CN114429252A - 储气库地下设施动态风险评价方法和设备 - Google Patents
储气库地下设施动态风险评价方法和设备 Download PDFInfo
- Publication number
- CN114429252A CN114429252A CN202010942986.XA CN202010942986A CN114429252A CN 114429252 A CN114429252 A CN 114429252A CN 202010942986 A CN202010942986 A CN 202010942986A CN 114429252 A CN114429252 A CN 114429252A
- Authority
- CN
- China
- Prior art keywords
- failure
- fuzzy
- node
- probability
- bayesian network
- 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
- 238000003860 storage Methods 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000011156 evaluation Methods 0.000 claims abstract description 17
- 238000004458 analytical method Methods 0.000 claims abstract description 10
- 238000009826 distribution Methods 0.000 claims abstract description 6
- 238000004519 manufacturing process Methods 0.000 claims description 14
- 230000035945 sensitivity Effects 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 5
- 230000004931 aggregating effect Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000004880 explosion Methods 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 4
- 238000002347 injection Methods 0.000 description 4
- 239000007924 injection Substances 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012502 risk assessment Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000012764 semi-quantitative analysis Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000009897 systematic effect Effects 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- 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
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Mathematical Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Pure & Applied Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Optimization (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Computational Mathematics (AREA)
- Artificial Intelligence (AREA)
- Algebra (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Probability & Statistics with Applications (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请提出了储气库地下设施动态评价方法和设备。该方法包括:对储气库地下设施和地质结构进行单元划分;基于事件间的逻辑关系建立地下设施失效故障树;将所述失效故障树转换为故障贝叶斯网络;针对每个分支,采用LR模糊数,把设定的权重分布合成为节点失效可能性的定性语言,经过模糊集理论转化为节点模糊失效概率;针对每个分支,在所述故障贝叶斯网络和所述节点模糊失效概率基础上,引入时间变量,构建动态贝叶斯网络,得到在连续时间上的失效概率;得到所述顶上事件在连续时间上的失效概率。根据本申请,可实现对储气库地下设施风险的动态分析评价,其评价结果具有很高可靠性。
Description
技术领域
本发明涉及储气库风险评价领域,更具体地,涉及储气库地下设施动态风险评价方法和设备。
背景技术
