CN113063100A - 管道泄漏的检测方法及装置 - Google Patents
管道泄漏的检测方法及装置 Download PDFInfo
- Publication number
- CN113063100A CN113063100A CN201911400995.XA CN201911400995A CN113063100A CN 113063100 A CN113063100 A CN 113063100A CN 201911400995 A CN201911400995 A CN 201911400995A CN 113063100 A CN113063100 A CN 113063100A
- Authority
- CN
- China
- Prior art keywords
- pipeline
- leakage
- model
- data
- detection
- 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.)
- Withdrawn
Links
Images
Classifications
-
- 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
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K13/00—Thermometers specially adapted for specific purposes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M3/00—Investigating fluid-tightness of structures
- G01M3/02—Investigating fluid-tightness of structures by using fluid or vacuum
- G01M3/04—Investigating fluid-tightness of structures by using fluid or vacuum by detecting the presence of fluid at the leakage point
- G01M3/24—Investigating fluid-tightness of structures by using fluid or vacuum by detecting the presence of fluid at the leakage point using infrasonic, sonic, or ultrasonic vibrations
- G01M3/243—Investigating fluid-tightness of structures by using fluid or vacuum by detecting the presence of fluid at the leakage point using infrasonic, sonic, or ultrasonic vibrations for pipes
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Examining Or Testing Airtightness (AREA)
Abstract
本发明公开了一种管道泄漏的检测方法及装置,涉及管道检测领域,主要为解决现有的管道泄漏检测过程中检测结果的准确性和成本之间难以兼顾的问题。该方法包括:接收目标管道的管道运行参数,并确定所述目标管道的管道泄漏检测模型,所述管道运行参数至少包括泄漏时的温度及泄漏时间;将所述管道运行参数输入至所述管道泄漏检测模型进行管道泄漏检测,得到检测结果。本发明用于管道泄漏的检测过程。
Description
技术领域
本发明涉及管道检测领域,尤其涉及一种管道泄漏的检测方法及装置。
背景技术
一直以来,油田、天然气等企业在输油管道、输气管道及输水管道等诸多管线的使用过程中,由于常年使用导致老化以及其内部输送介质的腐蚀,都会存在管道泄漏的情况。由于泄漏会对企业生产造成成本浪费、甚至某些管道泄漏会影响企业安全生产,因此,企业都十分重视对于管道泄漏的检测。
目前,在对管道进行泄漏检测的过程中,常常使用两种方式进行,一种是基于硬件的检测,此种方式一般需要企业在管道上方设置硬件检测装置或设备,并根据设置的检测装置对管道进行实时的检测;另一种检测方式是利用软件算法,对管道的运行数据进行采集,并基于压力变化进行检测。然而,在实际应用中,企业中往往存在一种T型管道,这种管道是由两个管道进行T字型连接组成的,这种管道基于其特殊的组成形式,使得其内部输送介质存在交汇或分流的情况,导致在利用现有的软件算法进行漏点检测时,基于管道内介质压力时常常变化的使得检测结果会由于两条T接的管道内的噪声互相干扰,影响检测结果的准确性,而另一方面,若采用硬件检测的方式虽然在一定程度上可以确保检测的准确性,但需要额外在T型管道上单独设置检测装置或设备,整体上大大提高了检测成本。因此,如何能够实现一种能在确保检测结果准确性前提下,减少成本的管道检测方法成为了领域内亟待解决的问题。
发明内容
鉴于上述问题,本发明提供一种管道泄漏的检测方法及装置,主要目的在于解决现有的管道泄漏检测过程中检测结果的准确性和成本之间难以兼顾的问题。
为解决上述技术问题,第一方面,本发明提供了一种管道泄漏的检测方法,该方法包括:
接收目标管道的管道运行参数,并确定所述目标管道的管道泄漏检测模型,所述管道运行参数至少包括泄漏时的温度及泄漏时间;
将所述管道运行参数输入至所述管道泄漏检测模型进行管道泄漏检测,得到检测结果,其中,所述管道泄漏检测模型的构建方式包括:从所述目标管道的历史数据中获取模型训练数据,并根据所述模型训练数据结合机器学习算法构建所述目标管道的管道泄漏检测模型,所述模型训练数据包括有泄漏时间、泄漏位置以及泄漏时的温度。
第二方面,本发明实施例还提供了一种管道泄漏的检测装置,包括:
确定单元,用于接收目标管道的管道运行参数,并确定所述目标管道的管道泄漏检测模型,所述管道运行参数至少包括泄漏时的温度及泄漏时间;
