CN113944888B - 燃气管道泄漏检测方法、装置、设备和存储介质 - Google Patents
燃气管道泄漏检测方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN113944888B CN113944888B CN202111292627.5A CN202111292627A CN113944888B CN 113944888 B CN113944888 B CN 113944888B CN 202111292627 A CN202111292627 A CN 202111292627A CN 113944888 B CN113944888 B CN 113944888B
- Authority
- CN
- China
- Prior art keywords
- gas
- gas pipeline
- gas flow
- error model
- time sequence
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 claims abstract description 23
- 230000015654 memory Effects 0.000 claims description 22
- 230000002159 abnormal effect Effects 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 12
- 238000010586 diagram Methods 0.000 claims description 11
- 239000013598 vector Substances 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 230000003993 interaction Effects 0.000 claims description 7
- 230000007246 mechanism Effects 0.000 claims description 7
- 238000012544 monitoring process Methods 0.000 claims description 5
- 239000007789 gas Substances 0.000 description 321
- 238000005259 measurement Methods 0.000 description 8
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 2
- 239000003345 natural gas Substances 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 239000002737 fuel gas Substances 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
- F17D—PIPE-LINE SYSTEMS; PIPE-LINES
- F17D3/00—Arrangements for supervising or controlling working operations
- F17D3/01—Arrangements for supervising or controlling working operations for controlling, signalling, or supervising the conveyance of a product
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
- F17D—PIPE-LINE SYSTEMS; PIPE-LINES
- F17D3/00—Arrangements for supervising or controlling working operations
- F17D3/18—Arrangements for supervising or controlling working operations for measuring the quantity of conveyed product
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Examining Or Testing Airtightness (AREA)
Abstract
本申请涉及一种燃气管道泄漏检测方法、装置、设备和存储介质。该方法包括：将各燃气管道对应历史时刻的燃气流量时序数据输入至预先训练好的预测模型中，预测各燃气管道在所述历史时刻之后的至少一个目标时刻对应的燃气流量，得到预测燃气流量时序数据；其中，所述预测模型基于LSTM构建；采集各燃气管道在所述至少一个目标时刻对应的观测燃气流量，得到观测燃气流量时序数据；基于各燃气管道对应的所述预测燃气流量时序数据和所述观测燃气流量时序数据之间的误差，从各燃气管道中确定疑似燃气泄漏的燃气管道。该方法实现了燃气泄漏的自动检测，大大减少了人工检测的工作量，能够及时发现泄漏的燃气管道，减少由泄漏引起的损失。
Description
技术领域
本申请涉及燃气管网运行监控领域，特别是涉及一种燃气管道泄漏检测方法、装置、设备和存储介质。
背景技术
随着城市燃气应用范围的扩大，天然气管线系统的铺设也趋于密集化。众所周知，天然气是一种易燃易爆气体，其存储和输送的安全性要求非常高。一旦发生泄漏之后未及时发现的话，可能会酿成更大的安全事故，因此，对燃气管网的泄漏进行有效检测具有重大意义。
目前燃气管道主要还采用较为落后的人工巡视检漏方式，对燃气管道是否泄漏也主要集中于管道压力分析等方法。随着燃气管道的老化，城市建设的不断扩大，人工检测方式已经难以满足实际需求。
发明内容
本申请提供一种燃气管道泄漏检测方法、装置、设备和存储介质，能够实现燃气管道泄漏的自动检测。
第一方面，本申请实施例提供一种燃气管道泄漏检测方法，包括：
将各燃气管道对应历史时刻的燃气流量时序数据输入至预先训练好的预测模型中，预测各燃气管道在所述历史时刻之后的至少一个目标时刻对应的燃气流量，得到预测燃气流量时序数据；其中，所述预测模型基于长短时记忆网络LSTM构建；
