CN114492980B - 一种城镇燃气埋地管道腐蚀风险的智能预测方法 - Google Patents

一种城镇燃气埋地管道腐蚀风险的智能预测方法 Download PDF

Info

Publication number
CN114492980B
CN114492980B CN202210072676.6A CN202210072676A CN114492980B CN 114492980 B CN114492980 B CN 114492980B CN 202210072676 A CN202210072676 A CN 202210072676A CN 114492980 B CN114492980 B CN 114492980B
Authority
CN
China
Prior art keywords
data
buried pipeline
corrosion
soil
pipeline
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
Application number
CN202210072676.6A
Other languages
English (en)
Other versions
CN114492980A (zh
Inventor
刘剑
周吉祥
谷淼波
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.)
China Special Inspection Shenran Safety Technology Service Shenzhen Co ltd
Shenzhen Gas Corp Ltd
Original Assignee
China Special Inspection Shenran Safety Technology Service Shenzhen Co ltd
Shenzhen Gas Corp Ltd
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 Special Inspection Shenran Safety Technology Service Shenzhen Co ltd, Shenzhen Gas Corp Ltd filed Critical China Special Inspection Shenran Safety Technology Service Shenzhen Co ltd
Priority to CN202210072676.6A priority Critical patent/CN114492980B/zh
Publication of CN114492980A publication Critical patent/CN114492980A/zh
Application granted granted Critical
Publication of CN114492980B publication Critical patent/CN114492980B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/24—Earth materials
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/24—Earth materials
    • G01N33/246—Earth materials for water content
    • 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
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Pathology (AREA)
  • Geology (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Analytical Chemistry (AREA)
  • Medicinal Chemistry (AREA)
  • Food Science & Technology (AREA)
  • Remote Sensing (AREA)
  • Game Theory and Decision Science (AREA)
  • General Health & Medical Sciences (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Educational Administration (AREA)
  • Testing Resistance To Weather, Investigating Materials By Mechanical Methods (AREA)

Abstract

本发明提供了一种城镇燃气埋地管道腐蚀风险的智能预测方法。包括：检测城镇燃气埋地管道区域土壤，获取检测结果，根据所述检测结果进行土壤腐蚀性分析，获取分析结果；检测埋地管道腐蚀指标数据，获取检测数据，根据埋地管道初始指标数据和所述检测数据，绘制埋地管道腐蚀情况变化动态图；基于所述动态图，提取动态图变化数据，并对所述动态图变化数据进行数据管理，建立燃气埋地管道腐蚀数据库；根据所述燃气埋地管道腐蚀数据库，对埋地管道进行腐蚀风险预测，获取预测结果，本发明通过对管道和管道所在区域土壤进行取样监测得到的数据，建立数据可来预测管道被腐蚀的风险性问题，还能对存在的风险进行评估，且制定风险解决方案。