检测单元,用于将所述管道运行参数输入至所述管道泄漏检测模型进行管道泄漏检测,得到检测结果,其中,所述管道泄漏检测模型的构建方式包括:从所述目标管道的历史数据中获取模型训练数据,并根据所述模型训练数据结合机器学习算法构建所述目标管道的管道泄漏检测模型,所述模型训练数据包括有泄漏时间、泄漏位置以及泄漏时的温度。
为了实现上述目的,根据本发明的第三方面,提供了一种存储介质,所述存储介质包括存储的程序,其中,在所述程序运行时控制所述存储介质所在设备执行上述的管道泄漏的检测方法。
为了实现上述目的,根据本发明的第四方面,提供了一种设备,所述设备包括至少一个处理器、以及与所述处理器连接的至少一个存储器、总线;
其中,所述处理器、存储器通过所述总线完成相互间的通信;
所述处理器用于调用存储器中的程序指令,以执行上述的管道泄漏的检测方法。
借由上述技术方案,本发明提供的管道泄漏的检测方法及装置,对于现有的管道泄漏检测过程中检测结果的准确性和成本之间难以兼顾的问题,本发明通过首先接收目标管道的管道运行参数,并确定所述目标管道的管道泄漏检测模型,所述管道运行参数至少包括泄漏时的温度及泄漏时间;然后将所述管道运行参数输入至所述管道泄漏检测模型进行管道泄漏检测,得到检测结果,其中,所述管道泄漏检测模型的构建方式包括:从目标管道的历史数据中获取模型训练数据,并根据所述模型训练数据结合机器学习算法构建目标管道的管道泄漏检测模型,所述模型训练数据包括有泄漏时间、泄漏位置以及泄漏时的温度,从而实现对管道泄漏点的检测,本发明能够基于历史数据所训练出的检测模型来进行管道泄漏的检测,与现有的软件算法检测相比,能够对T型管道等复杂管道进行检测,不会受到此种复杂管道中噪声的干扰,提高了检测结果的准确性,同时,相较于硬件方式检测相比,无需额外设置硬件检测设备,能够从已知的实时运行参数进行管道泄漏的检测,大大降低了检测成本,因此,本发明能够在对于T型管道等复杂管道检测过程中,解决了现有技术在检测过程中对于准确性和成本难以兼顾的问题,能够兼顾检测准确性以及减少检测成本的需求。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1示出了本发明实施例提供的一种管道泄漏的检测方法流程图;
图2示出了本发明实施例提供的另一种管道泄漏的检测方法流程图;
图2-a示出了本发明实施例提供的一种基于负压波法的管道泄漏检测示意图;
图3示出了本发明实施例提供的一种管道泄漏的检测装置的组成框图;
图4示出了本发明实施例提供的另一种管道泄漏的检测装置的组成框图;
图5示出了本发明实施例提供的一种用于管道泄漏的检测的设备的组成框图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本发明,并且能够将本发明的范围完整的传达给本领域的技术人员。
为了解决现有的管道泄漏检测过程中检测结果的准确性和成本之间难以兼顾的问题,本发明实施例提供了一种管道泄漏的检测方法,如图1所示,该方法包括:
101、接收目标管道的管道运行参数,并确定所述目标管道的管道泄漏检测模型。
基于实际的油田公司、天然气公司中的管线中包含很多诸如T型管线等复杂管线,而由于上述管线在检测的过程中,常规的软件算法检测一般都是基于压力进行检测的,而此种检测方式对于T型管道中介质在交汇时产生的噪声会干扰检测结果的准确性,因此这种检测方式显然并不适用。因此,在本发明实施例中可以基于管道泄漏检测模型进行泄漏点位置的检测。其中,本发明实施例所述的目标管道可以理解为待检测泄漏点的管道。
具体的,在进行泄漏点位置的检测时,需要获取检测时所需的相关的信息或参数,即本发明实施例所述的管道运行参数,其中,该管道运行参数可以包括泄漏时的温度及泄漏时间。具体的,在确定目标管道的管道泄漏检测模型时,可以基于下述两个方面进行:
第一方面,可以通过历史数据为该目标管道建立对应的泄漏点检测模型,具体为:
其中,在构建管道泄漏模型的过程中,可以按照下述过程进行:
A、从历史数据中获取模型训练数据。
其中,所述模型训练数据包括有泄漏时间、泄漏位置以及泄漏时的温度。
在本发明实施例中,可以基于本步骤首先从目标管道的历史数据中获取后续构建检测模型的训练数据,即所述模型训练数据。其中,该模型训练数据中包含有泄漏检测时所需的泄漏时间、泄漏位置、泄漏时的温度等重要参数,该泄漏时间可以理解为设置于管道上的传感器所检测到负压波的时间,检测到负压波的时间即为管道上的传感器检测到负压波到达的时间;该目标管道的历史数据可以理解为管线管理系统中记录的目标管道的泄漏时的数据,其中可以包含有每次记录的泄漏点的泄漏位置、泄漏时间、泄漏时的温度、管道材质、泄漏时压力、温度以及流量等信息。
B、根据所述模型训练数据结合机器学习算法构建管道泄漏检测模型。
当前述步骤101获取到模型训练数据后,则可以通过该训练数据作为样本来训练所需的检测模型,该模型是基于模型训练数据再结合预先选取的机器学习算法来进行训练所得到的。
需要说明的是,在本发明实施例中的机器学习算法可以为以下机器学习算法中的任意两种多多种,如随机森林、决策树或梯度提升树等,具体的可以根据实际需要进行选取,在此并不限定。
第二方面,当确定存在已知的管道及管道泄露检测模型间关系时,还可以按照下述方式确定目标管道的管道泄漏检测模型:
当管道的相关管理人员曾经按照本步骤第一方面所述的方法执行过泄露点检测时,还可以将此前训练后得到的管道泄漏检测模型与目标管道之间建立映射关系,并保存。譬如,将对每次检测时的检测模型和目标管道之间构建管道-模型映射关系,并将该映射关系保存至历史检测日志或历史检测记录中。这样下一次再次执行泄漏点检测时,在确定了目标管道后,还可以通过历史检测日志或历史检测记录中获取所述管道-模型映射关系,并从该管道-模型映射关系中查找目标管道对应的检测模型,从而可以在执行时省去训练模型的过程,提高检测效率。
具体的,在从管道-模型映射关系中查找对应目标管道的泄漏检测模型时,可以通过该目标管道的标识进行查询,或者通过该目标管道的相关参数确定与之相同的管道的检测模型作为该目标管道的泄漏检测模型。当然,本发明在确定所述目标管道的泄漏点检测模型的过程中,可以包含但不限于上述所述的方法,可根据实际需要选取。
102、将所述管道运行参数输入至所述管道泄漏检测模型进行管道泄漏检测,得到检测结果。
在经过模型训练数据的训练,构建出了用于进行管道泄漏检测的模型之后,则可以基于该模型进行管道泄漏的检测。基于该模型是通过管道管理系统历史记录中的泄漏数据训练的,因此,该模型对于当前需要检测的管道系统就有较好的适配性,因此,基于目标管道的管道运行参数能够利用所述管道泄漏模型准确检测出当前所存在的泄漏点及其位置。
