CN113761211A - 基于知识图谱的管道内腐蚀预测方法及装置 - Google Patents

基于知识图谱的管道内腐蚀预测方法及装置 Download PDF

Info

Publication number
CN113761211A
CN113761211A CN202010483460.XA CN202010483460A CN113761211A CN 113761211 A CN113761211 A CN 113761211A CN 202010483460 A CN202010483460 A CN 202010483460A CN 113761211 A CN113761211 A CN 113761211A
Authority
CN
China
Prior art keywords
entity
pipeline
corrosion
extraction result
pipe
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
Application number
CN202010483460.XA
Other languages
English (en)
Inventor
杨静
王晓霖
王勇
李明
周立国
王晓司
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sinopec Dalian Petrochemical Research Institute Co ltd
China Petroleum and Chemical Corp
Original Assignee
China Petroleum and Chemical Corp
Sinopec Dalian Research Institute of Petroleum and Petrochemicals
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Petroleum and Chemical Corp, Sinopec Dalian Research Institute of Petroleum and Petrochemicals filed Critical China Petroleum and Chemical Corp
Priority to CN202010483460.XA priority Critical patent/CN113761211A/zh
Publication of CN113761211A publication Critical patent/CN113761211A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • 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
    • G06F16/2455—Query execution
    • G06F16/24564—Applying rules; Deductive queries
    • 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
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/288—Entity relationship models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computational Linguistics (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Tourism & Hospitality (AREA)
  • Educational Administration (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Testing Resistance To Weather, Investigating Materials By Mechanical Methods (AREA)

Abstract

本发明实施例提供一种基于知识图谱的管道内腐蚀预测方法及装置，方法包括：构建管道内腐蚀预测领域本体；对上述领域本体进行实体抽取和实体属性抽取；进行规范处理，得到规范后的实体抽取结果和实体属性抽取结果；同时建立实体关系推理规则和实体属性推理规则；根据规范后的实体抽取结果和实体属性抽取结果，以及，实体关系推理规则和实体属性推理规则，建立管道内腐蚀预测知识图谱；对管道内腐蚀进行预测；本发明实施例通过构建管道内腐蚀预测领域本体，以及，实体关系推理规则和实体属性推理规则，建立管道内腐蚀预测知识图谱进行管道内腐蚀进行预测，为管道安全生产与管道腐蚀防护提供有效决策参考和快速决策工具。