采集各燃气管道在所述至少一个目标时刻对应的观测燃气流量，得到观测燃气流量时序数据；
基于各燃气管道对应的所述预测燃气流量时序数据和所述观测燃气流量时序数据之间的误差，从各燃气管道中确定疑似燃气泄漏的燃气管道。
第二方面，本申请实施例提供一种燃气管道泄漏检测装置，包括：
预测模块，用于将各燃气管道对应历史时刻的燃气流量时序数据输入至预先训练好的预测模型中，预测各燃气管道在所述历史时刻之后的至少一个目标时刻对应的燃气流量，得到预测燃气流量时序数据；其中，所述预测模型基于LSTM构建；
采集模块，用于采集各燃气管道在所述至少一个目标时刻对应的观测燃气流量，得到观测燃气流量时序数据；
确定模块，用于基于各燃气管道对应的所述预测燃气流量时序数据和所述观测燃气流量时序数据之间的误差，从各燃气管道中确定疑似燃气泄漏的燃气管道。
第三方面，本申请实施例提供一种燃气管道泄漏检测设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现本申请实施例第一方面提供的燃气管道泄漏检测方法的步骤。
第四方面，本申请实施例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本申请实施例第一方面提供的燃气管道泄漏检测方法的步骤。
本申请实施例提供的技术方案，能够通过各燃气管道对应历史时刻的燃气流量时序数据和预先训练好的LSTM预测模型，预测各燃气管道在历史时刻之后的至少一个目标时刻对应的燃气流量，并基于得到的预测燃气流量时序数据和对应目标时刻的观测燃气流量时序数据之间的误差，来确定疑似燃气泄漏的燃气管道，实现了燃气泄漏的自动检测，大大减少了人工检测的工作量，能够及时发现泄漏的燃气管道，减少由泄漏引起的损失。
附图说明
图1为本申请实施例提供的燃气管道泄漏检测方法的一种流程示意图；
图2为本申请实施例提供的构建的燃气管道图数据的一种示意图；
图3为本申请实施例提供的确定疑似燃气泄漏的燃气管道过程的一种流程示意图；
图4为本申请实施例提供的燃气管道泄漏检测装置的一种结构示意图；
图5为本申请实施例提供的燃气管道泄漏检测设备的一种结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，通过下述实施例并结合附图，对本申请实施例中的技术方案进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。
需要说明的是，下述方法实施例的执行主体可以是燃气管道泄漏检测装置，该装置可以通过软件、硬件或者软硬件结合的方式实现成为电子设备(即燃气管道泄漏检测设备)的部分或者全部。可选的，该电子设备可以为客户端，包括但不限于智能手机、平板电脑、电子书阅读器以及车载终端等。当然，该电子设备也可以为独立的服务器或者服务器集群，本公开实施例对电子设备的具体形式不做限定。下述方法实施例以执行主体是电子设备为例进行说明。
图1为本申请实施例提供的燃气管道泄漏检测方法的一种流程示意图，本实施例可适用于对泄漏的燃气管道的定位，如图1所示，该方法可以包括：
S101、将各燃气管道对应历史时刻的燃气流量时序数据输入至预先训练好的预测模型中，预测各燃气管道在所述历史时刻之后的至少一个目标时刻对应的燃气流量，得到预测燃气流量时序数据。
其中，所述预测模型基于长短时记忆网络(Long Short-Term Memory，LSTM)构建。燃气管道中的燃气流量在时间和空间2个维度上有复杂的依赖关系。比如在时间维度上，燃气管道中的燃气流量可能与前一天的同一时刻相似；在空间上，某一燃气管道中的燃气流量可能会受到周边燃气管道的影响。因此，可以充分利用燃气管道中的燃气流量在时间和空间维度上的复杂依赖关系，通过挖掘历史数据中隐含的这种复杂依赖关系来预测各燃气管道在历史时刻之后的一段时间内的燃气流量。
可选地，上述各燃气管道对应历史时刻的燃气流量时序数据可以通过数据采集与监视控制系统(Supervisory Control And Data Acquisition，SCADA)采集得到。其中，SCADA系统是以计算机为基础的生产过程控制与调度自动化系统，它可以对燃气现场的运行设备进行监视和控制，以实现数据采集、设备控制、测量、参数调节以及各类信号报警等各项功能。即电子设备将从SCADA系统中采集的各燃气管道对应历史时刻的燃气流量时序数据输入至预先训练好的LSTM预测模型中，建模燃气流量时序数据在时间上的复杂依赖关系，并将时序编码结果输入至LSTM预测模型中的解码器中，得到最终的多步预测输出，即得到各燃气管道在历史时刻之后的至少一个目标时刻对应的预测燃气流量时序数据。
在一个实施例中，在上述S101之前，电子设备还可以从SCADA系统中采集大量的样本燃气流量时序数据，基于大量的样本燃气流量时序数据(样本燃气流量时序数据中部分时刻对应的燃气流量作为输入，部分时刻之后的时刻对对应的燃气流量作为标签)，采用预设的均方误差损失函数对预先构建的LSTM模型进行训练，从而得到上述预测模型。其中，均方误差损失函数Loss的表达式如下：
其中，N为上述样本燃气流量时序数据的样本数量，τout为预测步长，为燃气管道中的燃气流量预测值，Yi为对应的标签数据。
在实际应用中，在从SCADA系统中得到各燃气管道对应历史时刻的燃气流量时序数据之后，还可以利用图神经网络建模各燃气管道之间的复杂空间依赖关系。在上述实施例的基础上，可选地，上述S101可以包括以下步骤：
S1011、将燃气管网中各燃气管道抽象为节点，将各燃气管道之间的连接关系抽象为边，构建燃气管道图数据。
其中，各燃气管道对应历史时刻的燃气流量时序数据作为节点的属性数据，各燃气管道之间的距离作为边的权重。
在各历史时刻，通过构建燃气管道图数据G＝(V，E)来建模燃气管道间的复杂空间依赖关系。如图2所示，在该场景中，燃气管道图数据G中的节点对应燃气管网中的燃气管道，边表示两个燃气管道存在的交互关系。图中，xa为节点a(即燃气管道a)的信号，xb为节点b(即燃气管道b)的信号，xc为节点c(即燃气管道c)的信号，ea,b为连接节点a和节点b间边上的权重，ea,c为连接节点a和节点c间边上的权重，节点b和节点c之间没有燃气流量交互关系，因此，节点b和节点c之间不存在边。其中，燃气管道之间的距离可以为理解为两个燃气管道中心点之间的距离的归一化值。