Description

一种城镇燃气埋地管道腐蚀风险的智能预测方法
技术领域
本发明涉及智能预测技术领域，特别涉及一种城镇燃气埋地管道腐蚀风险的智能预测方法。
背景技术
目前，埋地管道作为燃气的传输载体，已经成为城市不可或缺的基础设施之一。现有的城市埋地钢质燃气管道尤其是主于管基本上都是钢质管道。大量的钢质管道埋于地下，长期受到周围土壤介质杂散电流的腐蚀以及各种微生物的侵蚀，产生的管道腐蚀、穿孔、泄漏现象屡见不鲜，如附图3所示，。由于燃气管道通常处于人口较密集的城镇中心区，一旦发生火灾、爆炸、窒息等安全事故，除了给国家和企业带来巨大的经济损失外，还直接威胁着城镇居民生命财产安全，造成环境污染等严重后果，现有技术CN201810706730-一种城镇燃气埋地管道腐蚀风险的智能预测方法中，只是通过对腐蚀管道和健康管道进行取样，根据得到的取样数据进行预处理，然后再利用预处理后的训练样本对随机分类模型进行训练，对模型进行验证后再得到管道腐蚀风险预测结果，但是这样的取样方法过于简单，对预测结果的准确性有误差影响，而且还存在后续对模型进行训练的技术操作不易完成的问题。因此为了解决埋地管道被腐蚀然后泄露燃气带来的风险问题。
发明内容
本发明提供一种城镇燃气埋地管道腐蚀风险的智能预测方法，用以解决上述的情况。
一种城镇燃气埋地管道腐蚀风险的智能预测方法，包括：
检测城镇燃气埋地管道区域土壤，获取检测结果，根据所述检测结果进行土壤腐蚀性分析，获取分析结果；
检测埋地管道腐蚀指标数据，获取检测数据，根据埋地管道初始指标数据和所述检测数据，绘制埋地管道腐蚀情况变化动态图；
基于所述动态图，提取动态图变化数据，并对所述动态图变化数据进行数据管理，建立燃气埋地管道腐蚀数据库；
根据所述燃气埋地管道腐蚀数据库，对埋地管道进行腐蚀风险预测，获取预测结果。
作为本发明的一种实施例：所述测城镇燃气埋地管道区域土壤，获取检测结果，根据所述检测结果进行土壤腐蚀性分析，获取分析结果，包括：
根据城镇燃气埋地管道区域范围，进行区域样方划分，并对划分得样方区域进行编号，获取编号样方；
根据所述编号样方，获取对应编号样方得城镇燃气埋地管道区域土壤标本，并根据编号样方对土壤标本进行一对一映射编号，获取编号土壤标本；
基于所述编号土壤标本，通过灰关联分析法对编号土壤标本进行土壤腐蚀性分析；
其中，所述土壤腐蚀性分析包括：土壤水分含量分析、土壤盐碱度含量分析、土壤酸性含量分析和土壤重金属含量分析；
根据所述土壤腐蚀性分析，提取土壤腐蚀性指标含量数据，根据所述土壤腐蚀性指标含量数据，对土壤腐蚀性指标含量随时间的变化情况进行监控，获取土壤腐蚀性指标含量-时间数据；
基于所述土壤腐蚀性指标含量-时间数据，进行数据分析统计，获取分析结果。
作为本发明的一种实施例：所述基于所述土壤腐蚀性指标含量-时间数据，进行数据分析统计，获取分析结果，包括：
根据所述土壤腐蚀性指标含量-时间数据，通过数据分析计算获取土壤腐蚀性影响因子；
基于所述土壤腐蚀性影响因子，制定土壤腐蚀性影响因子-埋地管道腐蚀规则；
根据所述土壤腐蚀性影响因子-埋地管道腐蚀规则，进行规则演练，生成多帧土壤腐蚀性影响因子-埋地管道腐蚀图片，并对所述规则演练数据进行实时记录，获取记录数据；
将所述记录数据与所述土壤腐蚀性影响因子-埋地管道腐蚀图片进行对应标定。
作为本发明的一种实施例：所述检测埋地管道腐蚀指标数据，获取检测数据，根据埋地管道初始指标数据和所述检测数据，绘制埋地管道腐蚀情况变化动态图，包括：
基于编号样方，对编号样方对应的燃气埋地管道的管体进行取样，获取管体样本；
对所述管体样本与对应所述编号样方进行一对一映射编号，获取编号管体样本；
根据所述编号管体样本，对编号管体样本进行X-射线衍射能谱分析检测，获取检测分析结果；
根据所述检测分析结果，获取埋地管道腐蚀性指标比重检测数据；
根据埋地管道初始指标数据和所述埋地管道腐蚀性指标比重检测数据，进行埋地管道腐蚀性模拟实验，获取实验数据；
基于所述实验数据，构建埋地管道腐蚀性变化模型，根据所述埋地管道腐蚀性变化模型，进行埋地管道腐蚀性延展预测，获取延展预测数据；
根据所述延展预测数据，绘制埋地管道腐蚀情况变化动态图。
作为本发明的一种实施例：所述根据埋地管道初始指标数据和所述埋地管道腐蚀性指标比重检测数据，进行埋地管道腐蚀性模拟实验，获取实验数据，包括：
埋地管道初始指标数据包括：埋地管道初始管道壁厚数据，埋地管都每截初始长度数据，埋地管道初始埋地深度数据和埋地管道初始材质指标含量数据；
所述埋地管道腐蚀性指标比重检测数据包括：管体样本管道壁厚数据、管体样本长度数据、管体样本埋地深度数据和管体样本材质指标含量数据；
根据土壤腐蚀性影响因子-埋地管道腐蚀规则，进行埋地管道腐蚀性模拟实验，获取实验数据；
其中，所述实验数据包括：土壤水分-管道变化数据、土壤盐碱度-管道变化数据、土壤酸度-管道变化数据和土壤重金属含量-管道变化数据。
作为本发明的一种实施例：所述基于所述实验数据，构建埋地管道腐蚀性变化模型，根据所述埋地管道腐蚀性变化模型，进行埋地管道腐蚀性延展预测，获取延展预测数据，包括：
基于所述土壤水分-管道变化数据、所述土壤盐碱度-管道变化数据、所述土壤酸度-管道变化数据和所述土壤重金属含量-管道变化数据，构建埋地管道腐蚀模型；
所述埋地管道模型为三维模型，通过所述三维模型将埋地管道随时间和土壤腐蚀因子的变化进行记录；
根据埋地管道三维模型，通过模型类比埋地管道在土壤腐蚀条件中随时间的变化情况，获取变化结果；