一般储气库地下设施所处的环境复杂,风险因素多,且不同库区之间的地质条件、地层压力、井深、井位、钻井方式、地下环境等因素不同,量化风险评价难度大,地下设施无法直接观察和测量,获取故障数据十分困难。为了对储气库进行风险评价,多采用定性风险评价方法。虽然定量研究也开展了不少,但研究程度不足,以定性成分居多;风险研究以单因素分析居多,缺乏系统性研究。
目前安全评价常用的方法分为定性评价和定量评价,在储气库地下设施风险评价中多使用故障树-层次分析法,以定性分析和半定量分析为主。且每一座储气库建库基础条件差异巨大,研究方法不同,很多技术方法不能直接采用。
发明内容
有鉴于此,本申请提出了一种实现对储气库地下设施风险的高可靠性动态分析评价方法,本申请还提出了相应的电子设备和计算机可读存储介质。
根据本申请的一方面,提出了一种储气库地下设施动态风险评价方法,所述方法包括:
步骤1,基于风险因素识别,对储气库地下设施和地质结构进行单元划分;
步骤2,以划分的单元为对象,对失效影响因素进行分析,基于事件间的逻辑关系建立地下设施失效故障树,其中,所述失效故障树的顶上事件包括储气库爆炸和储气库泄漏,所述顶上事件的每个分支对应一个所述单元;
步骤3,将所述失效故障树转换为故障贝叶斯网络,将所述失效故障树中的事件映射为所述故障贝叶斯网络中的节点,根据事件间的逻辑关系连接各个节点,其中,所述顶上事件映射为所述故障贝叶斯网络的根结点,所述顶上事件的每个分支映射为所述根结点的一个分支;
步骤4,针对每个分支,采用LR模糊数,把设定的权重分布合成为节点失效可能性的定性语言,经过模糊集理论转化为节点模糊失效概率;
步骤5,针对每个分支,在所述故障贝叶斯网络和所述节点模糊失效概率基础上,引入时间变量,构建动态贝叶斯网络,得到在连续时间上的失效概率;
步骤6,综合各个分支在连续时间上的失效概率,得到所述顶上事件在连续时间上的失效概率。
在本方面的一个实施方式中,所述步骤1中,将储气库地下设施和地质结构划分为以下四个单元:采气树及井口装置单元、套管柱单元、油管单元、地质构造单元。
在本方面的一个实施方式中,所述失效故障树的次顶事件包括:采气树及井口装置失效、套管柱失效、油管失效、地质构造导致失效。
在本方面的一个实施方式中,步骤3中,将所述失效故障树转换为所述故障贝叶斯网络时,重复事件映射为同一节点。
在本方面的一个实施方式中,所述步骤4具体包括:
针对每个分支,根据多组权重,将节点的失效可能值聚合成能够反映节点失效可能性的模糊数;
在得到所有节点的模糊数之后,采用LR模糊数排序法,把模糊数转化成节点模糊失效概率。
在本方面的一个实施方式中,采用LR模糊数排序法,把模糊数转化成节点模糊失效概率,包括:
确定最大模糊数集,并计算LR模糊数的左右模糊可能值;
结合左右模糊可能值,得到模糊数的综合可能值;
使用概率转换公式,将模糊数的综合可能值化为当前状态下节点模糊失效概率。
在本方面的一个实施方式中,所述步骤5具体包括:
将所述节点模糊失效概率作为初始的先验概率,对所述故障贝叶斯网络进行从上而下的失效概率推理,得到后验概率;
引入时间变量,修正所述故障贝叶斯网络,将前一时间节点的后验概率作为下一时间节点的先验概率,构建所述动态贝叶斯网络,得到在连续时间上的失效概率。
在本方面的一个实施方式中,所述方法还包括:
针对每个分支,根据后验概率相对于先验概率的变化情况、灵敏度和影响力,分析得到最可能导致该分支失效的途径,结合所述途径上各个节点的灵敏度,识别关键风险节点。
根据本申请的另一方面,还提出了一种电子设备,所述电子设备包括:
存储器,存储有可执行指令;
处理器,所述处理器运行所述存储器中的所述可执行指令,以实现如上所述的方法。
根据本申请的另一方面,还提出了一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时实现如上所述的方法。
本申请提出的技术方案,结合了故障树法、三角模糊数、贝叶斯网络等安全评价方法和数学理论,收集运行数据和故障数据,通过整合数据、识别风险因素、建立失效故障树;之后将失效故障树映射为故障贝叶斯网络;通过故障贝叶斯网络自上而下推导,得到单元失效概率;引入时间变量,修正贝叶斯网络,实现对储气库地下设施风险的动态分析评价。在实际工程中,根据本申请得到的动态评价结果具有很高准确性,具有极高参考价值。
附图说明
通过结合附图对本申请示例性实施方式进行更详细的描述,本申请的上述以及其它目的、特征和优势将变得更加明显,其中,在本申请示例性实施方式中,相同的参考标号通常代表相同部件。
图1示出了根据本申请的一个实施例的储气库地下设施动态风险评价方法的流程示意图。
图2(a)、图2(b)、图2(c)、图2(d)示出根据本申请的一个实施例的失效故障树的逻辑关系以及对应的贝叶斯网络的概率示意图。
图3示出了根据本申请的一个实施方式的将失效故障树的一个分支映射为故障贝叶斯网络的示例性示意图。
具体实施方式
下面将参照附图更详细地描述本申请的优选实施方式。虽然附图中显示了本申请的优选实施方式,然而应该理解,可以以各种形式实现本申请而不应被这里阐述的实施方式所限制。相反,提供这些实施方式是为了使本申请更加透彻和完整,并且能够将本申请的范围完整地传达给本领域的技术人员。
请参见图1。图1示出了根据本申请的一个实施例的储气库地下设施动态风险评价方法的流程示意图。如图所示,该方法包括步骤1~步骤6。
步骤1,基于风险因素识别,对储气库地下设施和地质结构进行单元划分。
储气库中风险多样、复杂,地下设施的风险因素涉及到地面设备(主要指采气树及井口装置、连接到注采设施的管道)、注采设施的井筒、注采设施的套管、附属设施、地质结构情况等多个方面。根据本实施例,对储气库地下注采设施和地质结构进行单元划分,并通过故障类型和影响因素对单元进行分析。
在一个示例中,发明人根据多年的工程经验和对风险因素的深刻认识,可以将储气库地下设施和地质结构划分为以下四个单元:采气树及井口装置单元、套管柱单元、油管单元、地质构造单元。
