE(k);
式中,SSE(k)为簇为k时的误差平方和,b为历史检测数据库中的检测数据行,表示为一个数据点;mi为Kb中k个簇的中心,为随机初始设置值;
随着k的增大,误差平方和SSE会逐渐减小,当k逼近真实簇数时,再增加k,聚合程度回报会迅速减小;误差平方和SSE的下降幅度会骤减,然后随着k值的继续增大而趋于平缓,下降幅度的拐点即为真实簇数ksj;
即得到管材k个质量等级,以及对应的簇中心a1,a2,a3,a4,…,ak,和l个失效等级以及对应的簇中心b1,b2,b3,b4,…,bl。
作为本发明的进一步改进,还包括对待评价石油输送管道检测结果进行评分步骤:
对不同等级的历史检测数据库簇中心点ai进行赋分为fi,
fi=100/等级总数*(等级总数-等级次序)
作为本发明的进一步改进,评级结束后还包括,将检测结果导入历史检测数据库进行迭代计算历史检测数据库聚类中心。
一种基于大数据的石油管材质量动态评价系统,包括:
数据库模块,建立石油输送管材的历史检测数据库和失效数据库,处理得到数据矩阵;
聚类分析模块,对数据矩阵通过K-means聚类分析,计算得到历史检测数据库的聚类簇中心ak和失效数据库的聚类簇中心bi;并得到ai与bi的距离ax,对ax按照大小进行排序得到k个聚类簇中心的等级排序;
与现有技术相比,本发明的有益效果:
本发明评价方法通过建立石油输送管材的历史检测数据库和失效数据库,对数据矩阵通过K-means聚类分析,得到k个聚类簇中心的等级排序,并进行质量评级。便于对厂家生产的产品进行比较,以优选出质量好的产品。提高产品使用安全性,控制风险。提高质检机构数据可信度。评级/评分随着技术进步动态变化,促使行业厂家的产品质量持续改进。
附图说明
以下将结合附图对本发明做进一步详细说明。
图1本发明基于大数据的石油管材质量动态评价方法的流程图。
具体实施方式
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅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。
为使本发明的目的、技术方案和优点更加清楚,下面结合附图和实施例对本发明的具体实施情况做进一步的说明,所述是对本发明的解释而不是限定。
如图1所示,本发明一种基于大数据的石油管材质量动态评价方法,包括特种设备数据采集步骤与质量动态评分步骤。
所述的特种设备质量数据采集步骤运行方式包括以下步骤:
1)采集质量检验机构的历史测试数据,获取石油管材质量测试的结果并形成历史检测数据库;
所述的质量测试的结果包括尺寸、拉伸、冲击、弯曲、静水压、爆破、无损探伤、硬度、焊缝参数、防腐蚀性能、落锤、化学成分、金相显微组织和实物性能。
2)采集质量检验机构的历史失效分析数据,将与输送管道管材材料性能有关的失效数据提取,剔除非材料相关数据,形成失效数据库;
材料性能包括尺寸拉伸、冲击、弯曲、静水压、爆破、无损探伤、硬度、焊缝参数、防腐蚀性能、落锤、化学成分、金相显微组织、非金属夹杂、实物性能等信息列,数据列与失效数据库中的数据列对应。
3)从历史检测数据库和失效数据库中提取出各类产品与检验策略相关的数据,处理整理成结构化数据,形成数据矩阵;
4)通过K-means聚类分析,计算得到历史检测数据库的k个聚类中心a1,a2,a3,a4,……,ak。
5)通过K-means聚类分析,计算得到失效数据库的i个聚类中心b1,b2,b3,b4,……,bi。
8)对待评价石油输送管道检测结果进行评分。
9)将检测结果导入历史检测数据库进行迭代计算历史检测数据库聚类中心。
具体的,以下结合具体实施例和附图对本发明进行详细说明。
本发明一方面提供了一种基于大数据的石油输送管道质量评价方法。
其中石油管材质量评价包括失效数据库、历史检验数据库、评级方法。
失效数据库要用于存储管材失效数据,将历年来由于管材质量原因导致的失效事故进行记录。
历史检验数据库主要用于存储管材质检数据,将历年来石油输送管道质量评价过程中的所有数据进行记录。
评价方法,用来对待评价管材进行质量评级。
管材失效数据库,将管材失效数据进行存储。数据存储结构类似矩阵。其中每一行代表某一管材在应用过程中发生失效。列代表某检测评价项目所有失效管材的评价值。
数据格式为
式中i=1,2,3……m,为m组管材失效数据。j=1,2,3……n,其中j=1,2,3,……n,为尺寸拉伸、冲击、弯曲、静水压、爆破、无损探伤、硬度、焊缝参数、防腐蚀性能、落锤、化学成分、金相显微组织、非金属夹杂、实物性能等信息列。
管材失效数据库,不断根据收集到的失效案例不断增加数据行。
管材失效数据库均为结构化数据,严格地遵循数据格式与长度规范。
管材历史检测数据库,将管材质检数据进行存储。数据存储结构类似矩阵。其中每一行代表某一管材的一次检测数据信息。列代表某检测评价项目所有被测管材的评价值。
数据格式为
式中i=1,2,3……p,为p组管材质检数据。j=1,2,3……n,为尺寸拉伸、冲击、弯曲、静水压、爆破、无损探伤、硬度、焊缝参数、防腐蚀性能、落锤、化学成分、金相显微组织、非金属夹杂、实物性能等信息列,数据列与失效数据库中的数据列对应。
管材质检数据,随着检验数量不断增加试验数据量。
管材评级用来对待测管材质量进行评价。
首先设置Kb簇的个数k,设置值为3~8,分别计算误差平方和SSE(k)。