基于所述变化结果，对埋地管道腐蚀性进行延展预测，获取延展预测数据。
作为本发明的一种实施例：所述基于所述动态图，提取动态图变化数据，并对所述动态图变化数据进行数据管理，建立燃气埋地管道腐蚀数据库。
基于所述动态图，提取动态图变化数据，根据预设埋地管道腐蚀变化数据与动态图变化数据进行对比，获取对比结果；
根据所述对比结果，设置数据越限阈值机制，并根据所述数据越限阈值机制，进行数据越限报警处理；获取处理结果；
基于所述处理结果，对数据进行分类筛选，将越限阈值机制范围外的变化数据进行数据越限报警处理，获取处理结果，并对越限数据进行存储管理，获取越限阈值外存储数据；
基于所述处理结果，对数据进行分类筛选，将越限阈值机制内的变化数据进行数据存储管理，获取越限阈值内存储数据；
根据所述越限阈值外存储数据和所述越限阈值内存储数据，建立燃气埋地管道腐蚀数据库。
作为本发明的一种实施例：所述基于所述处理结果，对数据进行分类筛选，将越限阈值机制范围外的变化数据进行数据越限报警处理，获取处理结果，并对越限数据进行存储管理，获取越限阈值外存储数据，包括：
根据所述处理结果，当动态图变化数据处于越限阈值机制范围外时，进行数据越限报警；
基于所述数据越限报警，对越限报警的数据进行分析，通过数据分析判断越限数据的合理性类别，获取判断结果；
其中，所述越限数据的合理性类别包括：数据检测是否合理、数据记录是否合理、数据管理是否合理；
当所述判断结果显示为不合理时，检查越限数据的合理性类别的不合理原因，获取检查结果；
根据所述检查结果，制定对应解决方案，基于所述方案进行合理校验，并将校验完成的数据进行数据存储管理，获取越限阈值内存储数据；
当所述判断结果显示为合理时，对越限数据进行二次核验，获取核验结果；
基于所述核验结果，对越限数据进行存储管理，获取越限阈值外存储数据。
作为本发明的一种实施例：所述根据所述燃气埋地管道腐蚀数据库，对埋地管道进行腐蚀风险预测，获取预测结果，包括：。
根据建立的燃气埋地管道腐蚀数据库，搭建埋地管道腐蚀预测管理信息系统，根据所述埋地管道腐蚀预测管理信息系统，对埋地管道进行腐蚀风险预测；
其中，所述腐蚀风险预测包括：根据获取的延展预测数据，对埋地管道的腐蚀剩余寿命进行预测，获取预测结果；
将所述预测结果划分为六个等级：一等级寿命、二等级寿命、三等级寿命、四等级寿命、五等级寿命和六等级寿命；
其中，六个等级寿命具体划分年限为：一等级寿命小于一年、二等级寿命大于等于一年且小于五年、三等级寿命大于等于五年且小于十年、四等级寿命大于等于十年且小于十五年、五等级寿命大于等于十五年且小于二十年、六等级寿命大于二十年；
根据所述预测结果进行埋地管道风险评估，获取评估结果，并根据所述评估结果制定风险解决方案。
作为本发明的一种实施例：所述根据所述预测结果进行埋地管道风险评估，获取评估结果，并根据所述评估结果制定风险解决方案，包括：
根据所述预测结果进行埋地管道风险评估，当所述预测结果属于一等级寿命时，评估埋地管道为超高危险级别，根据所述超高危险级别制定管道立即更换方案；
当所述预测结果属于二级等级寿命时，评估埋地管道为高危险级别，并根据所述高危险级别制定管道维修延迟更换方案；
当所述预测结果属于三级等级寿命时，评估埋地管道为一般危险级别，并根据所述一般危险级别制定管道定期维修检测方案；
当所述预测结果属于四级等级寿命时，评估埋地管道为普通级别，并根据所述普通级别制定管道定时监控检查方案；
当所述预测结果属于五级等级寿命时，评估埋地管道为安全级别，并根据所述安全级别制定管道定时监控方案；
当所述预测结果属于六级等级寿命时，评估埋地管道为高安全级别，并根据所述高安全级别制定管道随机监控方案。
本发明有益效果为：通过对燃气埋地管道区域的土壤进行检测分析，了解土壤的腐蚀性因素对埋地管道的影响就能够根据这些因素进行管道腐蚀性实验，从而可以根据实验得到的数据信息，进行埋地管道腐蚀风险的预测，通过对管道腐蚀风险的预测就可以能够及时的对管道进行检测维修以及更换，防止因管道腐蚀而造成燃气泄露的危险事故的发生。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例中一种城镇燃气埋地管道腐蚀风险的智能预测方法流程图；
图2为本发明实施例中土壤的分析流程图；
图3为本发明现有技术中管道的腐蚀图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
实施例1：
本发明实施例提供了一种城镇燃气埋地管道腐蚀风险的智能预测方法，包括：
检测城镇燃气埋地管道区域土壤，获取检测结果，根据所述检测结果进行土壤腐蚀性分析，获取分析结果；
检测埋地管道腐蚀指标数据，获取检测数据，根据埋地管道初始指标数据和所述检测数据，绘制埋地管道腐蚀情况变化动态图；
基于所述动态图，提取动态图变化数据，并对所述动态图变化数据进行数据管理，建立燃气埋地管道腐蚀数据库；
根据所述燃气埋地管道腐蚀数据库，对埋地管道进行腐蚀风险预测，获取预测结果；
在一个实际场景中：是通过选取已发生腐蚀泄露的燃气埋地管道，然后获取其腐蚀样本数据集合，再通过选取健康的管道样本集合，然后对两种样本进行数据比较，然后再对比较的数据进行分类，这样只的方法，就只是简单的说明需要进行取样的数据，但是这样的取样没有明确的合理性，对数据的采集会存在误差，而且现有技术只是对埋地管道进行取样，从而忽略了埋地管道的地下土壤对管道腐蚀是起到关键的作用的，因此只是对管道进行取样检测是不够完善的，得到的数据也是比较片面的，从而对管道腐蚀的预测也是会存在较大误差；