本发明实施例提供的管道泄漏的检测方法,对于现有的管道泄漏检测过程中检测结果的准确性和成本之间难以兼顾的问题,本发明通过首先接收目标管道的管道运行参数,并确定所述目标管道的管道泄漏检测模型,所述管道运行参数至少包括泄漏时的温度及泄漏时间;然后将所述管道运行参数输入至所述管道泄漏检测模型进行管道泄漏检测,得到检测结果,其中,所述管道泄漏检测模型的构建方式包括:从目标管道的历史数据中获取模型训练数据,并根据所述模型训练数据结合机器学习算法构建目标管道的管道泄漏检测模型,所述模型训练数据包括有泄漏时间、泄漏位置以及泄漏时的温度,从而实现对管道泄漏点的检测,本发明能够基于历史数据所训练出的检测模型来进行管道泄漏的检测,与现有的软件算法检测相比,能够对T型管道等复杂管道进行检测,不会受到此种复杂管道中噪声的干扰,提高了检测结果的准确性,同时,相较于硬件方式检测相比,无需额外设置硬件检测设备,能够从已知的实时运行参数进行管道泄漏的检测,大大降低了检测成本,因此,本发明能够在对于T型管道等复杂管道检测过程中,解决了现有技术在检测过程中对于准确性和成本难以兼顾的问题,能够兼顾检测准确性以及减少检测成本的需求。
进一步的,作为对图1所示实施例的细化及扩展,本发明实施例还提供了另一种管道泄漏的检测方法,如图2所示,其具体步骤包括:
201、从目标管道的历史数据中获取模型训练数据。
其中,所述模型训练数据包括泄漏时间、泄漏位置以及泄漏时的温度。
具体的,本步骤包括:首先,获取历史数据,并从所述历史数据中获取泄漏数据集;然后,从所述泄漏数据集中获取目标数量的泄漏数据作为所述模型训练数据。
其中,所述目标管道的历史数据可以从管道管理系统的日志或记录数据中获取,该历史数据中包含当前管道在运行时的全部数据记录。当然,在本发明实施例中,本步骤主要目的在于对管道泄漏进行检测,因此,可以从该历史数据中获取管道泄漏时所记录的泄漏数据集。该泄漏数据集中包含有多条泄漏数据,并且每条泄漏数据包含有泄漏时间、泄漏位置、泄漏时的温度以及相关参数信息,该相关参数信息可以理解为当前管道的运行时的相关参数信息,其中可以包括管道材质、管道直径、管道厚度以及管道约束条件。
其中,所述负压波可以理解为一种基于管道内介质减少产生的负压变化。其产生的原因是当流体输送管道因机械、人为、材料失效等原因产生泄漏时,其泄漏部分立即有物质损失,由此引起故障位置的流体密度减小,压力下降。由于连续性,管道中的流体不会立刻改变流速,流体在泄漏点和相邻的两边区域之间的压力差导致流体从上下游区域向泄漏区填充,从而又引起泄漏区相邻区域密度和压力的降低,这种现象依次向泄漏区上下游扩散,在水力学上即称为负压波。
具体的,在利用基于负压波法进行泄漏点检测的过程时,可如本发明实施例中图2-a所示,设负压波波速为a,流体在管道中的流速为v,被测的管道长度L。当距离管道首端X处发生泄漏时,负压波从泄漏点到达管道首端的时间为t1,到达管道尾端的时间为t2。而时间差Δt=t1-t2,则有:
而在实际计算过程中,由于负压波传递速度往往在1000m/s以上,远高于管道内介质的流动速度,上述公式中v值可以忽略,因此,上述基础公式可以简化为如公式(1)所示:
公式(1):
基于负压波是按照管道方向传播的,同时通过上述描述可知,在确定泄漏点位置X的过程中,Δt是检测泄漏点位置的重要采集数据(即通过设置于管道两侧的负压波检测设备检测到的两个泄漏时间的差值)。这样,就使得在确定X(即泄漏点检测过程中),负压波的传导速度对于泄漏点位置的确定是至关重要的。但负压波在传递过程中,其负压波波速并非是恒定不变的定值,而是受管道壁的弹性(管道参数中的材质)以及管道内介质的密度所影响,并且密度变化往往又与温度成对应关系。
其中,在所需检测泄漏点的管道已知的情况下,负压波波速与温度成关联关系的函数表达式可以如公式(2):
公式(2):
其中,式中:k为流体的体积弹性系数,ρ为流体的密度,E为管材弹性模量,D为管道直径,e为管道厚度,T为温度,C1为与管道约束条件有关的修正系数。
上述式中的前面4个参数都可以通过查相关资料得到,另外管道约束条件根据管道的支撑情况可分为三类:
1)管道在上游的末端固定,下游可以自由伸缩,C1=1-μ/2;
2)全管固定,无轴向运动,C1=1-μ2;
3)管道全部采用膨胀接头连接,C1=1。
其中,μ为管材的泊松系数。
因此,在构建管道泄漏检测模型的过程中,可见,在上述公式能够确定对于负压波波速的存在影响因素包括温度,因此,当管道材质确定的情况下,需要确定不同温度下的泄漏点的负压波波速。
在本步骤中,首先确定一处已知的泄漏点,并基于当前的泄漏点的所在管道两端设置的负压波检测点对泄漏时所检测到负压波的泄漏时间分别进行统计,得到两个检测点的泄漏时间,然后获取泄漏时的温度,基于泄漏时间进行差值计算,并根据该差值确定当前负压波的传递速度,即所述负压波波速。
结合上述公式(1)及公式(2)可知,实际上对于泄漏位置X而言,其具体的计算过程可以为:
基于此,可知,对于管道泄漏点检测而言,其泄漏位置与管道材质、管道内介质的弹性系数、密度、管道直径、管道厚度等均存在关联,因此,在理想情况下,上述参数均为固定的,因此可以直接计算出泄漏位置X。但在实际操作过程中,如前述实施例所述,在确定待检测管道的情况下,在不同的运行环境的情况下管材弹性模量E,管道直径D,管道厚度e,与管道约束条件有关的修正系数C1可以理解为定值,当温度发生变化时,流体的体积弹性系数k,流体的密度ρ是随着温度T变化的,因此在进行计算的过程中,需要考量不同参数变化对泄漏位置的检测的影响。
需要说明的是,在本步骤中所获取的已知泄漏点泄漏时的温度,检测到负压波变化时的泄漏时间可以通过从本发明实施例实施时现场选取一条正在泄漏的管道进行上述信息参数的获取,当然,也可以通过前述步骤201中的历史数据中进行获取,在此,不做具体的限定,可以根据实际需要进行。
202、根据所述模型训练数据结合机器学习算法构建目标管道的管道泄漏检测模型。
其中,所述机器学习算法至少包括梯度提升树、支持向量机、朴素贝叶斯、决策树以及随机森林中的任意两种。
具体的,本步骤在构建管道泄漏检测模型时可以按照下述步骤执行:
A、根据所述模型训练数据结合机器学习算法训练多个备选模型,所述备选模型是基于所述模型训练数据中的每条训练数据训练后得到的;其中,基于模型训练数据中包含有多条泄漏数据,因此在本步骤中可以通过将该训练数据分成多组,并为每组分别训练一个对应的备选模型,该分组数据中至少包含有一条泄漏数据;例如,在训练所述备选模型的过程中,当选取的算法分别为梯度提升树、支持向量机、朴素贝叶斯、决策树以及随机森林五种算法时,则可以根据预设数量的训练数据分别按照五个算法分别训练出对应的五个备选模型。这样,通过训练针对不同算法的备选模型,能够通过多种算法为后续测试过程中从多种备选模型中为选取最为适合的检测模型奠定基础。另外,在训练备选模型的过程中,可以通过将多个训练数据在通过一轮训练后得到备选模型即可,无需进行多轮的迭代训练。
B、从历史数据中获取模型测试数据,所述模型测试数据包含有多条所述泄漏数据,需要说明的是,为了确保测试结果的可靠性,在本步骤中所选取的测试数据与前述步骤201中的模型训练数据中的泄漏数据不同,例如,在具体的实施过程中,可以从历史数据中选取10条泄漏数据,其中8条作为训练过程的模型训练数据,而另外2条泄漏数据则可以作为本步骤中的模型测试数据;
C、根据所述模型测试数据分别对每个备选模型进行测试,并得到每个备选模型的测试结果;其中,在测试过程中,可以包括:首先,通过所述模型测试数据分别对每个备选模型进行测试,得到每个备选模型的准确性、准确率及召回率;然后,根据预设权重配置信息,确定每个备选模型的权重得分作为所述测试结果,所述预设权重配置信息包含有所述准确性、所述准确率及所述召回率三者的权重得分的计算规则;在本发明实施例中,所述准确率可以理解为当测试数据中的多个泄漏数据进行测试时的测试结果与泄漏数据的实际结果之间相吻合的比例。而召回率可以理解为针对原来的样本数据而言的,它表示的是样本中的正例有多少被预测正确了。那也有两种可能,一种是把原来的正类预测成正类,另一种就是把原来的正类预测为负类。基于准确性、准确率及召回率是能够用于确定模型在实际应用时的可靠性的,因此,在本步骤中可以利用上述三种参数计算出的权重得分作为模型准确性的评价依据。
D、基于所述测试结果从所述多个备选模型中确定目标管道的管道泄漏检测模型。具体的,本步骤可以为:根据所述权重得分,在所述多个备选模型中将权重得分最高的备选模型确定为所述目标管道的管道泄漏检测模型。由于准确性、准确率及召回率可以作为模型的准确性判断的依据,因此当步骤C中根据模型预测数据对多个备选模型确定了预测结果,因此,在本步骤可以将上述预测结果中的准确性、准确率及召回率按照预设的权重配置进行每个备选模型的评分操作,得到每个备选模型的权重得分,并依照得分高低确定哪一个备选模型是最为适合,并将该模型确定为所述泄漏检测模型。
203、接收目标管道的管道运行参数,并确定所述目标管道的管道泄漏检测模型。
基于前述步骤201-202的训练过程可知,所述泄漏点检测模型在进行泄漏位置检测时,所需的必要参数包括泄漏时的温度以及泄漏时间,因此,在本步骤中获取管道运行参数时,所述管道运行参数中至少包括泄漏时的温度及泄漏时间。另外,在接收所述管道运行参数的过程中可以通过预设的人机交互界面进行。此外,在本发明实施例中,还可以为前述步骤201-202训练后得到的管道泄漏检测模型与目标管道之间建立映射关系,并保存。例如,将对每次检测时的检测模型和目标管道之间构建管道-模型映射关系,并将该映射关系保存至历史检测日志或历史检测记录中。这样下一次再次执行泄漏点检测时,在确定了目标管道后,还可以通过历史检测日志或历史检测记录中获取所述管道-模型映射关系,并从该管道-模型映射关系中查找目标管道对应的检测模型,从而可以在执行时省去训练模型的过程,提高检测效率。具体的,在从管道-模型映射关系中查找对应目标管道的泄漏检测模型时,可以通过该目标管道的标识进行查询,或者通过该目标管道的相关参数确定与之相同的管道的检测模型作为该目标管道的泄漏检测模型。当然,本发明在确定所述目标管道的泄漏点检测模型的过程中,可以包含但不限于上述所述的方法,可根据实际需要选取。
204、将所述管道运行参数输入至所述管道泄漏检测模型进行管道泄漏检测,得到检测结果。
由于在检测过程中,对于管道泄漏点的检测存在的影响包含温度的影响,因此在本步骤中可以获取当前管道中的上述参数,作为当前需要进行检测操作的当前运行参数,然后根据当前运行参数并利用管道泄漏检测模型进行T型管道的泄漏检测。
具体的,本步骤执行时具体方式为:将所述泄漏时的温度、泄漏时间同时输入至所述管道泄漏检测模型中,并根据所述管道泄漏检测模型得到泄漏检测结果,所述泄漏检测结果包含泄漏点对应的泄漏位置。这样,通过当前管道运行参数可以得到当前运行情况下泄漏情况的检测,并得到泄漏点的具体位置,从而为后续人员进行泄漏点的维护奠定基础。
进一步的,作为对上述图1所示方法的实现,本发明实施例还提供了一种管道泄漏的检测装置,用于对上述图1所示的方法进行实现。该装置实施例与前述方法实施例对应,为便于阅读,本装置实施例不再对前述方法实施例中的细节内容进行逐一赘述,但应当明确,本实施例中的装置能够对应实现前述方法实施例中的全部内容。如图3所示,该装置包括:确定单元31及检测单元32,其中
确定单元31,可以用于接收目标管道的管道运行参数,并确定所述目标管道的管道泄漏检测模型,所述管道运行参数至少包括泄漏时的温度及泄漏时间;
检测单元32,可以用于将所述确定单元31接收到的管道运行参数输入至所述管道泄漏检测模型进行管道泄漏检测,得到检测结果,其中,所述管道泄漏检测模型的构建方式包括:从目标管道的历史数据中获取模型训练数据,并根据所述模型训练数据结合机器学习算法构建目标管道的管道泄漏检测模型,所述模型训练数据包括有泄漏时间、泄漏位置以及泄漏时的温度。
进一步的,作为对上述图2所示方法的实现,本发明实施例还提供了一种管道泄漏的检测装置,用于对上述图2所示的方法进行实现。该装置实施例与前述方法实施例对应,为便于阅读,本装置实施例不再对前述方法实施例中的细节内容进行逐一赘述,但应当明确,本实施例中的装置能够对应实现前述方法实施例中的全部内容。如图4所示,该装置包括:确定单元41及检测单元42,其中
确定单元41,可以用于接收目标管道的管道运行参数,并确定所述目标管道的管道泄漏检测模型,所述管道运行参数至少包括泄漏时的温度及泄漏时间;
检测单元42,可以用于将所述确定单元41接收到的管道运行参数输入至所述管道泄漏检测模型进行管道泄漏检测,得到检测结果,其中,所述管道泄漏检测模型的构建方式包括:从目标管道的历史数据中获取模型训练数据,并根据所述模型训练数据结合机器学习算法构建目标管道的管道泄漏检测模型,所述模型训练数据包括有泄漏时间、泄漏位置以及泄漏时的温度。