式中,SSE(k)为簇为k时的误差平方和,b为历史检测数据库中的检测数据行,表示为一个数据点。mi为Kb中k个簇的中心(簇中所有样本的均值)。
随着k的增大,误差平方和SSE会逐渐减小,当k逼近真实簇数时,再增加k,聚合程度回报会迅速减小。所以误差平方和SSE的下降幅度会骤减,然后随着k值的继续增大而趋于平缓,这个下降幅度的拐点即为真实簇数ksj。
即管材质量共分为ksj个等级。每个簇的中心点mi(i=1,2……ksj)。
同理,设置Ka簇的个数k’,设置值为3~8,分别计算误差平方和SSE(k’)。
式中,SSE(k’)为簇为k’时的误差平方和,a为失效数据库中的数据行,表示为一个数据点。mi为Ka中k’个簇的中心(簇中所有样本的均值)。
随着k’的增大,误差平方和SSE会逐渐减小,当k’逼近真实簇数时,再增加k’,聚合程度回报会迅速减小。所以误差平方和SSE的下降幅度会骤减,然后随着k值的继续增大而趋于平缓,这个下降幅度的拐点即为真实簇数ksj’。
即管材失效数据库共分为ksj’个簇。每个簇的中心点mj’。
评级结束后,将该测试数据加入历史检测数据库,不断提高数据量。
对不同等级的历史检测数据库簇中心点mi进行赋分为fi。
因此实现管材质量评分。
例如:根据产品服役特点,项目特点、标准、形成评价策略、各评分项被赋予不同的权重,以满分100分评价对象,设定合格线为60分。
本发明还提供一种基于大数据的石油管材质量动态评价系统,其特征在于,包括:
数据库模块,建立石油输送管材的历史检测数据库和失效数据库,处理得到数据矩阵;
聚类分析模块,对数据矩阵通过K-means聚类分析,计算得到历史检测数据库的聚类簇中心ak和失效数据库的聚类簇中心bi;并得到ai与bi的距离ax,对ax按照大小进行排序得到k个聚类簇中心的等级排序;
还包括评分模块,用于对待评价石油输送管道检测结果进行评分:
对不同等级的历史检测数据库簇中心点ai进行赋分为fi,
fi=100/等级总数*(等级总数-等级次序)
还包括迭代模块,用于将检测结果导入历史检测数据库进行迭代计算历史检测数据库聚类中心。
本发明第三个目的是提供一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现任一项所述的基于大数据的石油输送管材质量动态评价方法的步骤。
本发明第四个目的是提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现任一项所述的基于大数据的石油输送管材质量动态评价方法的步骤。
以上例举仅仅是对本发明的举例说明,并不构成对本发明的保护范围的限制,凡是与本发明相同或相似的设计均属于本发明的保护范围之内。
尽管以上结合附图对本发明的具体实施方案进行了描述,但本发明并不局限于上述的具体实施方案,上述的具体实施方案仅仅是示意性的、指导性的、而不是限制性的。本领域的普通技术人员在本说明书的启示下,在不脱离本发明的权利要求所保护的范围的情况下,还可以做出很多种的形式,这些均属于本发明保护之列。
Claims (10)
2.根据权利要求1所述的基于大数据的石油管材质量动态评价方法,其特征在于,所述历史检测数据库是通过采集质量检验机构的历史检测数据,获取石油输送管材质量检测的结果并形成历史检测数据库。
3.根据权利要求1所述的基于大数据的石油管材质量动态评价方法,其特征在于,所述失效数据库是采集质量检验机构的历史失效分析数据,将与输送管道材料性能有关的失效数据提取,剔除非材料相关数据,形成失效数据库。
4.根据权利要求1所述的基于大数据的石油管材质量动态评价方法,其特征在于,所述数据矩阵是从历史检测数据库和失效数据库中提取出各类产品与检验策略相关的数据,处理整理成结构化数据,形成数据矩阵。
5.根据权利要求1所述的基于大数据的石油管材质量动态评价方法,其特征在于,K-means聚类分析具体步骤为:
设置管材历史检测/失效数据库Kb簇的个数k,设置值为3~8,分别计算误差平方和SSE(k);
式中,SSE(k)为簇为k时的误差平方和,b为历史检测数据库中的检测数据行,表示为一个数据点;mi为Kb中k个簇的中心,为随机初始设置值;
随着k的增大,误差平方和SSE会逐渐减小,当k逼近真实簇数时,再增加k,聚合程度回报会迅速减小;误差平方和SSE的下降幅度会骤减,然后随着k值的继续增大而趋于平缓,下降幅度的拐点即为真实簇数ksj;
即得到管材k个质量等级,以及对应的簇中心a1,a2,a3,a4,…,ak,和l个失效等级以及对应的簇中心b1,b2,b3,b4,…,bl。
9.根据权利要求1所述的基于大数据的石油管材质量动态评价方法,其特征在于,评级结束后还包括,将检测结果导入历史检测数据库进行迭代计算历史检测数据库聚类中心。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110004869.3A CN112801137A (zh) | 2021-01-04 | 2021-01-04 | 一种基于大数据的石油管材质量动态评价方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110004869.3A CN112801137A (zh) | 2021-01-04 | 2021-01-04 | 一种基于大数据的石油管材质量动态评价方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112801137A true CN112801137A (zh) | 2021-05-14 |