Description

基于知识图谱的管道内腐蚀预测方法及装置
技术领域
本发明涉及计算机技术领域，尤其涉及一种基于知识图谱的管道内腐蚀预测方法、装置、电子设备及存储介质。
背景技术
腐蚀是造成油气管道失效的重要因素之一，也是管道运营企业一直关注和管控的重点。由于管道腐蚀影响因素复杂多样，针对腐蚀缺陷的分析与预测并未形成统一的有效方法。近年来，随着管道内检测技术的应用推广，通过内检测数据直观反映管道腐蚀状况，为腐蚀缺陷的维修决策与管道安全运行提供了有力保障。然而，管道内检测成本高昂，不可能经常性开展，且部分管道通常不具备内检测条件。因此，如何充分利用各类数据进行腐蚀原因分析与腐蚀预测，是有效预防管道腐蚀失效、确保管道安全运行的关键。
发明内容
针对现有技术中的问题，本发明实施例提供一种基于知识图谱的管道内腐蚀预测方法及装置。
具体地，本发明实施例提供了以下技术方案：
第一方面，本发明实施例提供了一种基于知识图谱的管道内腐蚀预测方法，包括：构建管道内腐蚀预测领域本体；
根据管道内腐蚀知识数据库对所述管道内腐蚀预测领域本体进行实体抽取和实体属性抽取；
对实体抽取结果和实体属性抽取结果进行规范处理，得到规范后的实体抽取结果和实体属性抽取结果；
为规范后的实体抽取结果和实体属性抽取结果建立实体关系推理规则和实体属性推理规则；
根据规范后的实体抽取结果和实体属性抽取结果，以及，实体关系推理规则和实体属性推理规则，建立管道内腐蚀预测知识图谱；
根据所述管道内腐蚀预测知识图谱对管道内腐蚀进行预测。
进一步地，所述构建管道内腐蚀预测领域本体，包括：
构建包含内腐蚀分析、管道本体、输送介质和运行工艺四个概念类的管道内腐蚀预测领域本体；
其中，所述内腐蚀分析包括管段、管段单元、管道倾角、持液率、流速、腐蚀介质分压和内腐蚀风险指数；
所述管道本体包括管材、管径、壁厚、粗糙度、位置、综合导热系数和管周土壤温度；
所述输送介质包括组分含量、密度、粘度和热值；
所述运行工艺包括流量、压力和温度；
其中，所述内腐蚀分析中的所述管段包括起点里程、起点高程、终点里程和终点高程；
所述内腐蚀分析中的所述管段单元包括里程、高程；
所述管道本体中的所述位置包括里程向量和高程向量；
所述运行工艺中的所述温度包括进口温度和出口温度；
所述运行工艺中的所述压力包括进口压力和出口压力。
进一步地，所述根据管道内腐蚀知识数据库对所述管道内腐蚀预测领域本体进行实体抽取和实体属性抽取，具体包括：
根据管道设计资料、竣工资料、数据采集与监控系统、管线管理系统、检测报告、日常维护记录和工艺仿真结果中的结构化、半结构化和非结构化数据，对所述管道内腐蚀预测领域本体进行实体抽取和实体属性抽取。
进一步地，所述对实体抽取结果和实体属性抽取结果进行规范处理，得到规范后的实体抽取结果和实体属性抽取结果，具体包括：
对实体抽取结果进行实体匹配处理，包括：对实体中的数据进行筛选处理和合并处理，得到消除数据间矛盾和歧义的实体抽取结果；
对实体属性抽取结果进行模式对齐处理，包括：对实体属性按照位置信息进行统一对齐。
进一步地，所述为规范后的实体抽取结果和实体属性抽取结果建立实体关系推理规则和实体属性推理规则，具体包括：
为规范后的实体抽取结果建立实体关系推理规则，包括：
为实体管段与实体管道本体建立管段的位置信息包含于管道本体的路由信息中的实体关系推理规则；
为实体管段单元与实体管段建立管段单元的位置信息包含于管段的位置信息中的实体关系推理规则；
为实体输送介质与实体管段单元建立输送介质的组分及含量、密度、粘度、热值与管段单元位置的实体关系推理规则；
为实体内腐蚀分析与实体管段单元建立内腐蚀分析中的管道倾角、持液率、流速、腐蚀介质分压和内腐蚀风险指数与不同管段单元的温度和压力的实体关系推理规则；
为规范后的实体属性抽取结果建立实体属性推理规则，包括：
根据第一关系模型，为建立腐蚀风险指数实体属性推理规则；
其中，第一关系模型包括：
Figure BDA0002518251440000031
进一步地，根据所述管道内腐蚀预测知识图谱对管道内腐蚀进行预测，具体包括：
根据所述管道内腐蚀预测知识图谱中显示的所述内腐蚀分析中所述腐蚀风险指数的数值，按照数值高低确定管道内腐蚀敏感管段。
第二方面，本发明实施例还提供了一种基于知识图谱的管道内腐蚀预测装置，包括：构建模块，用于构建管道内腐蚀预测领域本体；
抽取模块，用于根据管道内腐蚀知识数据库对所述管道内腐蚀预测领域本体进行实体抽取和实体属性抽取；
规范处理模块，用于对实体抽取结果和实体属性抽取结果进行规范处理，得到规范后的实体抽取结果和实体属性抽取结果；
推理规则模块，用于为规范后的实体抽取结果和实体属性抽取结果建立实体关系推理规则和实体属性推理规则；
知识图谱建立模块，用于根据规范后的实体抽取结果和实体属性抽取结果，以及，实体关系推理规则和实体属性推理规则，建立管道内腐蚀预测知识图谱；