步骤2,以划分的单元为对象,对失效影响因素进行分析,基于事件间的逻辑关系建立地下设施失效故障树,其中,所述失效故障树的顶上事件包括储气库爆炸和储气库泄漏,所述顶上事件的每个分支对应一个所述单元。
在一个示例中,所述失效故障树的次顶事件包括:采气树及井口装置失效、套管柱失效、油管失效、地质构造导致失效。次顶事件也称为直接原因事件。
步骤3,将所述失效故障树转换为故障贝叶斯网络,将所述失效故障树中的事件映射为所述故障贝叶斯网络中的节点,根据事件间的逻辑关系连接各个节点,其中,所述顶上事件映射为所述故障贝叶斯网络的根结点,所述顶上事件的每个分支映射为所述根结点的一个分支。
在一个示例中,将所述失效故障树转换为所述故障贝叶斯网络时,重复事件可以映射为同一节点。例如,事件A既导致中间事件B发生,又导致中间事件C发生,那么将重复事件A视为同一个节点。
请参见图2(a)、2(b)、2(c)和2(d)。图2(a)、图2(b)、图2(c)、图2(d)示出根据本申请的一个实施例的失效故障树的逻辑关系以及对应的故障贝叶斯网络的概率示意图。其中,图2(a)示出失效故障树的逻辑或门,图2(b)示出与失效故障树逻辑或门对应的故障贝叶斯网络的连接关系和概率;图2(c)示出失效故障树的逻辑与门,图2(d)示出与失效故障树逻辑与门对应的故障贝叶斯网络的连接关系和概率。
图3示出了根据本申请的一个实施方式的将失效故障树的一个分支映射为故障贝叶斯网络的示例性示意图。表1对图3中示出的失效故障树中的事件做了简单说明。
表1失效故障树事件说明
回到图1。步骤4,针对每个分支,采用LR模糊数,把设定的权重分布合成为节点失效可能性的定性语言,经过模糊集理论转化为节点模糊失效概率。
在一个示例中,步骤4具体包括:针对每个分支,根据多组权重,将节点的失效可能值聚合成能够反映节点失效可能性的模糊数;在得到所有节点的模糊数之后,采用LR模糊数排序法,把模糊数转化成节点模糊失效概率。多组权重可以是由多位专家根据经验给出的。
其中,采用LR模糊数排序法,把模糊数转化成节点模糊失效概率,可以包括:确定最大模糊数集,并计算LR模糊数的左右模糊可能值;结合左右模糊可能值,得到模糊数的综合可能值;使用概率转换公式,将模糊数的综合可能值化为当前状态下节点模糊失效概率。
在步骤4中,采用LR模糊数,把专家能力权重分布合成为事件失效可能性的定性语言,经过模糊集理论转化为事件模糊失效率。
由于专家意见带有主观性,事件的可能性分值具有模糊性,所以采用模糊数学中的模糊数概率来降低主观性。根据不同专家的权重值,将事件的失效可能值聚合成能够反映该事件失效可能性的模糊数。在得到所有事件的失效的模糊数之后采用LR模糊数排序法,把模糊数转化成模糊可能性,即节点模糊失效概率,即对应事件的模糊失效概率。该节点模糊失效概率可以作为步骤3得到的故障贝叶斯网络的先验概率。
步骤5,针对每个分支,在所述故障贝叶斯网络和所述节点模糊失效概率基础上,引入时间变量,构建动态贝叶斯网络,得到在连续时间上的失效概率。
在一个示例中,步骤5具体包括:将所述节点模糊失效概率作为初始的先验概率,对所述故障贝叶斯网络进行从上而下的失效概率推理,得到后验概率;引入时间变量,修正所述故障贝叶斯网络,将前一时间节点的后验概率作为下一时间节点的先验概率,构建所述动态贝叶斯网络,得到在连续时间上的失效概率。因其以分支为单位进行计算,每个分支对应步骤1中划分得到的一个单元,也可视为单元失效概率。
在一个示例中,根据本实施例的方法还包括:针对每个分支,根据后验概率相对于先验概率的变化情况、灵敏度和影响力,分析得到最可能导致该分支失效的途径,结合所述途径上各个节点的灵敏度,识别关键风险节点。
如上所述,通过步骤3,将传统故障树模型映射为故障贝叶斯网络,并通过步骤4的到该贝叶斯网络的先验概率,在此二者基础上,在步骤5中,可以以步骤1中划分的单元为单位,对故障贝叶斯网络进行自上而下的单元失效概率推理,每个单元,对应根节点的一个分支。如图2(b)所示,P(M)=P(X1)+P(X2);如图2(的)所示,P(M)=P(X1)*P(X2)。
更直观的反应后验概率相对于先验概率的变化情况,磕使用变化率描述事件对系统失效概率的影响,数值越高,表示该事件对失效的影响程度越大,是关键风险因素。同时,为保证关键风险因素的识别结果更为可靠,可使用灵敏度和影响力辅助分析,参考三者的分析结果进行综合决策,分析得出最可能导致单元失效的途径,结合途径上的高灵敏度事件,识别出关键风险因素。
再引入时间变量,修正部分节点失效概率为失效概率分布,使用此时间节点的后验概率作为下一时间节点的先验概率,构建动态贝叶斯网络,推理得到连续时间上的各单元的失效概率。
假设有A、B、C三个节点,三者构成一个简单的静态贝叶斯网络,如果要扩展到时间层面,那么需要对A、B两个节点进行扩展,由t1时刻的贝叶斯网络拓展到t2时刻的贝叶斯网络,以此类推直至tn时刻的贝叶斯网络。
步骤6,综合各个分支的失效概率,得到所述顶上事件在连续时间上的失效概率。
本申请提出的技术方案,结合了故障树法、三角模糊数、贝叶斯网络等安全评价方法和数学理论,收集运行数据和故障数据,通过整合数据、识别风险因素、建立失效故障树;之后将失效故障树映射为故障贝叶斯网络;通过故障贝叶斯网络自上而下推导,得到单元失效概率;引入时间变量,修正贝叶斯网络,实现对储气库地下设施风险的动态分析评价。在实际工程中,根据本申请得到的动态评价结果具有很高准确性,具有极高参考价值。
根据本申请实施例的电子设备包括存储器和处理器。