Family
ID=75807969
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110004869.3A Pending CN112801137A (zh) | 2021-01-04 | 2021-01-04 | 一种基于大数据的石油管材质量动态评价方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112801137A (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20000032763A (ko) * | 1998-11-17 | 2000-06-15 | 정선종 | 파라메트릭 설계용 기하학적 제약조건 해결방법 |
CN105678481A (zh) * | 2016-03-25 | 2016-06-15 | 清华大学 | 一种基于随机森林模型的管线健康状态评估方法 |
CN106650767A (zh) * | 2016-09-20 | 2017-05-10 | 河海大学 | 基于聚类分析和实时校正的洪水预报方法 |
CN107391890A (zh) * | 2017-09-01 | 2017-11-24 | 东营市永利精工石油机械制造有限公司 | 一种油套管螺纹接头机加工颤纹缺陷的预测与优化控制方法 |
US20170364795A1 (en) * | 2016-06-15 | 2017-12-21 | Akw Analytics Inc. | Petroleum analytics learning machine system with machine learning analytics applications for upstream and midstream oil and gas industry |
CN108982076A (zh) * | 2018-04-11 | 2018-12-11 | 中国石油天然气集团有限公司 | 一种高温高压气井油管气密封螺纹分析评价方法 |
CN109711664A (zh) * | 2018-11-16 | 2019-05-03 | 国网江苏省电力有限公司盐城供电分公司 | 一种基于大数据的输变电设备健康评估系统 |
US20190228777A1 (en) * | 2004-06-14 | 2019-07-25 | Wanda Papadimitriou | Stress engineering assessment of risers and riser strings |
CN110133488A (zh) * | 2019-04-09 | 2019-08-16 | 上海电力学院 | 基于最优等级数的开关柜健康状态评价方法及装置 |
CN110288048A (zh) * | 2019-07-02 | 2019-09-27 | 东北大学 | 一种svm有向无环图的海底管道风险评估方法 |
CN111415758A (zh) * | 2020-03-18 | 2020-07-14 | 南京邮电大学 | 基于adr监测报告和离群点检测技术的药物风险评估方法 |
KR20200087892A (ko) * | 2018-12-28 | 2020-07-22 | 한국기술교육대학교 산학협력단 | 딥러닝 기반 영상 내 객체 인식 시스템 |
WO2020155756A1 (zh) * | 2019-01-28 | 2020-08-06 | 平安科技(深圳)有限公司 | 基于聚类和sse的异常点比例优化方法及装置 |
CN111539661A (zh) * | 2020-07-08 | 2020-08-14 | 浙江浙能天然气运行有限公司 | 基于风险评价和tdlas的天然气站场泄漏监测方法 |
CN111708774A (zh) * | 2020-04-16 | 2020-09-25 | 上海华东电信研究院 | 一种基于大数据的产业分析系统 |
-
2021
- 2021-01-04 CN CN202110004869.3A patent/CN112801137A/zh active Pending
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20000032763A (ko) * | 1998-11-17 | 2000-06-15 | 정선종 | 파라메트릭 설계용 기하학적 제약조건 해결방법 |
US20190228777A1 (en) * | 2004-06-14 | 2019-07-25 | Wanda Papadimitriou | Stress engineering assessment of risers and riser strings |
CN105678481A (zh) * | 2016-03-25 | 2016-06-15 | 清华大学 | 一种基于随机森林模型的管线健康状态评估方法 |
US20170364795A1 (en) * | 2016-06-15 | 2017-12-21 | Akw Analytics Inc. | Petroleum analytics learning machine system with machine learning analytics applications for upstream and midstream oil and gas industry |