进一步的,所述从目标管道的历史数据中获取模型训练数据包括:
获取目标管道的历史数据,并从所述历史数据中获取泄漏数据集,所述泄漏数据集中包含有多条泄漏数据,每条泄漏数据中包含泄漏时间、泄漏位置、泄漏时的温度以及相关参数信息,所述相关参数信息包括管道材质、管道直径、管道厚度以及管道约束条件;
从所述泄漏数据集中获取目标数量的泄漏数据作为所述模型训练数据。
进一步的,所述机器学习算法至少包括梯度提升树、支持向量机、朴素贝叶斯、决策树以及随机森林;
所述根据所述模型训练数据结合机器学习算法构建目标管道的管道泄漏检测模型包括;
根据所述模型训练数据结合机器学习算法训练多个备选模型,所述备选模型是基于所述模型训练数据中的每条训练数据训练后得到的;
从目标管道的历史数据中获取模型测试数据,所述模型测试数据包含有多条所述泄漏数据;
根据所述模型测试数据分别对每个备选模型进行测试,并得到每个备选模型的测试结果;
基于所述测试结果从所述多个备选模型中确定目标管道的管道泄漏检测模型。
进一步,所述根据所述模型测试数据分别对每个备选模型进行测试,并得到每个备选模型的测试结果包括:
通过所述模型测试数据分别对每个备选模型进行测试,得到每个备选模型的准确性、准确率及召回率;
所述基于所述测试结果从所述多个备选模型中确定目标管道的管道泄漏检测模型,包括:
根据所述权重得分,在所述多个备选模型中将权重得分最高的备选模型确定为所述目标管道的管道泄漏检测模型。
进一步的,所述检测单元,具体用于将所述管道运行参数输入至所述目标管道的管道泄漏检测模型中,并根据所述管道泄漏检测模型得到泄漏检测结果,所述泄漏检测结果包含泄漏点对应的泄漏位置。
借由上述技术方案,本发明实施例提供一种管道泄漏的检测方法及装置,对于现有的管道泄漏检测过程中检测结果的准确性和成本之间难以兼顾的问题,本发明通过首先接收目标管道的管道运行参数,并确定所述目标管道的管道泄漏检测模型,所述管道运行参数至少包括泄漏时的温度及泄漏时间;然后将所述管道运行参数输入至所述管道泄漏检测模型进行管道泄漏检测,得到检测结果,其中,所述管道泄漏检测模型的构建方式包括:从历史数据中获取模型训练数据,并根据所述模型训练数据结合机器学习算法构建管道泄漏检测模型,所述模型训练数据包括有泄漏时间、泄漏位置以及泄漏时的温度,从而实现对管道泄漏点的检测,本发明能够基于历史数据所训练出的检测模型来进行管道泄漏的检测,与现有的软件算法检测相比,能够对T型管道等复杂管道进行检测,不会受到此种复杂管道中噪声的干扰,提高了检测结果的准确性,同时,相较于硬件方式检测相比,无需额外设置硬件检测设备,能够从已知的实时运行参数进行管道泄漏的检测,大大降低了检测成本,因此,本发明能够在对于T型管道等复杂管道检测过程中,解决了现有技术在检测过程中对于准确性和成本难以兼顾的问题,能够兼顾检测准确性以及减少检测成本的需求。
处理器中包含内核,由内核去存储器中调取相应的程序单元。内核可以设置一个或以上,通过调整内核参数来实现一种能够兼顾准确性及成本的管道泄漏检测功能。
本发明实施例提供了一种存储介质,其上存储有程序,该程序被处理器执行时实现所述管道泄漏的检测方法。
本发明实施例提供了一种处理器,所述处理器用于运行程序,其中,所述程序运行时执行所述管道泄漏的检测方法。
本发明实施例提供了一种设备50,如图5所示,设备包括至少一个处理器501、以及与处理器连接的至少一个存储器502、总线503;其中,处理器501、存储器502通过总线503完成相互间的通信;处理器501用于调用存储器中的程序指令,以执行上述的管道泄漏的检测方法。
本文中的设备可以是服务器、PC、PAD、手机等。
本申请还提供了一种计算机程序产品,当在数据处理设备上执行时,适于执行初始化有如下方法步骤的程序:
接收目标管道的管道运行参数,并确定所述目标管道的管道泄漏检测模型,所述管道运行参数至少包括泄漏时的温度及泄漏时间;
将所述管道运行参数输入至所述管道泄漏检测模型进行管道泄漏检测,得到检测结果,其中,所述管道泄漏检测模型的构建方式包括:从目标管道的历史数据中获取模型训练数据,并根据所述模型训练数据结合机器学习算法构建目标管道的管道泄漏检测模型,所述模型训练数据包括有泄漏时间、泄漏位置以及泄漏时的温度。
进一步的,所述从目标管道的历史数据中获取模型训练数据包括:
获取目标管道的历史数据,并从所述历史数据中获取泄漏数据集,所述泄漏数据集中包含有多条泄漏数据,每条泄漏数据中包含泄漏时间、泄漏位置、泄漏时的温度以及相关参数信息,所述相关参数信息包括管道材质、管道直径、管道厚度以及管道约束条件;
从所述泄漏数据集中获取目标数量的泄漏数据作为所述模型训练数据。
进一步的,所述机器学习算法至少包括梯度提升树、支持向量机、朴素贝叶斯、决策树以及随机森林;
所述根据所述模型训练数据结合机器学习算法构建目标管道的管道泄漏检测模型包括;
根据所述模型训练数据结合机器学习算法训练多个备选模型,所述备选模型是基于所述模型训练数据中的每条训练数据训练后得到的;
从目标管道的历史数据中获取模型测试数据,所述模型测试数据包含有多条所述泄漏数据;
根据所述模型测试数据分别对每个备选模型进行测试,并得到每个备选模型的测试结果;
基于所述测试结果从所述多个备选模型中确定目标管道的管道泄漏检测模型。
进一步的,所述根据所述模型测试数据分别对每个备选模型进行测试,并得到每个备选模型的测试结果包括:
通过所述模型测试数据分别对每个备选模型进行测试,得到每个备选模型的准确性、准确率及召回率;
根据预设权重配置信息,确定每个备选模型的权重得分作为所述测试结果,所述预设权重配置信息包含有所述准确性、所述准确率及所述召回率三者的权重得分的计算规则;
所述基于所述测试结果从所述多个备选模型中确定目标管道的管道泄漏检测模型,包括:
根据所述权重得分,在所述多个备选模型中将权重得分最高的备选模型确定为所述目标管道的管道泄漏检测模型。
进一步的,所述将所述管道运行参数输入至所述管道泄漏检测模型进行管道泄漏检测,得到检测结果包括:
将所述管道运行参数输入至所述目标管道的管道泄漏检测模型中,并根据所述目标管道的管道泄漏检测模型得到泄漏检测结果,所述泄漏检测结果包含泄漏点对应的泄漏位置。
本申请是参照根据本申请实施例的方法、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。