本发明在进行实施的时候：本发明是通过将燃气埋地管带所在的区域进行样方划分，这样通过先对样方土壤进行取样，然后对土壤的腐蚀性进行了细致的分析，并且通过分析可以准确的知道土壤腐蚀性因子的数据，这样为进一步检测埋地管道的腐蚀性具有参考作用，可以使得得到的数据更加的全面真实，然后再对埋地管道的腐蚀性指标进行检测分析，根据土壤腐蚀性和管道的腐蚀情况分析得到的数据建立一个完整的数据库，根据数据库对数据的分析整理以及计算，来预测埋地管道的被腐蚀的风险性；
上述技术方案的有益效果为：通过对燃气埋地管道区域的土壤进行检测分析，了解土壤的腐蚀性因素对埋地管道的影响就能够根据这些因素进行管道腐蚀性实验，从而可以根据实验得到的数据信息，进行埋地管道腐蚀风险的预测，通过对管道腐蚀风险的预测就可以能够及时的对管道进行检测维修以及更换，防止因管道腐蚀而造成燃气泄露的危险事故的发生。
实施例2：
在一个实施例中，如附图2所示，所述测城镇燃气埋地管道区域土壤，获取检测结果，根据所述检测结果进行土壤腐蚀性分析，获取分析结果，包括：
根据城镇燃气埋地管道区域范围，进行区域样方划分，并对划分得样方区域进行编号，获取编号样方；
根据所述编号样方，获取对应编号样方得城镇燃气埋地管道区域土壤标本，并根据编号样方对土壤标本进行一对一映射编号，获取编号土壤标本；
基于所述编号土壤标本，通过灰关联分析法对编号土壤标本进行土壤腐蚀性分析；
其中，所述土壤腐蚀性分析包括：土壤水分含量分析、土壤盐碱度含量分析、土壤酸性含量分析和土壤重金属含量分析；
根据所述土壤腐蚀性分析，提取土壤腐蚀性指标含量数据，根据所述土壤腐蚀性指标含量数据，对土壤腐蚀性指标含量随时间的变化情况进行监控，获取土壤腐蚀性指标含量-时间数据；
基于所述土壤腐蚀性指标含量-时间数据，进行数据分析统计，获取分析结果；
在一个实际场景中：现有技术中为了对燃气埋地管道的的腐蚀性风险进行预测，只是选取埋地管道作为样本来对其进行检查，这样的选取样本过于单调，埋地管道的腐蚀是由于土壤中所含有的水分、重金属、酸度以及盐碱度等各项腐蚀因子的共同作用，对土壤腐蚀性的忽略就会导致数据的不全面，从而再对腐蚀的管道进行数据提取的时候可能因为水分挥发等外力因素的影响，会对其腐蚀性存在误判的情况存在；
本发明在进行实施的时候：本发明采用对埋地管道的区域进行样方划分，然后对样方进行系统抽样，将抽出的样方所在的土壤进行编号取样，通过对土壤样方进行编号，可以更方便的对取出的土壤样方进行管理，通过灰关联分析法对编号土壤标本进行土壤腐蚀性分析，这样就能够得到土壤标本中所具有的腐蚀性因子的种类和含量进行数据提取，更具得到的数据就能够对埋地管道进行土塘腐蚀性模拟实验，准确的了解土壤对管道腐蚀的进程变化情况；
上述技术方案的有益效果为：通过对埋地管道区域的土壤进行样方划分，并根据划分的样方对土壤进行编号检测，样方划分更加的科学合理，这样方式的划分得到土壤样本更能够说明问题，对土壤腐蚀性原因进行土壤水分含量、土壤盐碱度含量、土壤酸性含量和土壤重金属含量，这四方面的分析，能够得到各个项目因素对管体腐蚀的具体数据。
实施例3：
在一个实施例中，所述基于所述土壤腐蚀性指标含量-时间数据，进行数据分析统计，获取分析结果，包括：
根据所述土壤腐蚀性指标含量-时间数据，通过数据分析计算获取土壤腐蚀性影响因子；
基于所述土壤腐蚀性影响因子，制定土壤腐蚀性影响因子-埋地管道腐蚀规则；
根据所述土壤腐蚀性影响因子-埋地管道腐蚀规则，进行规则演练，生成多帧土壤腐蚀性影响因子-埋地管道腐蚀图片，并对所述规则演练数据进行实时记录，获取记录数据；
将所述记录数据与所述土壤腐蚀性影响因子-埋地管道腐蚀图片进行对应标定；
在一个实际场景中：选取已发生腐蚀泄露的燃气埋地管道，获取其腐蚀样本数据集合，选取未发生腐蚀泄漏的燃气埋地管道，获取其健康样本数据集合，然后将腐蚀样本数据集合与健康样本数据集合进行数据比较，以筛选出具有相同类别的有用腐蚀样本数据和有用健康样本数据，将有用腐蚀样本数据和所述有用健康样本数据共同作为训练样本，这样选取的样本过于简单，不具有说服性；
本发明在进行实施的时候：通过对土壤标本的检测，可以得到土壤腐蚀性指标含量-时间数据，然后根据对上述数据的分析，就可以得到土壤中腐蚀性因子的种类和含量，通过检测分析可以知道，土壤腐蚀性因子主要有：土壤水分因子、土壤盐碱度因子、土壤酸性因子和土壤重金属因子，根据这些因子以及因子的含量数据，制定土壤腐蚀性影响因子-埋地管道腐蚀规则，然后根据制定的规则进行数据演练，这样就能够通过演练生成多帧土壤腐蚀性影响因子-埋地管道腐蚀图片，并将检测获得的数据标定到对应的图片中；
上述技术方案的有益效果为：在通过对土壤腐蚀性进行分析后，就能够得到土壤腐蚀性影响因子，这样就可以根据土壤腐蚀性影响因子数据，制定土壤腐蚀性影响因子-埋地管道腐蚀规则，通过制定的规则，就可以个根据生成的图片直观的对数据进行记录，便于通过图片可以更准确的观察埋地管道腐蚀的变化情况。
实施例4：
在一个实施例中，所述检测埋地管道腐蚀指标数据，获取检测数据，根据埋地管道初始指标数据和所述检测数据，绘制埋地管道腐蚀情况变化动态图，包括：
基于编号样方，对编号样方对应的燃气埋地管道的管体进行取样，获取管体样本；
对所述管体样本与对应所述编号样方进行一对一映射编号，获取编号管体样本；
根据所述编号管体样本，对编号管体样本进行X-射线衍射能谱分析检测，获取检测分析结果；
根据所述检测分析结果，获取埋地管道腐蚀性指标比重检测数据；
根据埋地管道初始指标数据和所述埋地管道腐蚀性指标比重检测数据，进行埋地管道腐蚀性模拟实验，获取实验数据；