预测模块，用于根据所述管道内腐蚀预测知识图谱对管道内腐蚀进行预测。
进一步地，所述构建模块，具体用于：
构建包含内腐蚀分析、管道本体、输送介质和运行工艺四个概念类的管道内腐蚀预测领域本体；
其中，所述内腐蚀分析包括管段、管段单元、管道倾角、持液率、流速、腐蚀介质分压和内腐蚀风险指数；
所述管道本体包括管材、管径、壁厚、粗糙度、位置、综合导热系数和管周土壤温度；
所述输送介质包括组分含量、密度、粘度和热值；
所述运行工艺包括流量、压力和温度；
其中，所述内腐蚀分析中的所述管段包括起点里程、起点高程、终点里程和终点高程；
所述内腐蚀分析中的所述管段单元包括里程、高程；
所述管道本体中的所述位置包括里程向量和高程向量；
所述运行工艺中的所述温度包括进口温度和出口温度；
所述运行工艺中的所述压力包括进口压力和出口压力。
第三方面，本发明实施例还提供了一种电子设备，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，所述处理器执行所述程序时实现如第一方面所述基于知识图谱的管道内腐蚀预测方法。
第四方面，本发明实施例还提供了一种非暂态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如第一方面所述基于知识图谱的管道内腐蚀预测方法。
由上面技术方案可知，本发明实施例提供的基于知识图谱的管道内腐蚀预测方法及装置，通过构建管道内腐蚀预测领域本体；根据管道内腐蚀知识数据库对所述管道内腐蚀预测领域本体进行实体抽取和实体属性抽取；对实体抽取结果和实体属性抽取结果进行规范处理，得到规范后的实体抽取结果和实体属性抽取结果；为规范后的实体抽取结果和实体属性抽取结果建立实体关系推理规则和实体属性推理规则；根据规范后的实体抽取结果和实体属性抽取结果，以及，实体关系推理规则和实体属性推理规则，建立管道内腐蚀预测知识图谱；根据所述管道内腐蚀预测知识图谱对管道内腐蚀进行预测，本发明实施例通过构建管道内腐蚀预测领域本体，以及，实体关系推理规则和实体属性推理规则，建立管道内腐蚀预测知识图谱对管道内腐蚀进行预测，为管道安全生产与管道腐蚀防护提供有效决策参考和快速决策工具。
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一简单地介绍，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为本发明一实施例提供的基于知识图谱的管道内腐蚀预测方法的流程图；
图2为本发明一实施例提供的一示例的管道内腐蚀预测领域本体模型层次结构示意图；
图3为本发明一实施例提供的一示例的管道内腐蚀预测知识图谱示意图；
图4为本发明一实施例提供的基于知识图谱的管道内腐蚀预测装置的结构示意图；
图5为本发明一实施例提供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、完整地描述，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。
图1示出了本发明实施例提供的基于知识图谱的管道内腐蚀预测方法的流程图。如图1所示，本发明实施例提供的基于知识图谱的管道内腐蚀预测方法包括如下步骤：
步骤101：构建管道内腐蚀预测领域本体。
在本步骤中，举例来说，分析梳理管道内腐蚀相关影响因素，构建管道内腐蚀预测领域本体。
步骤102：根据管道内腐蚀知识数据库对所述管道内腐蚀预测领域本体进行实体抽取和实体属性抽取。
在本步骤中，举例来说，管道内腐蚀知识数据库为搜集管道设计、建造施工及运行维护等资料，作为管道内腐蚀知识数据库对所述管道内腐蚀预测领域本体进行实体抽取和实体属性抽取。
步骤103：对实体抽取结果和实体属性抽取结果进行规范处理，得到规范后的实体抽取结果和实体属性抽取结果。
在本步骤中，举例来说，规范处理为对实体抽取结果和实体属性抽取结果进行知识融合，知识融合例如为对实体抽取结果进行实体匹配处理，对实体属性抽取结果进行模式对齐处理。
步骤104：为规范后的实体抽取结果和实体属性抽取结果建立实体关系推理规则和实体属性推理规则。
在本步骤中，举例来说，所述实体关系规则是是对实体间潜在的关系进行推断和理解。如所属管段属于所述管道本体上的一个区段，管段的位置信息包含于管道本体的路由信息中；所述管段单元属于所述管段上的一个子区段，管段单元的位置信息包含于管段的位置信息中；所述输送介质的组分及含量、密度、粘度、热值等均是在一定温度和压力条件下的数值，而温度和压力与管段单元位置有关，故所述输送介质的组分及含量、密度、粘度、热值等与管段单元位置相关；所述内腐蚀分析中的管道倾角、持液率、流速、腐蚀介质分压、腐蚀风险指数等均是在某一管段单元处的数值，而不同管段单元处温度压力存在差别，故所述内腐蚀分析中的管道倾角、持液率、流速、腐蚀介质分压、腐蚀风险指数等与温度、压力相关。