该存储器用于存储非暂时性计算机可读指令。具体地,存储器可以包括一个或多个计算机程序产品,该计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。该易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。该非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。
该处理器可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其它形式的处理单元,并且可以控制电子设备中的其它组件以执行期望的功能。在本申请的一个实施例中,该处理器用于运行该存储器中存储的该计算机可读指令。
本领域技术人员应能理解,为了解决如何获得良好用户体验效果的技术问题,本实施例中也可以包括诸如通信总线、接口等公知的结构,这些公知的结构也应包含在本申请的保护范围之内。
有关本实施例的详细说明可以参考前述各实施例中的相应说明,在此不再赘述。
本申请实施例提供一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时实现所述的储气库地下设施动态风险评价方法。
根据本申请实施例的计算机可读存储介质,其上存储有非暂时性计算机可读指令。当该非暂时性计算机可读指令由处理器运行时,执行前述的本申请各实施例方法的全部或部分步骤。
上述计算机可读存储介质包括但不限于:光存储介质(例如:CD-ROM和DVD)、磁光存储介质(例如:MO)、磁存储介质(例如:磁带或移动硬盘)、具有内置的可重写非易失性存储器的媒体(例如:存储卡)和具有内置ROM的媒体(例如:ROM盒)。
以上已经描述了本申请的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种储气库地下设施动态风险评价方法,其特征在于,所述方法包括:
步骤1,基于风险因素识别,对储气库地下设施和地质结构进行单元划分;
步骤2,以划分的单元为对象,对失效影响因素进行分析,基于事件间的逻辑关系建立地下设施失效故障树,其中,所述失效故障树的顶上事件包括储气库爆炸和储气库泄漏,所述顶上事件的每个分支对应一个所述单元;
步骤3,将所述失效故障树转换为故障贝叶斯网络,将所述失效故障树中的事件映射为所述故障贝叶斯网络中的节点,根据事件间的逻辑关系连接各个节点,其中,所述顶上事件映射为所述故障贝叶斯网络的根结点,所述顶上事件的每个分支映射为所述根结点的一个分支;
步骤4,针对每个分支,采用LR模糊数,把设定的权重分布合成为节点失效可能性的定性语言,经过模糊集理论转化为节点模糊失效概率;
步骤5,针对每个分支,在所述故障贝叶斯网络和所述节点模糊失效概率基础上,引入时间变量,构建动态贝叶斯网络,得到在连续时间上的失效概率;
步骤6,综合各个分支在连续时间上的失效概率,得到所述顶上事件在连续时间上的失效概率。
2.根据权利要求1所述的方法,其特征在于,所述步骤1中,将储气库地下设施和地质结构划分为以下四个单元:采气树及井口装置单元、套管柱单元、油管单元、地质构造单元。
3.根据权利要求2所述的方法,其特征在于,所述失效故障树的次顶事件包括:采气树及井口装置失效、套管柱失效、油管失效、地质构造导致失效。
4.根据权利要求1所述的方法,其特征在于,步骤3中,将所述失效故障树转换为所述故障贝叶斯网络时,重复事件映射为同一节点。
5.根据权利要求1所述的方法,其特征在于,所述步骤4具体包括:
针对每个分支,根据多组权重,将节点的失效可能值聚合成能够反映节点失效可能性的模糊数;
在得到所有节点的模糊数之后,采用LR模糊数排序法,把模糊数转化成节点模糊失效概率。
6.根据权利要求5所述的方法,其特征在于,采用LR模糊数排序法,把模糊数转化成节点模糊失效概率,包括:
确定最大模糊数集,并计算LR模糊数的左右模糊可能值;
结合左右模糊可能值,得到模糊数的综合可能值;
使用概率转换公式,将模糊数的综合可能值化为当前状态下节点模糊失效概率。
7.根据权利要求1所述的方法,其特征在于,所述步骤5具体包括:
将所述节点模糊失效概率作为初始的先验概率,对所述故障贝叶斯网络进行从上而下的失效概率推理,得到后验概率;
引入时间变量,修正所述故障贝叶斯网络,将前一时间节点的后验概率作为下一时间节点的先验概率,构建所述动态贝叶斯网络,得到在连续时间上的失效概率。
8.根据权利要求7所述的方法,其特征在于,所述方法还包括:
针对每个分支,根据后验概率相对于先验概率的变化情况、灵敏度和影响力,分析得到最可能导致该分支失效的途径,结合所述途径上各个节点的灵敏度,识别关键风险节点。
9.一种电子设备,其特征在于,所述电子设备包括:
存储器,存储有可执行指令;
处理器,所述处理器运行所述存储器中的所述可执行指令,以实现权利要求1-8中任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,该计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时实现权利要求1-8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010942986.XA CN114429252A (zh) | 2020-09-09 | 2020-09-09 | 储气库地下设施动态风险评价方法和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010942986.XA CN114429252A (zh) | 2020-09-09 | 2020-09-09 | 储气库地下设施动态风险评价方法和设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114429252A true CN114429252A (zh) | 2022-05-03 |