基于所述实验数据，构建埋地管道腐蚀性变化模型，根据所述埋地管道腐蚀性变化模型，进行埋地管道腐蚀性延展预测，获取延展预测数据；
根据所述延展预测数据，绘制埋地管道腐蚀情况变化动态图；
在一个实际场景中：是选取已经腐蚀的管道作为一个样本，并将健康的管道作为另一个样本，然后获取这两个样本的数据集合，然后对这些数据集合作为训练样本，先对训练样本进行数据预处理，然后用训练样本对随机分类模型进行训练，只是将数据集合作为数据训练样本过于简单，而且涉及的随机分类模型也没有系统的阐述，对于实际操作是难以进行的，因此这样的操作是很难实现；
本发明在进行实施的时候：本技术中是对管体进行取样，取样的管体是根据土壤样方的划分进行一一对应映射取样的，这样就能保证变量的一致性，然后根据取样的管体样本对其进行X-射线衍射能谱分析检测，通过X-射线衍射能谱分析检测就能够准确的得到管体样本中管体腐蚀情况各项指标的具体含量比重数据，根据得到的数据进行腐蚀性模拟实验，就是将检测的土壤腐蚀性和管体腐蚀性的条件进行模拟还原，然后根据实验就可以得到埋地管道再土壤条件下随时间逐渐腐蚀变化的过程数据，然后根据过程数据就可以建埋地管道腐蚀性变化模型，根据模型就能够对未来管道可能出现的腐蚀情况进行延展，通过延展就能够了解管道再随着时间变化可能出现的风险进行预测；
上述技术方案的有益效果为：在对埋地管道进行取样后，根据管道取样对应的土壤样方进行编号，可以保证管道数据和土壤数据能够对应，对编号管体样本进行X-射线衍射能谱分析检测，也能更准确的得到管道腐蚀指标的具体数据，这样就便于后续根据管道腐蚀指标数据进行管道风险预测。
实施例5：
在一个实施例中，所述根据埋地管道初始指标数据和所述埋地管道腐蚀性指标比重检测数据，进行埋地管道腐蚀性模拟实验，获取实验数据，包括：
埋地管道初始指标数据包括：埋地管道初始管道壁厚数据，埋地管都每截初始长度数据，埋地管道初始埋地深度数据和埋地管道初始材质指标含量数据；
所述埋地管道腐蚀性指标比重检测数据包括：管体样本管道壁厚数据、管体样本长度数据、管体样本埋地深度数据和管体样本材质指标含量数据；
根据土壤腐蚀性影响因子-埋地管道腐蚀规则，进行埋地管道腐蚀性模拟实验，获取实验数据；
其中，所述实验数据包括：土壤水分-管道变化数据、土壤盐碱度-管道变化数据、土壤酸度-管道变化数据和土壤重金属含量-管道变化数据；
在一个实际场景中：现有的技术中只是简单的对埋地管道的样本数据进行训练，然后再通过训练样本对随机分类模型进行训练，然后再对训练后的模型进行验证，现有技术的验证是如果验证的准确率大于或等于预设值，则执行步骤5；如果验证的准确率小于预设值，则再返回步骤3，这样只是通过简单的根据准确率与预设值进行比较，是对预测的结果不具有说服力；
本发明在进行实施的时候：本技术是将埋地管道初始管道壁厚数据，埋地管都每截初始长度数据，埋地管道初始埋地深度数据和埋地管道初始材质指标含量数据，和管体样本管道壁厚数据、管体样本长度数据、管体样本埋地深度数据和管体样本材质指标含量数据，根据制定的腐蚀性规则，然后进行模拟实验，以此得到管道再相同土壤条件下被腐蚀的变化过程数据；
上述技术方案的有益效果为：通过得到的埋地管道初始指标数据和埋地管道腐蚀性指标比重检测数据，以及制定的土壤腐蚀性影响因子-埋地管道腐蚀规则就可以进行管道腐蚀模拟实验，模拟实验就是根据现有数据来还原管道在底下土壤的条件下被腐蚀的变化过程，这样就能够通过模拟，还原了解管道在土壤中随时间的变化。
实施例6：
在一个实施例中，设埋地管道初始管道壁厚数据为θ0，埋地管都每截初始长度数据λ0，埋地管道初始埋地深度数据H0和埋地管道初始材质指标含量总数据
Figure BDA0003482848230000161
通过监测计算管体样本管道壁厚数据
Figure BDA0003482848230000162
其中，δt表示土壤水分腐蚀因子；αt表示土壤酸度腐蚀因子；βt表示土壤盐碱度腐蚀因子；γt表示土壤重金属腐蚀因子；θt表示在管体壁厚参数；t表示从管道初始埋地时间至管道取样时间的总时间
管体样本长度数据
Figure BDA0003482848230000163
其中，λt表示管体长度参数；
管体样本埋地深度数据Η＝Η0-v·t；其中，v表示管体在土壤下沉速度；t表示管体下沉时间；
管体样本材质指标总含量数据
Figure BDA0003482848230000164
其中，σt表示经过时间t被腐蚀后管体硬度指标含量；τt表示经过时间t被腐蚀后管体强度指标含量；μt表示经过时间t被腐蚀后管体断裂韧度指标含量；
通过上述公式的计算就可以得到现有各项管体样本数据的具体数据，通过这些数据就可以进行模拟实验，模拟管体在土壤条件下随时间被腐蚀的变化过程。
实施例7：
在一个实施例中，所述基于所述实验数据，构建埋地管道腐蚀性变化模型，根据所述埋地管道腐蚀性变化模型，进行埋地管道腐蚀性延展预测，获取延展预测数据，包括：
基于所述土壤水分-管道变化数据、所述土壤盐碱度-管道变化数据、所述土壤酸度-管道变化数据和所述土壤重金属含量-管道变化数据，构建埋地管道腐蚀模型；
所述埋地管道模型为三维模型，通过所述三维模型将埋地管道随时间和土壤腐蚀因子的变化进行记录；
根据埋地管道三维模型，通过模型类比埋地管道在土壤腐蚀条件中随时间的变化情况，获取变化结果；
基于所述变化结果，对埋地管道腐蚀性进行延展预测，获取延展预测数据；