所述实体属性推理规则是对实体的属性进行推理和更新，一般通过定义计算规则实现。如所述输送介质密度、粘度、热值等可根据介质组分及含量、温度、压力等按照一定的经验公式计算得到；所述内腐蚀分析中的管道倾角、持液率、流速、腐蚀介质分压等均可按照定义式或流动经验公式计算获得。所述内腐蚀分析中腐蚀风险指数由管道倾角、持液率、流速和腐蚀介质分压数值按照一定规则确定。
步骤105：根据规范后的实体抽取结果和实体属性抽取结果，以及，实体关系推理规则和实体属性推理规则，建立管道内腐蚀预测知识图谱。
在本步骤中，举例来说，根据规范后的实体抽取结果和实体属性抽取结果，以及，实体关系推理规则和实体属性推理规则，存入知识图谱数据层，建立管道内腐蚀预测知识图谱。
步骤106：根据所述管道内腐蚀预测知识图谱对管道内腐蚀进行预测。
在本步骤中，举例来说，例如根据管道内腐蚀预测知识图谱中显示的所述内腐蚀分析中所述腐蚀风险指数数值，按照数值高低确定管道内腐蚀敏感管段单元及其位置信息。
由上面技术方案可知，本发明实施例提供的基于知识图谱的管道内腐蚀预测方法及装置，通过构建管道内腐蚀预测领域本体；根据管道内腐蚀知识数据库对所述管道内腐蚀预测领域本体进行实体抽取和实体属性抽取；对实体抽取结果和实体属性抽取结果进行规范处理，得到规范后的实体抽取结果和实体属性抽取结果；为规范后的实体抽取结果和实体属性抽取结果建立实体关系推理规则和实体属性推理规则；根据规范后的实体抽取结果和实体属性抽取结果，以及，实体关系推理规则和实体属性推理规则，建立管道内腐蚀预测知识图谱；根据所述管道内腐蚀预测知识图谱对管道内腐蚀进行预测。本发明实施例通过构建管道内腐蚀预测领域本体，以及，实体关系推理规则和实体属性推理规则，建立管道内腐蚀预测知识图谱进行管道内腐蚀进行预测，为管道安全生产与管道腐蚀防护提供有效决策参考和快速决策工具。
在上述实施例的基础上，参见图2，在本发明实施例中，所述构建管道内腐蚀预测领域本体，包括：
构建包含内腐蚀分析、管道本体、输送介质和运行工艺四个概念类的管道内腐蚀预测领域本体；
其中，所述内腐蚀分析包括管段、管段单元、管道倾角、持液率、流速、腐蚀介质分压和内腐蚀风险指数；
所述管道本体包括管材、管径、壁厚、粗糙度、位置、综合导热系数和管周土壤温度；
所述输送介质包括组分含量、密度、粘度和热值；
所述运行工艺包括流量、压力和温度；
其中，所述内腐蚀分析中的所述管段包括起点里程、起点高程、终点里程和终点高程；
所述内腐蚀分析中的所述管段单元包括里程、高程；
所述管道本体中的所述位置包括里程向量和高程向量；
所述运行工艺中的所述温度包括进口温度和出口温度；
所述运行工艺中的所述压力包括进口压力和出口压力。
由上面技术方案可知，本发明实施例提供的基于知识图谱的管道内腐蚀预测方法，通过知识图谱技术挖掘管道本体、输送介质、运行工艺等相关参数与管道内腐蚀的内在关联关系，为管道安全生产与管道腐蚀防护提供有效决策参考和快速决策工具。
在上述实施例的基础上，在本实施例中，所述根据管道内腐蚀知识数据库对所述管道内腐蚀预测领域本体进行实体抽取和实体属性抽取，具体包括：
根据管道设计资料、竣工资料、数据采集与监控系统、管线管理系统、检测报告、日常维护记录和工艺仿真结果中的结构化、半结构化和非结构化数据，对所述管道内腐蚀预测领域本体进行实体抽取和实体属性抽取。
在本实施例中，举例来说，将管道设计资料、竣工资料、数据采集与监控系统、管线管理系统、检测报告、日常维护记录和工艺仿真结果作为信息来源，从信息来源中的结构化、半结构化和非结构化等多元数据中进行实体抽取、关系抽取和属性抽取，梳理出实体、实体之间关系及实体属性。
在本实施例中，为方便理解，管道内腐蚀预测实体关系列表可以如下表1所示。
表1管道内腐蚀预测实体关系列表
Figure BDA0002518251440000091
由上面技术方案可知，本发明实施例提供的基于知识图谱的管道内腐蚀预测方法，通过根据管道设计资料、竣工资料、数据采集与监控系统、管线管理系统、检测报告、日常维护记录和工艺仿真结果中的结构化、半结构化和非结构化数据，对所述管道内腐蚀预测领域本体进行实体抽取和实体属性抽取，从而结合实际情况以及管理经验和专家经验，实现基于多源异构数据的管道内腐蚀预测，为管道运行维护提供决策支持。
在上述实施例的基础上，在本实施例中，所述对实体抽取结果和实体属性抽取结果进行规范处理，得到规范后的实体抽取结果和实体属性抽取结果，具体包括：
对实体抽取结果进行实体匹配处理，包括：对实体中的数据进行筛选处理和合并处理，得到消除数据间矛盾和歧义的实体抽取结果；