S1012、通过图神经网络对所述燃气管道图数据进行卷积处理，以实现节点间的信息交互。
在完成燃气管道图数据构建之后，通过图神经网络实现节点间的信息交互，以建模燃气管道之间的空间依赖关系。具体的，可以按照下述公式对燃气管道图数据进行卷积处理：
其中，H(l)表示图神经网络第l层的节点信号，H(0)即对应时刻的节点输入信号Xt，W(l)表示图神经网络第l层的变换参数，σ为激活函数，与燃气管道图数据的邻接矩阵相关，用来对矩阵行列进行归一化处理。
S1013、将卷积处理后的图数据输入至所述编码器中进行编码，得到各节点对应的表示向量。
其中，LSTM预测模型可以包括编码器和解码器。在完成图卷积操作之后，各节点之间的节点信息相互交互，将各节点交互后的信号按照历史时刻形成的时序数据输入至LSTM预测模型中的编码器中进行编码，得到各节点的表示向量。
S1014、将所述各节点对应的表示向量输入至解码器中，预测各燃气管道在所述历史时刻之后的至少一个目标时刻对应的燃气流量，得到各燃气管道对应的所述预测燃气流量时序数据。
在得到各节点对应的表示向量之后，将各节点对应的表示向量输入至LSTM预测模型中的解码器中，解码LSTM将每一步的隐状态输入到多层感知机(Multi-LayerPerception，MLP)中，以得到每一步的预测结果，即得到各燃气管道在各目标时刻对应的预测燃气流量时序数据。
S102、采集各燃气管道在所述至少一个目标时刻对应的观测燃气流量，得到观测燃气流量时序数据。
其中，电子设备可以从SCADA系统中采集各燃气管道在至少一个目标时刻对应的观测燃气流量，得到观测燃气流量时序数据。
S103、基于各燃气管道对应的所述预测燃气流量时序数据和所述观测燃气流量时序数据之间的误差，从各燃气管道中确定疑似燃气泄漏的燃气管道。
在得到各燃气管道在各目标时刻对应的预测燃气流量时序数据和观测燃气流量时序数据之后，电子设备将预测燃气流量时序数据和观测燃气流量时序数据进行对比，基于两者之间的误差，进行燃气流量异常数据的检测，从而确定异常燃气管道。其中，异常燃气管道为疑似燃气泄漏的燃气管道。
可选地，为了防止燃气泄漏带来的安全隐患，在确定出异常燃气管道之后，可选地，电子设备可以向疑似燃气泄漏的燃气管道发送阀门关闭指令，以关闭该疑似燃气泄漏的燃气管道的阀门。进一步地，电子设备还可以向片区维护人员所在的终端发送告警信息，以指示维护人员对疑似燃气泄漏的燃气管道进行检修，快速恢复燃气管道故障，确保用户的正常使用。
本申请实施例提供的燃气管道泄漏检测方法，能够通过各燃气管道对应历史时刻的燃气流量时序数据和预先训练好的LSTM预测模型，预测各燃气管道在历史时刻之后的至少一个目标时刻对应的燃气流量，并基于得到的预测燃气流量时序数据和对应目标时刻的观测燃气流量时序数据之间的误差，来确定疑似燃气泄漏的燃气管道，实现了燃气泄漏的自动检测，大大减少了人工检测的工作量，能够及时发现泄漏的燃气管道，减少由泄漏引起的损失。同时，能够自动控制异常燃气管道阀门，防止燃气泄漏引发重大安全事故，并能够提醒维护人员及时对异常燃气管道进行维修，确保用户的正常使用。
在一个实施例中，还提供了一种基于时序数据的异常检测过程。在上述实施例的基础上，可选地，如图3所示，上述S103的过程可以为：
S301、将各燃气管道对应的所述预测燃气流量时序数据和所述观测燃气流量时序数据进行对比，建立第一误差模型、第二误差模型以及第三误差模型。
其中，所述第一误差模型、第二误差模型以及第三误差模型反映不同的误差度量指标。
第一误差模型反映的误差度量指标可以为MAE(Mean Absolute Error)，第二误差模型反映的误差度量指标可以为MAPE(Mean Absolute Percentage Error)，第三误差模型反映的误差度量指标可以为MASE(Mean Absolute Scaled Error)。
上述第一误差模型可以通过下述公式进行计算：
上述第二误差模型可以通过下述公式进行计算：
上述第三误差模型可以通过下述公式进行计算：
其中，上述n为观测燃气流量时序数据的大小，oi为观测燃气流量时序数据在第i时刻的观测值，ei为预测燃气流量时序数据在第i时刻的预测值。
S302、确定第一误差模型、第二误差模型以及第三误差模型对应的误差阈值。
其中，误差阈值可以理解为判断数据点是否为异常数据的参数。当某个数据点的误差大于该误差阈值，可以认定该数据点是时序数据中的异常数据点。基于此，电子设备需要确定第一误差模型、第二误差模型以及第三误差模型对应的误差阈值。
基于误差阈值进行异常数据点检测的前提必须保证误差模型中样本的准确性，而上述第一误差模型、第二误差模型以及第三误差模型是运用深度学习网络对SCADA系统中的燃气管网数据直接处理后提取的学习数据，难免存在噪点，故需要进一步处理，以保证样本的准确性。在上述实施例的基础上，可选地，上述S302可以包括以下步骤：
S3021、通过基于密度的聚类算法分别确定第一误差模型、第二误差模型以及第三误差模型中的噪点数据。
其中，基于预设的聚类参数(如聚类最小点数MinPts和聚类距离半径ε)对第一误差模型中误差数据点进行聚类，得到第一误差模型中的噪点数据；基于预设的聚类参数对第二误差模型中误差数据点进行聚类，得到第二误差模型中的噪点数据；基于预设的聚类参数对第三误差模型中误差数据点进行聚类，得到第三误差模型中的噪点数据。为了进一步保证样本的准确性，可以提取实际SCADA系统中燃气管道的时序数据，采用遗传算法对上述聚类距离半径ε进行学习。
S3022、基于各噪点数据对对应的第一误差模型、第二误差模型以及第三误差模型进行修正，得到修正后的第一误差模型、修正后的第二误差模型以及修正后的第三误差模型。
其中，在得到第一误差模型、第二误差模型以及第三误差模型中的噪点数据之后，可以基于下述公式对各误差模型进行修正，得到修正后的各误差模型{erfk}：
{erfk}＝{erk}-{ernk},k＝1,2,3；
其中，{erk}为未修正的误差模型，{ernk}为未修正的误差模型中的噪点数据，k为误差模型的类型(即上述的第一误差模型，第二误差模型以及第三误差模型)。
S3023、基于预设的阈值调谐系数，采用下述公式计算修正后的第一误差模型、修正后的第二误差模型以及修正后的第三误差模型对应的误差阈值thk：