在一个实际场景中：现有技术是通过对数据预处理后的训练样本进行随机有放回采样，得到n个训练集，每个训练集由多个训练样例组成，利用所述n个训练集分别对随机森林分类模型进行训练，以得到n个决策树模型，对于任一个决策树模型，选取gini指数最小的划分点进行分裂，直至各个决策树模型自身的训练样例都属于同一类，从而生成n个决策树，将生成的n个决策树组成随机森林，并通过多棵树分类器投票的方式将所述随机森林调整为训练后的随机森林分类模型，通过上述方法组成的随机森林是较难达到的，而且此方法对模型进行训练也是比较宽泛的操作；
本发明在进行实施的时候：本技术通过根据埋地管道腐蚀性变化模型，进行埋地管道腐蚀性延展预测，获取延展预测数据，首先是根据得到的土壤水分-管道变化数据，构建埋地管道模型为三维模型，通过构建的三维模型将埋地管道随时间和土壤腐蚀因子的变化进行记录，然后根据构建的模型，对实时变化的数据进行记录，对埋地管道腐蚀性进行延展预测，获取延展预测数据；
上述技术方案的有益效果为：通过建立埋地管道腐蚀性变化模型，就可以根据管道的模型对管道在土壤条件下随时间的腐蚀情况进行类比，通过模型类比就可以向未来延展管道的变化情况，给管道腐蚀风险变化具有数据模型参考作用。
实施例8：
在一个实施例中，所述基于所述动态图，提取动态图变化数据，并对所述动态图变化数据进行数据管理，建立燃气埋地管道腐蚀数据库。
基于所述动态图，提取动态图变化数据，根据预设埋地管道腐蚀变化数据与动态图变化数据进行对比，获取对比结果；
根据所述对比结果，设置数据越限阈值机制，并根据所述数据越限阈值机制，进行数据越限报警处理；获取处理结果；
基于所述处理结果，对数据进行分类筛选，将越限阈值机制范围外的变化数据进行数据越限报警处理，获取处理结果，并对越限数据进行存储管理，获取越限阈值外存储数据；
基于所述处理结果，对数据进行分类筛选，将越限阈值机制内的变化数据进行数据存储管理，获取越限阈值内存储数据；
根据所述越限阈值外存储数据和所述越限阈值内存储数据，建立燃气埋地管道腐蚀数据库；
在一个实际场景中：现有技术中是不涉及数据越限报警的技术，因此再现有技术中可能对数据的合理性没有进行系统分析，这样就会导致因数据可能存在不合理的情况，导致对后续数据验证以及对模型进行训练都是存在误差的，从而会导致对埋地管道风险的预测是会得到不准确的结果；
本发明在进行实施的时候：是将预设埋地管道腐蚀变化数据与动态图变化数据进行对比，然后再设置数据越限阈值机制，根据设置的机制，将越限阈值机制范围外的变化数据进行数据越限报警处理，并对越限数据进行存储管理，同时将越限阈值机制内的变化数据进行数据存储管理，根据存储得到的越限阈值外存储数据和越限阈值内存储数据，建立燃气埋地管道腐蚀数据库，根据建立的数据库就能够对数据进行分类计算管理，这样就可以对管道的腐蚀风险进行预测；
上述技术方案的有益效果为：根据得到的动态图以及提取的动态图数据，就可以建立燃气埋地管道腐蚀数据库，建立的数据库是管道腐蚀变化数据的统筹，根据数据库就可以对存储的数据进行分析、分类、计算和管理等多功能的处理，这样就可以根据数据库来对管道腐蚀风险进行预估。
实施例9：
在一个实施例中，所述基于所述处理结果，对数据进行分类筛选，将越限阈值机制范围外的变化数据进行数据越限报警处理，获取处理结果，并对越限数据进行存储管理，获取越限阈值外存储数据，包括：
根据所述处理结果，当动态图变化数据处于越限阈值机制范围外时，进行数据越限报警；
基于所述数据越限报警，对越限报警的数据进行分析，通过数据分析判断越限数据的合理性类别，获取判断结果；
其中，所述越限数据的合理性类别包括：数据检测是否合理、数据记录是否合理、数据管理是否合理；
当所述判断结果显示为不合理时，检查越限数据的合理性类别的不合理原因，获取检查结果；
根据所述检查结果，制定对应解决方案，基于所述方案进行合理校验，并将校验完成的数据进行数据存储管理，获取越限阈值内存储数据；
当所述判断结果显示为合理时，对越限数据进行二次核验，获取核验结果；
基于所述核验结果，对越限数据进行存储管理，获取越限阈值外存储数据；
本发明在进行实施的时候：通过设置数据越限阈值机制，然后对数据进行分类，分类的标准为阈值内数据和阈值外数据，根据分类存储后的数据进行数据合理性判断，主要的判断就是将判断不合理的数据进行校验存储，将判断合理的数据对进行二次核验，获取核验结果；
上述技术方案的有益效果为：对于越限的数据进行报警，就可以根据报警提示及时的对越限的数据进行处理，这样就能够及时的判断越限数据越限的原因，从而对处理后的数据能够进行分类存储，使得建立的数据库数据更具有条理性。
实施例10：
在一个实施例中，所述根据所述燃气埋地管道腐蚀数据库，对埋地管道进行腐蚀风险预测，获取预测结果，包括：。
根据建立的燃气埋地管道腐蚀数据库，搭建埋地管道腐蚀预测管理信息系统，根据所述埋地管道腐蚀预测管理信息系统，对埋地管道进行腐蚀风险预测；
其中，所述腐蚀风险预测包括：根据获取的延展预测数据，对埋地管道的腐蚀剩余寿命进行预测，获取预测结果；
将所述预测结果划分为六个等级：一等级寿命、二等级寿命、三等级寿命、四等级寿命、五等级寿命和六等级寿命；
其中，六个等级寿命具体划分年限为：一等级寿命小于一年、二等级寿命大于等于一年且小于五年、三等级寿命大于等于五年且小于十年、四等级寿命大于等于十年且小于十五年、五等级寿命大于等于十五年且小于二十年、六等级寿命大于二十年；
根据所述预测结果进行埋地管道风险评估，获取评估结果，并根据所述评估结果制定风险解决方案；