CN106650767A (zh) * | 2016-09-20 | 2017-05-10 | 河海大学 | 基于聚类分析和实时校正的洪水预报方法 |
CN107391890A (zh) * | 2017-09-01 | 2017-11-24 | 东营市永利精工石油机械制造有限公司 | 一种油套管螺纹接头机加工颤纹缺陷的预测与优化控制方法 |
CN108982076A (zh) * | 2018-04-11 | 2018-12-11 | 中国石油天然气集团有限公司 | 一种高温高压气井油管气密封螺纹分析评价方法 |
CN109711664A (zh) * | 2018-11-16 | 2019-05-03 | 国网江苏省电力有限公司盐城供电分公司 | 一种基于大数据的输变电设备健康评估系统 |
KR20200087892A (ko) * | 2018-12-28 | 2020-07-22 | 한국기술교육대학교 산학협력단 | 딥러닝 기반 영상 내 객체 인식 시스템 |
WO2020155756A1 (zh) * | 2019-01-28 | 2020-08-06 | 平安科技(深圳)有限公司 | 基于聚类和sse的异常点比例优化方法及装置 |
CN110133488A (zh) * | 2019-04-09 | 2019-08-16 | 上海电力学院 | 基于最优等级数的开关柜健康状态评价方法及装置 |
CN110288048A (zh) * | 2019-07-02 | 2019-09-27 | 东北大学 | 一种svm有向无环图的海底管道风险评估方法 |
CN111415758A (zh) * | 2020-03-18 | 2020-07-14 | 南京邮电大学 | 基于adr监测报告和离群点检测技术的药物风险评估方法 |
CN111708774A (zh) * | 2020-04-16 | 2020-09-25 | 上海华东电信研究院 | 一种基于大数据的产业分析系统 |
CN111539661A (zh) * | 2020-07-08 | 2020-08-14 | 浙江浙能天然气运行有限公司 | 基于风险评价和tdlas的天然气站场泄漏监测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106504015A (zh) | 一种结合bp神经网络的企业领域供应商推荐方法 | |
CN109766930A (zh) | 一种基于dcnn模型的矿井机械设备的剩余寿命预测方法 | |
CN110414780A (zh) | 一种基于生成对抗网络的金融交易负样本生成方法 | |
CN107391890B (zh) | 一种油套管螺纹接头机加工颤纹缺陷的预测与优化控制方法 | |
CN102855368A (zh) | 一种炼油装置高温部位腐蚀剩余寿命预测方法 | |
CN113919243B (zh) | 基于机器学习的超临界流体传热关联式代理模型构建方法 | |
CN104463601A (zh) | 一种在线社会媒体系统中检测恶意评分用户的方法 | |
CN105975678B (zh) | 一种基于参数化模型的油气管道剩余强度预测方法 | |
CN105095682B (zh) | 一种基于桥区水域通航安全风险评价模型的评价方法 | |
CN112801137A (zh) | 一种基于大数据的石油管材质量动态评价方法及系统 | |
CN111563787A (zh) | 一种基于用户评论和评分的推荐系统及方法 | |
CN110378433A (zh) | 基于pso-svm的桥梁拉索表面缺陷的分类识别方法 | |
CN110705856A (zh) | 基于层次分析法的核电设备锻件材料制造质量评估方法 | |
CN114580940A (zh) | 基于灰色关联度分析法的注浆效果模糊综合评价方法 | |
CN115859782A (zh) | 一种输气管道内腐蚀速率的预测方法 | |
CN115269681A (zh) | 一种面向多维特性数据的缺失值检测及填补方法 | |
CN113191599A (zh) | 一种基于支持向量机的管道风险等级评价方法及装置 | |
CN113689081A (zh) | 基于正态云模型的自动驾驶道路测试数据质量确定方法 | |
CN105653649A (zh) | 海量文本中低占比信息识别方法及装置 | |
CN109241147A (zh) | 一种用于评估统计值变异性的方法 | |
CN117034685A (zh) | 一种盾构隧道结构火灾后力学性能评估方法 | |
CN117314904B (zh) | 一种钢板表面缺陷检测方法 | |
CN103984756A (zh) | 基于半监督概率潜在语义分析的软件变更日志分类方法 | |
CN114878390B (zh) | 一种管阀件冲蚀磨损测试系统及测试方法 | |
CN108711002A (zh) | 一种基于改进的fppc算法油气管道管段划分方法 |
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 |