在一个典型的配置中,设备包括一个或多个处理器(CPU)、存储器和总线。设备还可以包括输入/输出接口、网络接口等。
存储器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),存储器包括至少一个存储芯片。存储器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。
还需要说明的是,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、商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、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请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,本申请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。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种管道泄漏的检测方法,其特征在于,包括:
接收目标管道的管道运行参数,并确定所述目标管道的管道泄漏检测模型,所述管道运行参数至少包括泄漏时的温度及泄漏时间;
将所述管道运行参数输入至所述管道泄漏检测模型进行管道泄漏检测,得到检测结果,其中,所述管道泄漏检测模型的构建方式包括:从所述目标管道的历史数据中获取模型训练数据,并根据所述模型训练数据结合机器学习算法构建所述目标管道的管道泄漏检测模型,所述模型训练数据包括有泄漏时间、泄漏位置以及泄漏时的温度。
2.根据权利要求1所述的方法,其特征在于,所述从所述目标管道的历史数据中获取模型训练数据包括:
获取所述目标管道的历史数据,并从所述历史数据中获取泄漏数据集,所述泄漏数据集中包含有多条泄漏数据,每条泄漏数据中包含泄漏时间、泄漏位置、泄漏时的温度;
从所述泄漏数据集中获取目标数量的泄漏数据作为所述模型训练数据。
3.根据权利要求2所述的方法,其特征在于,所述根据所述模型训练数据结合机器学习算法构建所述目标管道的管道泄漏检测模型包括:
根据所述模型训练数据结合机器学习算法训练多个备选模型,所述备选模型是基于所述模型训练数据中的每条训练数据训练后得到的;
从所述目标管道的历史数据中获取模型测试数据,所述模型测试数据包含有多条所述泄漏数据;
根据所述模型测试数据分别对每个备选模型进行测试,并得到每个备选模型的测试结果;
基于所述测试结果从所述多个备选模型中确定所述目标管道的管道泄漏检测模型。
4.根据权利要求3所述的方法,其特征在于,所述根据所述模型测试数据分别对每个备选模型进行测试,并得到每个备选模型的测试结果包括:
通过所述模型测试数据分别对每个备选模型进行测试,得到每个备选模型的准确性、准确率及召回率;
根据预设权重配置信息,确定每个备选模型的权重得分作为所述测试结果,所述预设权重配置信息包含有所述准确性、所述准确率及所述召回率三者的权重得分的计算规则;
所述基于所述测试结果从所述多个备选模型中确定所述目标管道的管道泄漏检测模型,包括:
根据所述权重得分,在所述多个备选模型中将权重得分最高的备选模型确定为所述目标管道的管道泄漏检测模型。
5.根据权利要求1-4中任一项所述的方法,其特征在于,所述将所述管道运行参数输入至所述管道泄漏检测模型进行管道泄漏检测,得到检测结果包括:
将所述管道运行参数输入至所述目标管道的管道泄漏检测模型中,并根据所述目标管道的管道泄漏检测模型得到泄漏检测结果,所述泄漏检测结果包含泄漏点对应的泄漏位置。
6.一种管道泄漏的检测装置,其特征在于,包括:
确定单元,用于接收目标管道的管道运行参数,并确定所述目标管道的管道泄漏检测模型,所述管道运行参数至少包括泄漏时的温度及泄漏时间;
检测单元,用于将所述管道运行参数输入至所述管道泄漏检测模型进行管道泄漏检测,得到检测结果,其中,所述管道泄漏检测模型的构建方式包括:从所述目标管道的历史数据中获取模型训练数据,并根据所述模型训练数据结合机器学习算法构建所述目标管道的管道泄漏检测模型,所述模型训练数据包括有泄漏时间、泄漏位置以及泄漏时的温度。
7.根据权利要求6所述的装置,其特征在于,所述从所述目标管道的历史数据中获取模型训练数据包括:
获取所述目标管道的历史数据,并从所述历史数据中获取泄漏数据集,所述泄漏数据集中包含有多条泄漏数据,每条泄漏数据中包含泄漏时间、泄漏位置、泄漏时的温度;
从所述泄漏数据集中获取目标数量的泄漏数据作为所述模型训练数据。
8.根据权利要求7所述的装置,其特征在于,所述根据所述模型训练数据结合机器学习算法构建所述目标管道的管道泄漏检测模型包括;
根据所述模型训练数据结合机器学习算法训练多个备选模型,所述备选模型是基于所述模型训练数据中的每条训练数据训练后得到的;
从所述目标管道的历史数据中获取模型测试数据,所述模型测试数据包含有多条所述泄漏数据;
根据所述模型测试数据分别对每个备选模型进行测试,并得到每个备选模型的测试结果;
基于所述测试结果从所述多个备选模型中确定所述目标管道的管道泄漏检测模型。
9.一种存储介质,其特征在于,所述存储介质包括存储的程序,其中,在所述程序运行时控制所述存储介质所在设备执行权利要求1至权利要求5中任意一项所述的管道泄漏的检测方法。
10.一种设备,其特征在于,所述设备包括至少一个处理器、以及与所述处理器连接的至少一个存储器、总线;
其中,所述处理器、存储器通过所述总线完成相互间的通信;
所述处理器用于调用存储器中的程序指令,以执行权利要求1至权利要求5中任意一项所述的管道泄漏的检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911400995.XA CN113063100A (zh) | 2019-12-30 | 2019-12-30 | 管道泄漏的检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911400995.XA CN113063100A (zh) | 2019-12-30 | 2019-12-30 | 管道泄漏的检测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113063100A true CN113063100A (zh) | 2021-07-02 |