Family
ID=81309081
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010942986.XA Pending CN114429252A (zh) | 2020-09-09 | 2020-09-09 | 储气库地下设施动态风险评价方法和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114429252A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115438867A (zh) * | 2022-09-14 | 2022-12-06 | 中国矿业大学 | 煤矿顶板事故风险预测方法 |
-
2020
- 2020-09-09 CN CN202010942986.XA patent/CN114429252A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115438867A (zh) * | 2022-09-14 | 2022-12-06 | 中国矿业大学 | 煤矿顶板事故风险预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5904559B2 (ja) | シナリオ生成装置、及びそのためのコンピュータプログラム | |
US20050160324A1 (en) | Automatic generation of baysian diagnostics from fault trees | |
CN114785666B (zh) | 一种网络故障排查方法与系统 | |
JP5907393B2 (ja) | 複雑述語テンプレート収集装置、及びそのためのコンピュータプログラム | |
CN112415331B (zh) | 基于多源故障信息的电网二次系统故障诊断方法 | |
Gent et al. | Solving quantified constraint satisfaction problems | |
Wang et al. | Quantitative risk assessment through hybrid causal logic approach | |
CN114429252A (zh) | 储气库地下设施动态风险评价方法和设备 | |
Mo et al. | Network simplification and k-terminal reliability evaluation of sensor-cloud systems | |
Lin et al. | An agent-based approach to reconciling data heterogeneity in cyber-physical systems | |
Alghanim et al. | Software defect density prediction using deep learning | |
CN104899283A (zh) | 一种针对单个不确定图的频繁子图挖掘与优化方法 | |
Faragó et al. | Impact of version history metrics on maintainability | |
CN116611523A (zh) | 涡轮风扇发动机的可解释故障预测方法及系统 | |
Lin et al. | Applying safety case pattern to generate assurance cases for safety-critical systems | |
CN105094209B (zh) | 数据的修复方法及装置 | |
CN111997692B (zh) | 井下通风监测点布置方法、监测方法、装置及存储介质 | |
Partyka et al. | Semantic schema matching without shared instances | |
Solehman et al. | Web-based flood warning system using decision tree method | |
Chakraborty et al. | ESRO: Experience Assisted Service Reliability against Outages | |
Juneja et al. | Uncertain data processing of PMU modules using fuzzy Petri net | |
Kamisiński et al. | Assessing the structural complexity of computer and communication networks | |
Rabcan et al. | Generation of structure function based on ambiguous and incompletely specified data using fuzzy random forest | |
Lis | Application of data mining techniques to identify critical voltage control areas in power system | |
Dodonov et al. | Modeling the Survivability of Network Structures. |
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 |