对实体属性抽取结果进行模式对齐处理，包括：对实体属性按照位置信息进行统一对齐。
在本实施例中，对实体中的数据进行筛选处理和合并处理，得到消除数据间矛盾和歧义的实体抽取结果，为方便理解，举例来说，如将“管道材质”、“管材”、“钢材类型”等统一标识为“管材”，将“管道直径”、“管径”、“管道外径”等统一标识为“管径”，将“管道壁厚”、“壁厚”、“公称壁厚”等统一标识为“壁厚”，从而消除数据间的矛盾和歧义，形成统一的知识标识和关联。
在本实施例中，对实体属性抽取结果进行模式对齐处理，包括：对实体属性按照位置信息进行统一对齐，为方便理解，举例来说，如将所述管道本体中的管材、管径、壁厚、粗糙度等按照路由中的位置信息进行对齐，将所述内腐蚀分析中的管道倾角、流速、持液率、腐蚀介质分压、内腐蚀风险指数等实体属性与所述管段单元进行对齐。
由上面技术方案可知，本发明实施例提供的基于知识图谱的管道内腐蚀预测方法，通过实体匹配处理，从而得到消除数据间矛盾和歧义的实体抽取结果；通过模式对齐处理，从而建立数据间关联关系，避免数据孤岛。
在上述实施例的基础上，在本实施例中，所述为规范后的实体抽取结果和实体属性抽取结果建立实体关系推理规则和实体属性推理规则，具体包括：
为规范后的实体抽取结果建立实体关系推理规则，包括：
为实体管段与实体管道本体建立管段的位置信息包含于管道本体的路由信息中的实体关系推理规则；
为实体管段单元与实体管段建立管段单元的位置信息包含于管段的位置信息中的实体关系推理规则；
为实体输送介质与实体管段单元建立输送介质的组分及含量、密度、粘度、热值与管段单元位置的实体关系推理规则；
为实体内腐蚀分析与实体管段单元建立内腐蚀分析中的管道倾角、持液率、流速、腐蚀介质分压和内腐蚀风险指数与不同管段单元的温度和压力的实体关系推理规则；
为规范后的实体属性抽取结果建立实体属性推理规则，包括：
根据第一关系模型，为建立腐蚀风险指数实体属性推理规则；
其中，第一关系模型包括：
Figure BDA0002518251440000111
在本实施例中，参见图3，举例来说，针对管道内腐蚀预测本体建立内腐蚀预测知识推理规则，包括实体关系推理规则和实体属性推理规则。
所述实体关系推理规则是对实体间潜在的关系进行推断和理解。如所属管段属于所述管道本体上的一个区段，管段的位置信息包含于管道本体的路由信息中；所述管段单元属于所述管段上的一个子区段，管段单元的位置信息包含于管段的位置信息中；所述输送介质的组分及含量、密度、粘度、热值等均是在一定温度和压力条件下的数值，而温度和压力与管段单元位置有关，故所述输送介质的组分及含量、密度、粘度、热值等与管段单元位置相关；所述内腐蚀分析中的管道倾角、持液率、流速、腐蚀介质分压、腐蚀风险指数等均是在某一管段单元处的数值，而不同管段单元处温度压力存在差别，故所述内腐蚀分析中的管道倾角、持液率、流速、腐蚀介质分压、腐蚀风险指数等与温度、压力相关。
所述实体属性推理规则是对实体的属性进行推理和更新，一般通过定义计算规则实现。如所述输送介质密度、粘度、热值等可根据介质组分及含量、温度、压力等按照一定的经验公式计算得到；所述内腐蚀分析中的管道倾角、持液率、流速、腐蚀介质分压等均可按照定义式或流动经验公式计算获得。所述内腐蚀分析中腐蚀风险指数由管道倾角、持液率、流速和腐蚀介质分压数值按照一定规则确定。
本实施例中，腐蚀风险指数计算式如下：
腐蚀风险指数＝管道倾角/临界倾角+持液率/管段平均持液率+流速/管段平均流速+腐蚀介质分压/管段腐蚀介质平均分压
其中，所述临界倾角根据流动经验公式计算，所述管段平均持液率、管段平均流速、管段腐蚀介质平均分压分别是管段上各管段单元持液率、流速、腐蚀介质分压的平均值。
在本发明实施例中，需要说明的是，近年来随着信息技术的快速发展，数字化为管道行业带来了前所未有的变革，利用数字化产生的大数据实现管道智能化管理成为各管道运营企业的共同目标。知识图谱技术是近几年发展起来的一种新型人工智能技术，能够通过数据挖掘、信息处理、知识推理，把复杂的领域知识通过一张关系网络图形全面展示出来。管道数字化和信息化为知识图谱技术应用于管道内腐蚀预测领域提供了重要的数据基础。将知识图谱技术应用于管道内腐蚀预测，通过一张图形建立各类因素对管道内腐蚀的影响关系，为管道生产运营和腐蚀防护决策提供有效参考依据。
由上面技术方案可知，本发明实施例提供的基于知识图谱的管道内腐蚀预测方法，通过为规范后的实体抽取结果建立实体关系推理规则，为规范后的实体属性抽取结果建立实体属性推理规则，从而实现了实体关系和实体属性关系的构建，从而可以基于实体关系和实体属性关系构建用于进行管道内腐蚀预测的知识图谱。
在上述实施例的基础上，在本实施例中，根据所述管道内腐蚀预测知识图谱对管道内腐蚀进行预测，具体包括：