thk＝mean(erfk)+α*sd(erfk)；
其中，mean为均值函数，sd为标准差函数，α为所述阈值调谐系数，erfk为修正后的误差模型。
S303、基于各误差阈值，采用投票机制确定各燃气管道对应的所述观测燃气流量时序数据是否为异常数据。
分别取出上述第一误差模型、第二误差模型以及第三误差模型中的误差数据，将在其中一个误差度量指标下(第一误差模型、第二误差模型以及第三误差模型分别对应不同的误差度量指标)的误差数据与对应的误差阈值进行比较，若该误差数据大于或等于误差阈值，则在该误差度量指标下确定该误差数据对应的数据点为异常数据点。若经过三个误差度量指标构成的投票机制，超过半数以上的误差度量指标均确定该误差数据对应的数据点为异常数据点，则最终确定该误差数据对应的数据点为异常数据点，即判定燃气管道对应的观测燃气流量时序数据为异常数据；反之，若经过三个误差度量指标构成的投票机制，超过半数以上的度量指标均确定该误差数据对应的数据点为正常数据点，则最终确定该误差数据对应的数据点为正常数据点，即判定燃气管道对应的观测燃气流量时序数据为正常数据。
在判定燃气管道对应的观测燃气流量时序数据为异常数据时，执行下述S304。在判定燃气管道对应的观测燃气流量时序数据为正常数据时，执行下述S305。
S304、确定对应的燃气管道为疑似燃气泄漏的燃气管道。
S305、确定对应的燃气管道为正常燃气管道。
在本实施例中，可以基于各燃气管道对应的预测燃气流量时序数据和观测燃气流量时序数据，构建误差模型，并采用基于密度的聚类算法确定误差模型中的噪点数据，剔除噪点，使得确定出的误差模型对应的误差阈值更加准确，从而提高了基于误差阈值确定出的异常燃气管道的准确性。
图4为本申请实施例提供的燃气管道泄漏检测装置的一种结构示意图。如图4所示，该装置可以包括：预测模块401、采集模块402和确定模块403。
具体的，预测模块401用于将各燃气管道对应历史时刻的燃气流量时序数据输入至预先训练好的预测模型中，预测各燃气管道在所述历史时刻之后的至少一个目标时刻对应的燃气流量，得到预测燃气流量时序数据；其中，所述预测模型基于LSTM构建；
采集模块402用于采集各燃气管道在所述至少一个目标时刻对应的观测燃气流量，得到观测燃气流量时序数据；
确定模块403用于基于各燃气管道对应的所述预测燃气流量时序数据和所述观测燃气流量时序数据之间的误差，从各燃气管道中确定疑似燃气泄漏的燃气管道。
本申请实施例提供的燃气管道泄漏检测装置，能够通过各燃气管道对应历史时刻的燃气流量时序数据和预先训练好的LSTM预测模型，预测各燃气管道在历史时刻之后的至少一个目标时刻对应的燃气流量，并基于得到的预测燃气流量时序数据和对应目标时刻的观测燃气流量时序数据之间的误差，来确定疑似燃气泄漏的燃气管道，实现了燃气泄漏的自动检测，大大减少了人工检测的工作量，能够及时发现泄漏的燃气管道，减少由泄漏引起的损失。
可选地，所述预测模型包括编码器和解码器；
上述预测模块401具体用于将燃气管网中各燃气管道抽象为节点，将各燃气管道之间的连接关系抽象为边，构建燃气管道图数据；其中，各燃气管道对应历史时刻的燃气流量时序数据作为节点的属性数据，各燃气管道之间的距离作为边的权重；通过图神经网络对所述燃气管道图数据进行卷积处理，以实现节点间的信息交互；将卷积处理后的图数据输入至所述编码器中进行编码，得到各节点对应的表示向量；将所述各节点对应的表示向量输入至解码器中，预测各燃气管道在所述历史时刻之后的至少一个目标时刻对应的燃气流量，得到各燃气管道对应的所述预测燃气流量时序数据。
可选地，所述各燃气管道对应历史时刻的燃气流量时序数据通过数据采集与监视控制系统采集得到。
在上述实施例的基础上，可选地，确定模块403可以包括：误差模型构建单元、第一确定单元、判断单元和第二确定单元。
具体的，误差模型构建单元用于将各燃气管道对应的所述预测燃气流量时序数据和所述观测燃气流量时序数据进行对比，建立第一误差模型、第二误差模型以及第三误差模型；其中，所述第一误差模型、第二误差模型以及第三误差模型反映不同的误差统计指标；
第一确定单元用于确定第一误差模型、第二误差模型以及第三误差模型对应的误差阈值；
判断单元用于基于各误差阈值，采用投票机制确定各燃气管道对应的所述观测燃气流量时序数据是否为异常数据；
第二确定单元用于在判断单元确定各燃气管道对应的所述观测燃气流量时序数据是异常数据时，确定对应的燃气管道为疑似燃气泄漏的燃气管道。
在上述实施例的基础上，可选地，第一确定单元具体用于通过基于密度的聚类算法分别确定第一误差模型、第二误差模型以及第三误差模型中的噪点数据；基于各噪点数据对对应的第一误差模型、第二误差模型以及第三误差模型进行修正，得到修正后的第一误差模型、修正后的第二误差模型以及修正后的第三误差模型；基于预设的阈值调谐系数，采用下述公式计算修正后的第一误差模型、修正后的第二误差模型以及修正后的第三误差模型对应的误差阈值thk；
thk＝mean(erfk)+α*sd(erfk)；
其中，mean为均值函数，sd为标准差函数，α为所述阈值调谐系数，erfk为修正后的误差模型。
在上述实施例的基础上，可选地，该装置还包括：发送模块。
具体的，发送模块用于向所述疑似燃气泄漏的燃气管道发送阀门关闭指令，以关闭该疑似燃气泄漏的燃气管道的阀门。
在上述实施例的基础上，可选地，发送模块还用于向片区维护人员所在的终端发送告警信息，以指示所述维护人员对所述疑似燃气泄漏的燃气管道进行检修。
在一个实施例中，提供了一种燃气管道泄漏检测设备，其结构示意图可以如图5所示。该设备包括通过系统总线连接的处理器和存储器。其中，该设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储燃气管道泄漏检测过程中的数据。该计算机程序被处理器执行时以实现一种燃气管道泄漏检测方法。
本领域技术人员可以理解，图5中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的设备的限定，具体的设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种燃气管道泄漏检测设备，该设备包括存储器和处理器，该存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