Family
ID=76558454
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911400995.XA Withdrawn CN113063100A (zh) | 2019-12-30 | 2019-12-30 | 管道泄漏的检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113063100A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113446519A (zh) * | 2021-09-01 | 2021-09-28 | 蘑菇物联技术(深圳)有限公司 | 用于确定管网泄漏程度的方法、电子设备和存储介质 |
CN114018498A (zh) * | 2021-09-22 | 2022-02-08 | 国网河北省电力有限公司营销服务中心 | 气阀装置的漏气状态评估方法、装置、终端及存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103939749A (zh) * | 2014-04-28 | 2014-07-23 | 东北大学 | 基于大数据的输油管网泄漏智能自适应监控系统及方法 |
CN103994334A (zh) * | 2014-05-30 | 2014-08-20 | 东北大学 | 基于kpca-rbf曲线拟合的输油管道泄漏流量估计装置及方法 |
CN105546352A (zh) * | 2015-12-21 | 2016-05-04 | 重庆科技学院 | 基于声音信号的天然气管道微泄漏检测方法 |
CN106090630A (zh) * | 2016-06-16 | 2016-11-09 | 厦门数析信息科技有限公司 | 基于集成分类器的液体管道检漏方法及其系统 |
CN106845437A (zh) * | 2017-02-13 | 2017-06-13 | 常州大学 | 基于支持向量机回归的城市燃气管道泄漏定位方法 |
CN107622427A (zh) * | 2016-07-13 | 2018-01-23 | 阿里巴巴集团控股有限公司 | 深度学习的方法、装置及系统 |
CN108730776A (zh) * | 2018-06-22 | 2018-11-02 | 大连理工大学 | 一种基于极限学习机信息融合的输油管道泄漏检测方法 |
CN109934341A (zh) * | 2017-11-13 | 2019-06-25 | 埃森哲环球解决方案有限公司 | 训练、验证以及监测人工智能和机器学习的模型 |
CN110084374A (zh) * | 2019-04-24 | 2019-08-02 | 第四范式(北京)技术有限公司 | 构建基于pu学习的模型的方法、装置及预测方法、装置 |
CN110107819A (zh) * | 2019-05-17 | 2019-08-09 | 河南工业大学 | 一种石化产品输送管道泄露监测预警系统及方法 |
CN110383308A (zh) * | 2017-04-13 | 2019-10-25 | 甲骨文国际公司 | 预测管道泄漏的新型自动人工智能系统 |
-
2019
- 2019-12-30 CN CN201911400995.XA patent/CN113063100A/zh not_active Withdrawn
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103939749A (zh) * | 2014-04-28 | 2014-07-23 | 东北大学 | 基于大数据的输油管网泄漏智能自适应监控系统及方法 |
US20150308919A1 (en) * | 2014-04-28 | 2015-10-29 | Northeastern University | Intelligent adaptive system and method for monitoring leakage of oil pipeline networks based on big data |
CN103994334A (zh) * | 2014-05-30 | 2014-08-20 | 东北大学 | 基于kpca-rbf曲线拟合的输油管道泄漏流量估计装置及方法 |
CN105546352A (zh) * | 2015-12-21 | 2016-05-04 | 重庆科技学院 | 基于声音信号的天然气管道微泄漏检测方法 |
CN106090630A (zh) * | 2016-06-16 | 2016-11-09 | 厦门数析信息科技有限公司 | 基于集成分类器的液体管道检漏方法及其系统 |
CN107622427A (zh) * | 2016-07-13 | 2018-01-23 | 阿里巴巴集团控股有限公司 | 深度学习的方法、装置及系统 |
CN106845437A (zh) * | 2017-02-13 | 2017-06-13 | 常州大学 | 基于支持向量机回归的城市燃气管道泄漏定位方法 |
CN110383308A (zh) * | 2017-04-13 | 2019-10-25 | 甲骨文国际公司 | 预测管道泄漏的新型自动人工智能系统 |
CN109934341A (zh) * | 2017-11-13 | 2019-06-25 | 埃森哲环球解决方案有限公司 | 训练、验证以及监测人工智能和机器学习的模型 |
CN108730776A (zh) * | 2018-06-22 | 2018-11-02 | 大连理工大学 | 一种基于极限学习机信息融合的输油管道泄漏检测方法 |
CN110084374A (zh) * | 2019-04-24 | 2019-08-02 | 第四范式(北京)技术有限公司 | 构建基于pu学习的模型的方法、装置及预测方法、装置 |
CN110107819A (zh) * | 2019-05-17 | 2019-08-09 | 河南工业大学 | 一种石化产品输送管道泄露监测预警系统及方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113446519A (zh) * | 2021-09-01 | 2021-09-28 | 蘑菇物联技术(深圳)有限公司 | 用于确定管网泄漏程度的方法、电子设备和存储介质 |