根据所述管道内腐蚀预测知识图谱中显示的所述内腐蚀分析中所述腐蚀风险指数的数值，按照数值高低确定管道内腐蚀敏感管段。
由上面技术方案可知，本发明实施例提供的基于知识图谱的管道内腐蚀预测方法，根据所述管道内腐蚀预测知识图谱中显示的所述内腐蚀分析中所述腐蚀风险指数的数值，按照数值高低确定管道内腐蚀敏感管段，进行管道内腐蚀进行预测，可以为管道安全生产与管道腐蚀防护提供有效并快速的预测。
图4为本发明一实施例提供的基于知识图谱的管道内腐蚀预测装置的结构示意图，如图4所示，该装置包括：构建模块201、抽取模块202，规范处理模块203、推理规则模块204、知识图谱建立模块205、预测模块206，其中：
其中，构建模块201，用于构建管道内腐蚀预测领域本体；
抽取模块202，用于根据管道内腐蚀知识数据库对所述管道内腐蚀预测领域本体进行实体抽取和实体属性抽取；
规范处理模块203，用于对实体抽取结果和实体属性抽取结果进行规范处理，得到规范后的实体抽取结果和实体属性抽取结果；
推理规则模块204，用于为规范后的实体抽取结果和实体属性抽取结果建立实体关系推理规则和实体属性推理规则；
知识图谱建立模块205，用于根据规范后的实体抽取结果和实体属性抽取结果，以及，实体关系推理规则和实体属性推理规则，建立管道内腐蚀预测知识图谱；
预测模块206，用于根据所述管道内腐蚀预测知识图谱对管道内腐蚀进行预测。
本发明实施例提供的基于知识图谱的管道内腐蚀预测装置具体可以用于执行上述实施例所述的基于知识图谱的管道内腐蚀预测方法，其技术原理和有益效果类似，具体可参见上述实施例，此处不再赘述。
基于相同的发明构思，本发明实施例提供一种电子设备，参见图5，所述电子设备具体包括如下内容：处理器310、通信接口320、存储器330和通信总线340；
其中，所述处理器310、通信接口320、存储器330通过所述总线340完成相互间的通信；所述通信接口320用于实现各建模软件及智能制造装备模块库等相关设备之间的信息传输；所述处理310用于调用所述存储器330中的计算机程序，所述处理器执行所述计算机程序时实现上述各方法实施例所提供的方法，例如，所述处理器执行所述计算机程序时实现下述步骤：构建管道内腐蚀预测领域本体；根据管道内腐蚀知识数据库对所述管道内腐蚀预测领域本体进行实体抽取和实体属性抽取；对实体抽取结果和实体属性抽取结果进行规范处理，得到规范后的实体抽取结果和实体属性抽取结果；为规范后的实体抽取结果和实体属性抽取结果建立实体关系推理规则和实体属性推理规则；根据规范后的实体抽取结果和实体属性抽取结果，以及，实体关系推理规则和实体属性推理规则，建立管道内腐蚀预测知识图谱；根据所述管道内腐蚀预测知识图谱对管道内腐蚀进行预测。
基于相同的发明构思，本发明又一实施例还提供一种非暂态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以执行上述各方法实施例提供的方法，例如，所述处理器执行所述计算机程序时实现下述步骤：构建管道内腐蚀预测领域本体；根据管道内腐蚀知识数据库对所述管道内腐蚀预测领域本体进行实体抽取和实体属性抽取；对实体抽取结果和实体属性抽取结果进行规范处理，得到规范后的实体抽取结果和实体属性抽取结果；为规范后的实体抽取结果和实体属性抽取结果建立实体关系推理规则和实体属性推理规则；根据规范后的实体抽取结果和实体属性抽取结果，以及，实体关系推理规则和实体属性推理规则，建立管道内腐蚀预测知识图谱；根据所述管道内腐蚀预测知识图谱对管道内腐蚀进行预测。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
此外，在本发明中，诸如“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
此外，在本发明中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物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、物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，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
此外，在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述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，或者对其中部分技术特征进行等同替换；而这些修改或替换，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精神和范围。