在一个实际场景中：对待被预测的燃气埋地管道的基本数据进行缺失值预处理和/或离散化预处理的步骤，具体的预处理的方式可采用本实施例上述已公开的方法，从而构建出以实现与模型相符合的特征向量作为模型输入。将待被预测的燃气埋地管道的基本数据输入至训练后的随机森林分类模型中，以得到待被预测的燃气埋地管道腐蚀风险的预测结果。具体实施时，可以通过从燃气GIS系统中调取数据的方式获得待被预测的燃气埋地管道的基本数据，这种预测不能给出具体的管道剩余寿命预测值；
本发明在进行实施的时候：是通过建立的燃气埋地管道腐蚀数据库，搭建埋地管道腐蚀预测管理信息系统，然后根据搭建的系统以及通过模拟实验得到的延展预测数据，对埋地管道进行腐蚀风险预测，其中，所进行的风险预测是根据埋地管道腐蚀的情况以此监控未来管道可能出现风险的年限还有多久，并根据预测的风险年限制定对应的解决方案；
上述技术方案的有益效果为：根据数据库得到的数据，然后搭建埋地管道腐蚀预测管理信息系统，并根据搭建的系统对管道的剩余寿命进行预测，并通过预测可以大致了解管道存在的风险问题，通过预测可以还可以将管道的剩余寿命进行系统划分，这样就可以便于为之后对管道进行怎样的维护操作提供参考。
实施例11：
在一个实施例中，所述根据所述预测结果进行埋地管道风险评估，获取评估结果，并根据所述评估结果制定风险解决方案，包括：
根据所述预测结果进行埋地管道风险评估，当所述预测结果属于一等级寿命时，评估埋地管道为超高危险级别，根据所述超高危险级别制定管道立即更换方案；
当所述预测结果属于二级等级寿命时，评估埋地管道为高危险级别，并根据所述高危险级别制定管道维修延迟更换方案；
当所述预测结果属于三级等级寿命时，评估埋地管道为一般危险级别，并根据所述一般危险级别制定管道定期维修检测方案；
当所述预测结果属于四级等级寿命时，评估埋地管道为普通级别，并根据所述普通级别制定管道定时监控检查方案；
当所述预测结果属于五级等级寿命时，评估埋地管道为安全级别，并根据所述安全级别制定管道定时监控方案；
当所述预测结果属于六级等级寿命时，评估埋地管道为高安全级别，并根据所述高安全级别制定管道随机监控方案；
在一个实际场景中：现有技术中没有给出预测风险后风险的对应解决方案，而且对埋地管道可能存在泄露的风险也没有进行系统的评估，只是得到预测数据，这样就不是很完整的预测；
本发明在进行实施的时候：通过对埋地管道的剩余寿命进行了风险评估，并将其划分为六个寿命等级，通过这样的划分可以对每个区域的埋地管道的剩余寿命进行及时的判断，然后根据判断的到的等级，就可以知道监测的埋地管道存在的燃气泄露的风险的具体情况，并根据管道剩余寿命的等级制定相应的风险解决方案，根据制定的风险解决方案，就可以及时的为监测维修管道的工作人员提供技术方案支持；
上述技术方案的有益效果为：通过对管道的剩余寿命的划分，然后根据划分的结果，制定相应的处理解决方案，将可能造成的风险从预测开始就进行消除，通过制定的方案还能为维修检测人员提供科学的处理意见，从而能够保证燃气的安全以及燃气埋地管道区域的人员安全。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (8)

1.一种城镇燃气埋地管道腐蚀风险的智能预测方法，其特征在于，
包括：
检测城镇燃气埋地管道区域土壤，获取检测结果，根据所述检测结果进行土壤腐蚀性分析，获取分析结果；
检测埋地管道腐蚀指标数据，获取检测数据，根据埋地管道初始指标数据和所述检测数据，绘制埋地管道腐蚀情况变化动态图；
基于所述动态图，提取动态图变化数据，并对所述动态图变化数据进行数据管理，建立燃气埋地管道腐蚀数据库；
根据所述燃气埋地管道腐蚀数据库，对埋地管道进行腐蚀风险预测，获取预测结果；
所述检测埋地管道腐蚀指标数据，获取检测数据，根据埋地管道初始指标数据和所述检测数据，绘制埋地管道腐蚀情况变化动态图，包括：
基于编号样方，对编号样方对应的燃气埋地管道的管体进行取样，获取管体样本；
对所述管体样本与对应所述编号样方进行一对一映射编号，获取编号管体样本；
根据所述编号管体样本，对编号管体样本进行X-射线衍射能谱分析检测，获取检测分析结果；
根据所述检测分析结果，获取埋地管道腐蚀性指标比重检测数据；
根据埋地管道初始指标数据和所述埋地管道腐蚀性指标比重检测数据，进行埋地管道腐蚀性模拟实验，获取实验数据；
基于所述实验数据，构建埋地管道腐蚀性变化模型，根据所述埋地管道腐蚀性变化模型，进行埋地管道腐蚀性延展预测，获取延展预测数据；
根据所述延展预测数据，绘制埋地管道腐蚀情况变化动态图；
所述根据埋地管道初始指标数据和所述埋地管道腐蚀性指标比重检测数据，进行埋地管道腐蚀性模拟实验，获取实验数据，包括：
埋地管道初始指标数据包括：埋地管道初始管道壁厚数据，埋地管都每截初始长度数据，埋地管道初始埋地深度数据和埋地管道初始材质指标含量数据；
所述埋地管道腐蚀性指标比重检测数据包括：管体样本管道壁厚数据、管体样本长度数据、管体样本埋地深度数据和管体样本材质指标含量数据；
根据土壤腐蚀性影响因子-埋地管道腐蚀规则，进行埋地管道腐蚀性模拟实验，获取实验数据；
其中，所述实验数据包括：土壤水分-管道变化数据、土壤盐碱度-管道变化数据、土壤酸度-管道变化数据和土壤重金属含量-管道变化数据；
其中，设埋地管道初始管道壁厚数据为θ0，埋地管都每截初始长度数据λ0，埋地管道初始埋地深度数据H0和埋地管道初始材质指标含量总数据
Figure FDA0003758688020000021
通过监测计算管体样本管道壁厚数据
Figure FDA0003758688020000022
其中，δt表示土壤水分腐蚀因子；αt表示土壤酸度腐蚀因子；βt表示土壤盐碱度腐蚀因子；γt表示土壤重金属腐蚀因子；θt表示在管体壁厚参数；t表示从管道初始埋地时间至管道取样时间的总时间；