CN114018498A (zh) * | 2021-09-22 | 2022-02-08 | 国网河北省电力有限公司营销服务中心 | 气阀装置的漏气状态评估方法、装置、终端及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Duan et al. | Extended blockage detection in pipes using the system frequency response: analytical analysis and experimental verification | |
Sophocleous et al. | Leak localization in a real water distribution network based on search-space reduction | |
CN108591836B (zh) | 管道泄漏的检测方法和装置 | |
Meniconi et al. | Experimental investigation of coupled frequency and time-domain transient test–based techniques for partial blockage detection in pipelines | |
Mohapatra et al. | Detection of partial blockage in single pipelines | |
Begovich et al. | Online implementation of a leak isolation algorithm in a plastic pipeline prototype | |
KR20140145637A (ko) | 상수도 네트워크의 자원 모니터링 시스템 및 방법 | |
Huang et al. | An optimization approach to leak detection in pipe networks using simulated annealing | |
Zouari et al. | Internal pipe area reconstruction as a tool for blockage detection | |
Bohorquez et al. | Merging fluid transient waves and artificial neural networks for burst detection and identification in pipelines | |
CN113063100A (zh) | 管道泄漏的检测方法及装置 | |
KR102413399B1 (ko) | 기계 학습 기반의 해양 플랜트 파이프라인 누출 진단 시스템 | |
Kammoun et al. | Leak detection methods in water distribution networks: a comparative survey on artificial intelligence applications | |
CN109723977A (zh) | 一种成品油管道的停输泄漏判定方法、设备以及系统 | |
Coronado-Hernández et al. | Rigid water column model for simulating the emptying process in a pipeline using pressurized air | |
Okeya et al. | Locating pipe bursts in a district metered area via online hydraulic modelling | |
CN111062127A (zh) | 管道漏点的检测方法及装置、存储介质、终端 | |
Lu et al. | Theory and machine learning modeling for burst pressure estimation of pipeline with multipoint corrosion | |
Guan et al. | Pressure-driven background leakage models and their application for leak localization using a multi-population genetic algorithm | |
Provenzano et al. | Assessing a local losses evaluation procedure for low-pressure lay-flat drip laterals | |
Al-Tofan et al. | Use of lower harmonics of pressure oscillations for blockage detection in liquid pipelines | |
Obshta et al. | Cyber-Physical System for Diagnostic Along the Controlled Section of the Oil Pipeline | |
US20220196512A1 (en) | Detection of a leakage in a supply grid | |
Wang et al. | Study on topology-based identification of sources of vulnerability for natural gas pipeline networks | |
CN115238436A (zh) | 基于贝叶斯理论的电动阀失效数据构建方法及装置 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210702 |
|
WW01 | Invention patent application withdrawn after publication |