Claims (10)

1.一种基于知识图谱的管道内腐蚀预测方法，其特征在于，包括：
构建管道内腐蚀预测领域本体；
根据管道内腐蚀知识数据库对所述管道内腐蚀预测领域本体进行实体抽取和实体属性抽取；
对实体抽取结果和实体属性抽取结果进行规范处理，得到规范后的实体抽取结果和实体属性抽取结果；
为规范后的实体抽取结果和实体属性抽取结果建立实体关系推理规则和实体属性推理规则；
根据规范后的实体抽取结果和实体属性抽取结果，以及，实体关系推理规则和实体属性推理规则，建立管道内腐蚀预测知识图谱；
根据所述管道内腐蚀预测知识图谱对管道内腐蚀进行预测。
2.根据权利要求1所述的基于知识图谱的管道内腐蚀预测方法，其特征在于，所述构建管道内腐蚀预测领域本体，包括：
构建包含内腐蚀分析、管道本体、输送介质和运行工艺四个概念类的管道内腐蚀预测领域本体；
其中，所述内腐蚀分析包括管段、管段单元、管道倾角、持液率、流速、腐蚀介质分压和内腐蚀风险指数；
所述管道本体包括管材、管径、壁厚、粗糙度、位置、综合导热系数和管周土壤温度；
所述输送介质包括组分含量、密度、粘度和热值；
所述运行工艺包括流量、压力和温度；
其中，所述内腐蚀分析中的所述管段包括起点里程、起点高程、终点里程和终点高程；
所述内腐蚀分析中的所述管段单元包括里程、高程；
所述管道本体中的所述位置包括里程向量和高程向量；
所述运行工艺中的所述温度包括进口温度和出口温度；
所述运行工艺中的所述压力包括进口压力和出口压力。
3.根据权利要求2所述的基于知识图谱的管道内腐蚀预测方法，其特征在于，所述根据管道内腐蚀知识数据库对所述管道内腐蚀预测领域本体进行实体抽取和实体属性抽取，具体包括：
根据管道设计资料、竣工资料、数据采集与监控系统、管线管理系统、检测报告、日常维护记录和工艺仿真结果中的结构化、半结构化和非结构化数据，对所述管道内腐蚀预测领域本体进行实体抽取和实体属性抽取。
4.根据权利要求2所述的基于知识图谱的管道内腐蚀预测方法，其特征在于，所述对实体抽取结果和实体属性抽取结果进行规范处理，得到规范后的实体抽取结果和实体属性抽取结果，具体包括：
对实体抽取结果进行实体匹配处理，包括：对实体中的数据进行筛选处理和合并处理，得到消除数据间矛盾和歧义的实体抽取结果；
对实体属性抽取结果进行模式对齐处理，包括：对实体属性按照位置信息进行统一对齐。
5.根据权利要求2所述的基于知识图谱的管道内腐蚀预测方法，其特征在于，所述为规范后的实体抽取结果和实体属性抽取结果建立实体关系推理规则和实体属性推理规则，具体包括：
为规范后的实体抽取结果建立实体关系推理规则，包括：
为实体管段与实体管道本体建立管段的位置信息包含于管道本体的路由信息中的实体关系推理规则；
为实体管段单元与实体管段建立管段单元的位置信息包含于管段的位置信息中的实体关系推理规则；
为实体输送介质与实体管段单元建立输送介质的组分及含量、密度、粘度、热值与管段单元位置的实体关系推理规则；
为实体内腐蚀分析与实体管段单元建立内腐蚀分析中的管道倾角、持液率、流速、腐蚀介质分压和内腐蚀风险指数与不同管段单元的温度和压力的实体关系推理规则；
为规范后的实体属性抽取结果建立实体属性推理规则，包括：
根据第一关系模型，为建立腐蚀风险指数实体属性推理规则；
其中，第一关系模型包括：
Figure FDA0002518251430000031
6.根据权利要求2所述的基于知识图谱的管道内腐蚀预测方法，其特征在于，根据所述管道内腐蚀预测知识图谱对管道内腐蚀进行预测，具体包括：
根据所述管道内腐蚀预测知识图谱中显示的所述内腐蚀分析中所述腐蚀风险指数的数值，按照数值高低确定管道内腐蚀敏感管段。
7.一种基于知识图谱的管道内腐蚀预测装置，其特征在于，包括：
构建模块，用于构建管道内腐蚀预测领域本体；
抽取模块，用于根据管道内腐蚀知识数据库对所述管道内腐蚀预测领域本体进行实体抽取和实体属性抽取；
规范处理模块，用于对实体抽取结果和实体属性抽取结果进行规范处理，得到规范后的实体抽取结果和实体属性抽取结果；
推理规则模块，用于为规范后的实体抽取结果和实体属性抽取结果建立实体关系推理规则和实体属性推理规则；
知识图谱建立模块，用于根据规范后的实体抽取结果和实体属性抽取结果，以及，实体关系推理规则和实体属性推理规则，建立管道内腐蚀预测知识图谱；
预测模块，用于根据所述管道内腐蚀预测知识图谱对管道内腐蚀进行预测。
8.根据权利要求7所述的基于知识图谱的管道内腐蚀预测装置，其特征在于，所述构建模块，具体用于：
构建包含内腐蚀分析、管道本体、输送介质和运行工艺四个概念类的管道内腐蚀预测领域本体；
其中，所述内腐蚀分析包括管段、管段单元、管道倾角、持液率、流速、腐蚀介质分压和内腐蚀风险指数；
所述管道本体包括管材、管径、壁厚、粗糙度、位置、综合导热系数和管周土壤温度；
所述输送介质包括组分含量、密度、粘度和热值；
所述运行工艺包括流量、压力和温度；
其中，所述内腐蚀分析中的所述管段包括起点里程、起点高程、终点里程和终点高程；
所述内腐蚀分析中的所述管段单元包括里程、高程；
所述管道本体中的所述位置包括里程向量和高程向量；
所述运行工艺中的所述温度包括进口温度和出口温度；
所述运行工艺中的所述压力包括进口压力和出口压力。
9.一种电子设备，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如权利要求1至6任一项所述的基于知识图谱的管道内腐蚀预测方法的步骤。
10.一种非暂态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如权利要求1至6任一项所述的基于知识图谱的管道内腐蚀预测方法的步骤。
CN202010483460.XA 2020-06-01 2020-06-01 基于知识图谱的管道内腐蚀预测方法及装置 Pending CN113761211A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010483460.XA CN113761211A (zh) 2020-06-01 2020-06-01 基于知识图谱的管道内腐蚀预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010483460.XA CN113761211A (zh) 2020-06-01 2020-06-01 基于知识图谱的管道内腐蚀预测方法及装置