将各燃气管道对应历史时刻的燃气流量时序数据输入至预先训练好的预测模型中，预测各燃气管道在所述历史时刻之后的至少一个目标时刻对应的燃气流量，得到预测燃气流量时序数据；其中，所述预测模型基于LSTM构建；
采集各燃气管道在所述至少一个目标时刻对应的观测燃气流量，得到观测燃气流量时序数据；
基于各燃气管道对应的所述预测燃气流量时序数据和所述观测燃气流量时序数据之间的误差，从各燃气管道中确定疑似燃气泄漏的燃气管道。
在一个实施例中，所述预测模型包括编码器和解码器；处理器执行计算机程序时还实现以下步骤：将燃气管网中各燃气管道抽象为节点，将各燃气管道之间的连接关系抽象为边，构建燃气管道图数据；其中，各燃气管道对应历史时刻的燃气流量时序数据作为节点的属性数据，各燃气管道之间的距离作为边的权重；通过图神经网络对所述燃气管道图数据进行卷积处理，以实现节点间的信息交互；将卷积处理后的图数据输入至所述编码器中进行编码，得到各节点对应的表示向量；将所述各节点对应的表示向量输入至所述解码器中，预测各燃气管道在所述历史时刻之后的至少一个目标时刻对应的燃气流量，得到各燃气管道对应的所述预测燃气流量时序数据。
可选地，所述各燃气管道对应历史时刻的燃气流量时序数据通过数据采集与监视控制系统采集得到。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：将各燃气管道对应的所述预测燃气流量时序数据和所述观测燃气流量时序数据进行对比，建立第一误差模型、第二误差模型以及第三误差模型；其中，所述第一误差模型、第二误差模型以及第三误差模型反映不同的误差统计指标；确定第一误差模型、第二误差模型以及第三误差模型对应的误差阈值；基于各误差阈值，采用投票机制确定各燃气管道对应的所述观测燃气流量时序数据是否为异常数据；若是，则确定对应的燃气管道为疑似燃气泄漏的燃气管道。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：通过基于密度的聚类算法分别确定第一误差模型、第二误差模型以及第三误差模型中的噪点数据；基于各噪点数据对对应的第一误差模型、第二误差模型以及第三误差模型进行修正，得到修正后的第一误差模型、修正后的第二误差模型以及修正后的第三误差模型；基于预设的阈值调谐系数，采用下述公式计算修正后的第一误差模型、修正后的第二误差模型以及修正后的第三误差模型对应的误差阈值thk；
thk＝mean(erfk)+α*sd(erfk)；
其中，mean为均值函数，sd为标准差函数，α为所述阈值调谐系数，erfk为修正后的误差模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：向所述疑似燃气泄漏的燃气管道发送阀门关闭指令，以关闭该疑似燃气泄漏的燃气管道的阀门。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：向片区维护人员所在的终端发送告警信息，以指示所述维护人员对所述疑似燃气泄漏的燃气管道进行检修。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
将各燃气管道对应历史时刻的燃气流量时序数据输入至预先训练好的预测模型中，预测各燃气管道在所述历史时刻之后的至少一个目标时刻对应的燃气流量，得到预测燃气流量时序数据；其中，所述预测模型基于LSTM构建；
采集各燃气管道在所述至少一个目标时刻对应的观测燃气流量，得到观测燃气流量时序数据；
基于各燃气管道对应的所述预测燃气流量时序数据和所述观测燃气流量时序数据之间的误差，从各燃气管道中确定疑似燃气泄漏的燃气管道。
上述实施例中提供的燃气管道泄漏检测装置、设备以及存储介质可执行本申请任意实施例所提供的燃气管道泄漏检测方法，具备执行该方法相应的功能模块和有益效果。未在上述实施例中详尽描述的技术细节，可参见本申请任意实施例所提供的燃气管道泄漏检测方法。
本领域普通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，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (9)
1.一种燃气管道泄漏检测方法，其特征在于，包括：
将各燃气管道对应历史时刻的燃气流量时序数据输入至预先训练好的预测模型中，预测各燃气管道在所述历史时刻之后的至少一个目标时刻对应的燃气流量，得到预测燃气流量时序数据；其中，所述预测模型基于长短时记忆网络LSTM构建；
采集各燃气管道在所述至少一个目标时刻对应的观测燃气流量，得到观测燃气流量时序数据；
基于各燃气管道对应的所述预测燃气流量时序数据和所述观测燃气流量时序数据之间的误差，从各燃气管道中确定疑似燃气泄漏的燃气管道；
所述基于各燃气管道对应的所述预测燃气流量时序数据和所述观测燃气流量时序数据之间的误差，从各燃气管道中确定疑似燃气泄漏的燃气管道，包括：
将所述各燃气管道对应的所述预测燃气流量时序数据和所述观测燃气流量时序数据进行对比，建立第一误差模型、第二误差模型以及第三误差模型；其中，所述第一误差模型、所述第二误差模型以及所述第三误差模型反映不同的误差度量指标；
确定所述第一误差模型、所述第二误差模型以及所述第三误差模型对应的误差阈值；
基于各误差阈值，采用投票机制确定所述各燃气管道对应的所述观测燃气流量时序数据是否为异常数据；
若是，则确定对应的燃气管道为疑似燃气泄漏的燃气管道。
2.根据权利要求1所述的方法，其特征在于，所述预测模型包括编码器和解码器；
所述将各燃气管道对应历史时刻的燃气流量时序数据输入至预先训练好的预测模型中，预测各燃气管道在所述历史时刻之后的至少一个目标时刻对应的燃气流量，得到预测燃气流量时序数据，包括：
将燃气管网中各燃气管道抽象为节点，将各燃气管道之间的连接关系抽象为边，构建燃气管道图数据；其中，各燃气管道对应历史时刻的燃气流量时序数据作为节点的属性数据，各燃气管道之间的距离作为边的权重；
通过图神经网络对所述燃气管道图数据进行卷积处理，以实现节点间的信息交互；
将卷积处理后的图数据输入至所述编码器中进行编码，得到各节点对应的表示向量；
将所述各节点对应的表示向量输入至所述解码器中，预测各燃气管道在所述历史时刻之后的至少一个目标时刻对应的燃气流量，得到各燃气管道对应的所述预测燃气流量时序数据。
3.根据权利要求1所述的方法，其特征在于，所述各燃气管道对应历史时刻的燃气流量时序数据通过数据采集与监视控制系统采集得到。
4.根据权利要求1所述的方法，其特征在于，所述确定第一误差模型、第二误差模型以及第三误差模型对应的误差阈值，包括：
通过基于密度的聚类算法分别确定第一误差模型、第二误差模型以及第三误差模型中的噪点数据；
基于各噪点数据对对应的第一误差模型、第二误差模型以及第三误差模型进行修正，得到修正后的第一误差模型、修正后的第二误差模型以及修正后的第三误差模型；
基于预设的阈值调谐系数，采用下述公式计算修正后的第一误差模型、修正后的第二误差模型以及修正后的第三误差模型对应的误差阈值thk；
thk＝mean(erfk)+α*sd(erfk)；
其中，mean为均值函数，sd为标准差函数，α为所述阈值调谐系数，erfk为修正后的误差模型。
5.根据权利要求1至3中任一项所述的方法，其特征在于，还包括：
向所述疑似燃气泄漏的燃气管道发送阀门关闭指令，以关闭该疑似燃气泄漏的燃气管道的阀门。
6.根据权利要求5所述的方法，其特征在于，还包括：
向片区维护人员所在的终端发送告警信息，以指示所述维护人员对所述疑似燃气泄漏的燃气管道进行检修。
7.一种燃气管道泄漏检测装置，其特征在于，包括：
预测模块，用于将各燃气管道对应历史时刻的燃气流量时序数据输入至预先训练好的预测模型中，预测各燃气管道在所述历史时刻之后的至少一个目标时刻对应的燃气流量，得到预测燃气流量时序数据；其中，所述预测模型基于长短时记忆网络LSTM构建；
采集模块，用于采集各燃气管道在所述至少一个目标时刻对应的观测燃气流量，得到观测燃气流量时序数据；
确定模块，用于基于各燃气管道对应的所述预测燃气流量时序数据和所述观测燃气流量时序数据之间的误差，从各燃气管道中确定疑似燃气泄漏的燃气管道；
所述确定模块，还用于将所述各燃气管道对应的所述预测燃气流量时序数据和所述观测燃气流量时序数据进行对比，建立第一误差模型、第二误差模型以及第三误差模型；其中，所述第一误差模型、所述第二误差模型以及所述第三误差模型反映不同的误差度量指标；确定所述第一误差模型、所述第二误差模型以及所述第三误差模型对应的误差阈值；基于各误差阈值，采用投票机制确定所述各燃气管道对应的所述观测燃气流量时序数据是否为异常数据；若是，则确定对应的燃气管道为疑似燃气泄漏的燃气管道。
8.一种燃气管道泄漏检测设备，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权利要求1至6中任一项所述方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111292627.5A CN113944888B (zh) | 2021-11-03 | 2021-11-03 | 燃气管道泄漏检测方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111292627.5A CN113944888B (zh) | 2021-11-03 | 2021-11-03 | 燃气管道泄漏检测方法、装置、设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113944888A CN113944888A (zh) | 2022-01-18 |
| CN113944888B true CN113944888B (zh) | 2023-12-08 |
Family
ID=79337532
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111292627.5A Active CN113944888B (zh) | 2021-11-03 | 2021-11-03 | 燃气管道泄漏检测方法、装置、设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113944888B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115330361B (zh) | 2022-10-14 | 2023-01-13 | 成都秦川物联网科技股份有限公司 | 基于户内安全的燃气泄漏预测方法及智慧燃气物联网系统 |
| CN116383769B (zh) * | 2023-05-19 | 2023-08-15 | 陕西科诺特斯科技技术有限公司 | 一种基于传感器的燃气数据检测方法及系统 |
| CN117114369B (zh) * | 2023-10-23 | 2024-01-02 | 成都秦川物联网科技股份有限公司 | 智慧燃气应急供气处置方法、物联网系统、装置及介质 |
| CN117190078B (zh) * | 2023-11-03 | 2024-02-09 | 山东省计算中心（国家超级计算济南中心） | 一种输氢管网监测数据异常检测方法及系统 |
Citations (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH08210937A (ja) * | 1995-02-02 | 1996-08-20 | Matsushita Electric Ind Co Ltd | 配管漏洩検知装置 |
| CN101625071A (zh) * | 2009-08-07 | 2010-01-13 | 天津大学 | 燃气管道泄漏检测和定位方法 |
| US9395262B1 (en) * | 2015-12-21 | 2016-07-19 | International Business Machines Corporation | Detecting small leaks in pipeline network |
| CN108051035A (zh) * | 2017-10-24 | 2018-05-18 | 清华大学 | 基于门控循环单元的神经网络模型的管网漏损识别方法 |
| CN108062561A (zh) * | 2017-12-05 | 2018-05-22 | 华南理工大学 | 一种基于长短时记忆网络模型的短时数据流预测方法 |
| CN108167653A (zh) * | 2017-12-23 | 2018-06-15 | 浙江大学 | 基于动态神经网络预测的城市供水管网爆管检测方法 |