Publications (1)

Publication Number Publication Date
CN113761211A true CN113761211A (zh) 2021-12-07

Family

ID=78782537

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010483460.XA Pending CN113761211A (zh) 2020-06-01 2020-06-01 基于知识图谱的管道内腐蚀预测方法及装置

Country Status (1)

Country Link
CN (1) CN113761211A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101071098A (zh) * 2007-06-19 2007-11-14 广州市煤气公司 地下钢质燃气管网管道腐蚀预测系统
CN102693336A (zh) * 2012-05-09 2012-09-26 天津大学 一种预测大型管道焊接热循环参数的方法
CN105243089A (zh) * 2015-09-09 2016-01-13 中国石油天然气股份有限公司 一种管道内检测数据处理方法
AU2017100670A4 (en) * 2016-06-12 2017-07-06 Apple Inc. User interfaces for retrieving contextually relevant media content
CN109086347A (zh) * 2018-07-13 2018-12-25 武汉尼维智能科技有限公司 一种国际海运危险货物知识图谱系统的构建方法、装置及存储介质
CN110689051A (zh) * 2019-09-06 2020-01-14 北京市安全生产科学技术研究院 一种基于迁移学习的燃气管道内腐蚀模式智能辨识方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101071098A (zh) * 2007-06-19 2007-11-14 广州市煤气公司 地下钢质燃气管网管道腐蚀预测系统
CN102693336A (zh) * 2012-05-09 2012-09-26 天津大学 一种预测大型管道焊接热循环参数的方法
CN105243089A (zh) * 2015-09-09 2016-01-13 中国石油天然气股份有限公司 一种管道内检测数据处理方法
AU2017100670A4 (en) * 2016-06-12 2017-07-06 Apple Inc. User interfaces for retrieving contextually relevant media content
CN109086347A (zh) * 2018-07-13 2018-12-25 武汉尼维智能科技有限公司 一种国际海运危险货物知识图谱系统的构建方法、装置及存储介质
CN110689051A (zh) * 2019-09-06 2020-01-14 北京市安全生产科学技术研究院 一种基于迁移学习的燃气管道内腐蚀模式智能辨识方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
朱向泰;米晓利;: "直接评价法在油气集输管道内腐蚀评价中的应用", 地质找矿论丛, no. 02, 15 June 2016 (2016-06-15) *
董培林;孙晓阳;曹学文;: "湿气管线内腐蚀直接评价方法的应用研究", 油气田地面工程, no. 11, 20 November 2017 (2017-11-20) *

Similar Documents

Publication Publication Date Title
Gomes et al. Optimal inspection and design of onshore pipelines under external corrosion process
Aslam et al. A new variable control chart using neutrosophic interval method-an application to automobile industry
Zhang et al. SenStore: A scalable cyberinfrastructure platform for implementation of data-to-decision frameworks for infrastructure health management
Wang et al. Data-driven risk assessment on urban pipeline network based on a cluster model
Pan et al. Blockchain and deep learning technologies for construction equipment security information management
Priyanka et al. Remote monitoring and control of LQR-PI controller parameters for an oil pipeline transport system
Xu et al. The research progress and prospect of data mining methods on corrosion prediction of oil and gas pipelines
Shaik et al. Remaining useful life prediction of a piping system using artificial neural networks: A case study
Aditiyawarman et al. A recent review of risk-based inspection development to support service excellence in the oil and gas industry: an artificial intelligence perspective
Wang et al. Eliminating the bridge modal variability induced by thermal effects using localized modeling method
Bartels et al. Work optimization with association rule mining of accelerated deterioration in building components
Guo et al. Manufacturing process monitoring with nonparametric change-point detection in automotive industry
Wang et al. Research on pipe burst in water distribution systems: knowledge structure and emerging trends
Wang et al. Early anomaly warning of environment-induced bridge modal variability through localized principal component differences
Luo et al. Convolutional Neural Network Algorithm–Based Novel Automatic Text Classification Framework for Construction Accident Reports
CN113761211A (zh) 基于知识图谱的管道内腐蚀预测方法及装置
Haktanır et al. Interval-valued neutrosophic failure mode and effect analysis
US20230214682A1 (en) System, apparatus, and method for making a prediction regarding a passage system
Qu et al. Outlier Detection and Forecasting for Bridge Health Monitoring Based on Time Series Intervention Analysis.
Xu et al. Fuzzy Logic Applications for Water Pipeline Performance Analysis
CN113761212B (zh) 基于管道完整性的知识图谱构建方法及装置
Park et al. Association analysis of piping materials of an offshore structure using big data technology
Weeraddana et al. Long-term water pipe condition assessment: a semiparametric model using gaussian process and survival analysis
Wang et al. Diagnosis index system setup for implementation status management in large-scale construction projects
Zhang et al. Identification of key factors and mining of association relations in complex product assembly process

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20231228

Address after: 100728 No. 22 North Main Street, Chaoyang District, Beijing, Chaoyangmen

Applicant after: CHINA PETROLEUM & CHEMICAL Corp.

Applicant after: Sinopec (Dalian) Petrochemical Research Institute Co.,Ltd.

Address before: 100029 No. 22 North Main Street, Chaoyang District, Beijing, Chaoyangmen

Applicant before: CHINA PETROLEUM & CHEMICAL Corp.

Applicant before: DALIAN RESEARCH INSTITUTE OF PETROLEUM AND PETROCHEMICALS, SINOPEC Corp.