| CN109359698A (zh) * | 2018-10-30 | 2019-02-19 | 清华大学 | 基于长短时记忆神经网络模型的漏损识别方法 |
| CN109555977A (zh) * | 2018-11-23 | 2019-04-02 | 水联网技术服务中心（北京）有限公司 | 漏水噪声检测的设备和识别方法 |
| CN109578816A (zh) * | 2018-12-14 | 2019-04-05 | 中冶京诚工程技术有限公司 | 给水管网爆管检测方法及装置、控制方法及装置 |
| CN109611693A (zh) * | 2019-01-04 | 2019-04-12 | 中国矿业大学 | 一种瓦斯抽采负压管线泄漏检测装置与方法 |
| CN109783903A (zh) * | 2018-12-28 | 2019-05-21 | 佛山科学技术学院 | 一种基于时间序列的工业用水管道故障诊断方法及系统 |
| CN110730099A (zh) * | 2019-10-21 | 2020-01-24 | 电子科技大学 | 基于历史流量数据时间序列的流量预测方法 |
| CN111022941A (zh) * | 2019-12-27 | 2020-04-17 | 重庆科技学院 | 一种基于lstm循环神经网络的天然气管道泄漏检测方法 |
| CN111461466A (zh) * | 2020-05-18 | 2020-07-28 | 瑞纳智能设备股份有限公司 | 基于lstm时间序列的供暖户阀调节方法、系统及设备 |
| CN112904756A (zh) * | 2021-01-13 | 2021-06-04 | 淮阴工学院 | 一种管网大数据检测系统 |
| CN112905891A (zh) * | 2021-03-05 | 2021-06-04 | 中国科学院计算机网络信息中心 | 基于图神经网络的科研知识图谱人才推荐方法及装置 |
| CN113090959A (zh) * | 2021-03-31 | 2021-07-09 | 杨大松 | 一种智慧燃气监测系统 |
| CN113188056A (zh) * | 2021-06-07 | 2021-07-30 | 杭州海川节能科技有限公司 | 一种管道泄漏检测方法、装置、设备及存储介质 |
| CN113434989A (zh) * | 2021-06-28 | 2021-09-24 | 山东大学 | 一种基于注意力机制和lstm的管网漏损量预测方法及系统 |
| CN113570256A (zh) * | 2021-07-30 | 2021-10-29 | 北京软通智慧科技有限公司 | 应用于城市规划的数据处理方法、装置、电子设备及介质 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10318669B2 (en) * | 2016-06-16 | 2019-06-11 | International Business Machines Corporation | Adaptive forecasting of time-series |
| CN111130839B (zh) * | 2019-11-04 | 2021-07-16 | 清华大学 | 一种流量需求矩阵预测方法及其系统 |
-
2021
- 2021-11-03 CN CN202111292627.5A patent/CN113944888B/zh active Active
Patent Citations (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH08210937A (ja) * | 1995-02-02 | 1996-08-20 | Matsushita Electric Ind Co Ltd | 配管漏洩検知装置 |
| CN101625071A (zh) * | 2009-08-07 | 2010-01-13 | 天津大学 | 燃气管道泄漏检测和定位方法 |
| US9395262B1 (en) * | 2015-12-21 | 2016-07-19 | International Business Machines Corporation | Detecting small leaks in pipeline network |
| CN108051035A (zh) * | 2017-10-24 | 2018-05-18 | 清华大学 | 基于门控循环单元的神经网络模型的管网漏损识别方法 |
| CN108062561A (zh) * | 2017-12-05 | 2018-05-22 | 华南理工大学 | 一种基于长短时记忆网络模型的短时数据流预测方法 |
| CN108167653A (zh) * | 2017-12-23 | 2018-06-15 | 浙江大学 | 基于动态神经网络预测的城市供水管网爆管检测方法 |
| CN109359698A (zh) * | 2018-10-30 | 2019-02-19 | 清华大学 | 基于长短时记忆神经网络模型的漏损识别方法 |
| CN109555977A (zh) * | 2018-11-23 | 2019-04-02 | 水联网技术服务中心（北京）有限公司 | 漏水噪声检测的设备和识别方法 |
| CN109578816A (zh) * | 2018-12-14 | 2019-04-05 | 中冶京诚工程技术有限公司 | 给水管网爆管检测方法及装置、控制方法及装置 |
| CN109783903A (zh) * | 2018-12-28 | 2019-05-21 | 佛山科学技术学院 | 一种基于时间序列的工业用水管道故障诊断方法及系统 |
| CN109611693A (zh) * | 2019-01-04 | 2019-04-12 | 中国矿业大学 | 一种瓦斯抽采负压管线泄漏检测装置与方法 |
| CN110730099A (zh) * | 2019-10-21 | 2020-01-24 | 电子科技大学 | 基于历史流量数据时间序列的流量预测方法 |
| CN111022941A (zh) * | 2019-12-27 | 2020-04-17 | 重庆科技学院 | 一种基于lstm循环神经网络的天然气管道泄漏检测方法 |
| CN111461466A (zh) * | 2020-05-18 | 2020-07-28 | 瑞纳智能设备股份有限公司 | 基于lstm时间序列的供暖户阀调节方法、系统及设备 |
| CN112904756A (zh) * | 2021-01-13 | 2021-06-04 | 淮阴工学院 | 一种管网大数据检测系统 |
| CN112905891A (zh) * | 2021-03-05 | 2021-06-04 | 中国科学院计算机网络信息中心 | 基于图神经网络的科研知识图谱人才推荐方法及装置 |
| CN113090959A (zh) * | 2021-03-31 | 2021-07-09 | 杨大松 | 一种智慧燃气监测系统 |
| CN113188056A (zh) * | 2021-06-07 | 2021-07-30 | 杭州海川节能科技有限公司 | 一种管道泄漏检测方法、装置、设备及存储介质 |
| CN113434989A (zh) * | 2021-06-28 | 2021-09-24 | 山东大学 | 一种基于注意力机制和lstm的管网漏损量预测方法及系统 |
| CN113570256A (zh) * | 2021-07-30 | 2021-10-29 | 北京软通智慧科技有限公司 | 应用于城市规划的数据处理方法、装置、电子设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113944888A (zh) | 2022-01-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113944888B (zh) | 燃气管道泄漏检测方法、装置、设备和存储介质 | |
| CN111210024B (zh) | 模型训练方法、装置、计算机设备和存储介质 | |
| Xiong et al. | Digital twin–driven aero-engine intelligent predictive maintenance | |
| Caceres et al. | A probabilistic Bayesian recurrent neural network for remaining useful life prognostics considering epistemic and aleatory uncertainties | |
| ZIO | Model output uncertainty in risk assessment | |
| Zheng et al. | An online real-time estimation tool of leakage parameters for hazardous liquid pipelines | |
| US20230221207A1 (en) | Methods and internet of things systems for determining gas leakages based on smart gas | |
| CN117056864B (zh) | 一种管道漏损预警方法及系统 | |
| CN115681821B (zh) | 用于智慧燃气设备管理的加臭自动控制方法和物联网系统 | |
| CN114511243A (zh) | 一种基于物联网监测的火灾风险动态评估的方法及系统 | |
| KR20210015531A (ko) | 뉴럴 네트워크 모델을 업데이트하는 방법 및 시스템 | |
| WO2020153903A1 (en) | Method and system for monitoring a gas distribution network operating at low pressure | |
| Guo et al. | A CNN‐BiLSTM‐Bootstrap integrated method for remaining useful life prediction of rolling bearings | |
| CN117318052B (zh) | 发电机组进相试验无功功率预测方法、装置和计算机设备 | |
| WO2022033224A1 (zh) | 人员可靠性评估方法、系统、计算机设备及存储介质 | |
| CN112379913B (zh) | 基于风险识别的软件优化方法、装置、设备及存储介质 | |
| CN113758652A (zh) | 换流变压器漏油检测方法、装置、计算机设备和存储介质 | |
| CN116882290A (zh) | 基于时空图卷积神经网络的管网压力预测方法和系统 | |
| CN112819262A (zh) | 存储器、工艺管道检维修决策方法、装置和设备 | |
| CN116562120A (zh) | 一种基于rve的涡轮发动机系统健康状况评估方法及装置 | |
| Bhowmik | Life extension of offshore structure using machine learning | |
| CN110865939B (zh) | 应用程序质量监测方法、装置、计算机设备和存储介质 | |
| US11143770B1 (en) | System and method for providing real-time prediction and mitigation of seismically-induced effects in complex systems | |
| Yang et al. | Machine Learning in Process Safety and Asset Integrity Management | |
| Kamil et al. | Dynamic risk analysis using imprecise and incomplete information |
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 |