管体样本长度数据
Figure FDA0003758688020000023
其中，λt表示管体长度参数；
管体样本埋地深度数据H＝H0-v·t；其中，v表示管体在土壤下沉速度；t表示管体下沉时间；
管体样本材质指标总含量数据
Figure FDA0003758688020000031
其中，σt表示经过时间t被腐蚀后管体硬度指标含量；τt表示经过时间t被腐蚀后管体强度指标含量；μt表示经过时间t被腐蚀后管体断裂韧度指标含量。
2.如权利要求1所述的城镇燃气埋地管道腐蚀风险的智能预测方法，其特征在于，所述测城镇燃气埋地管道区域土壤，获取检测结果，根据所述检测结果进行土壤腐蚀性分析，获取分析结果，包括：
根据城镇燃气埋地管道区域范围，进行区域样方划分，并对划分得样方区域进行编号，获取编号样方；
根据所述编号样方，获取对应编号样方得城镇燃气埋地管道区域土壤标本，并根据编号样方对土壤标本进行一对一映射编号，获取编号土壤标本；
基于所述编号土壤标本，通过灰关联分析法对编号土壤标本进行土壤腐蚀性分析；
其中，所述土壤腐蚀性分析包括：土壤水分含量分析、土壤盐碱度含量分析、土壤酸性含量分析和土壤重金属含量分析；
根据所述土壤腐蚀性分析，提取土壤腐蚀性指标含量数据，根据所述土壤腐蚀性指标含量数据，对土壤腐蚀性指标含量随时间的变化情况进行监控，获取土壤腐蚀性指标含量-时间数据；
基于所述土壤腐蚀性指标含量-时间数据，进行数据分析统计，获取分析结果。
3.如权利要求2所述的城镇燃气埋地管道腐蚀风险的智能预测方法，其特征在于，所述基于所述土壤腐蚀性指标含量-时间数据，进行数据分析统计，获取分析结果，包括：
根据所述土壤腐蚀性指标含量-时间数据，通过数据分析计算获取土壤腐蚀性影响因子；
基于所述土壤腐蚀性影响因子，制定土壤腐蚀性影响因子-埋地管道腐蚀规则；
根据所述土壤腐蚀性影响因子-埋地管道腐蚀规则，进行规则演练，生成多帧土壤腐蚀性影响因子-埋地管道腐蚀图片，并对所述规则演练数据进行实时记录，获取记录数据；
将所述记录数据与所述土壤腐蚀性影响因子-埋地管道腐蚀图片进行对应标定。
4.如权利要求1所述的城镇燃气埋地管道腐蚀风险的智能预测方法，其特征在于，所述基于所述实验数据，构建埋地管道腐蚀性变化模型，根据所述埋地管道腐蚀性变化模型，进行埋地管道腐蚀性延展预测，获取延展预测数据，包括：
基于所述土壤水分-管道变化数据、所述土壤盐碱度-管道变化数据、所述土壤酸度-管道变化数据和所述土壤重金属含量-管道变化数据，构建埋地管道腐蚀模型；
所述埋地管道模型为三维模型，通过所述三维模型将埋地管道随时间和土壤腐蚀因子的变化进行记录；
根据埋地管道三维模型，通过模型类比埋地管道在土壤腐蚀条件中随时间的变化情况，获取变化结果；
基于所述变化结果，对埋地管道腐蚀性进行延展预测，获取延展预测数据。
5.如权利要求1所述的城镇燃气埋地管道腐蚀风险的智能预测方法，其特征在于，所述基于所述动态图，提取动态图变化数据，并对所述动态图变化数据进行数据管理，建立燃气埋地管道腐蚀数据库；
基于所述动态图，提取动态图变化数据，根据预设埋地管道腐蚀变化数据与动态图变化数据进行对比，获取对比结果；
根据所述对比结果，设置数据越限阈值机制，并根据所述数据越限阈值机制，进行数据越限报警处理；获取处理结果；
基于所述处理结果，对数据进行分类筛选，将越限阈值机制范围外的变化数据进行数据越限报警处理，获取处理结果，并对越限数据进行存储管理，获取越限阈值外存储数据；
基于所述处理结果，对数据进行分类筛选，将越限阈值机制内的变化数据进行数据存储管理，获取越限阈值内存储数据；
根据所述越限阈值外存储数据和所述越限阈值内存储数据，建立燃气埋地管道腐蚀数据库。
6.如权利要求5所述的城镇燃气埋地管道腐蚀风险的智能预测方法，其特征在于，所述基于所述处理结果，对数据进行分类筛选，将越限阈值机制范围外的变化数据进行数据越限报警处理，获取处理结果，并对越限数据进行存储管理，获取越限阈值外存储数据，包括：
根据所述处理结果，当动态图变化数据处于越限阈值机制范围外时，进行数据越限报警；
基于所述数据越限报警，对越限报警的数据进行分析，通过数据分析判断越限数据的合理性类别，获取判断结果；
其中，所述越限数据的合理性类别包括：数据检测是否合理、数据记录是否合理、数据管理是否合理；
当所述判断结果显示为不合理时，检查越限数据的合理性类别的不合理原因，获取检查结果；
根据所述检查结果，制定对应解决方案，基于所述方案进行合理校验，并将校验完成的数据进行数据存储管理，获取越限阈值内存储数据；
当所述判断结果显示为合理时，对越限数据进行二次核验，获取核验结果；
基于所述核验结果，对越限数据进行存储管理，获取越限阈值外存储数据。
7.如权利要求1所述的城镇燃气埋地管道腐蚀风险的智能预测方法，其特征在于，所述根据所述燃气埋地管道腐蚀数据库，对埋地管道进行腐蚀风险预测，获取预测结果，包括：
根据建立的燃气埋地管道腐蚀数据库，搭建埋地管道腐蚀预测管理信息系统，根据所述埋地管道腐蚀预测管理信息系统，对埋地管道进行腐蚀风险预测；
其中，所述腐蚀风险预测包括：根据获取的延展预测数据，对埋地管道的腐蚀剩余寿命进行预测，获取预测结果；
将所述预测结果划分为六个等级：一等级寿命、二等级寿命、三等级寿命、四等级寿命、五等级寿命和六等级寿命；
其中，六个等级寿命具体划分年限为：一等级寿命小于一年、二等级寿命大于等于一年且小于五年、三等级寿命大于等于五年且小于十年、四等级寿命大于等于十年且小于十五年、五等级寿命大于等于十五年且小于二十年、六等级寿命大于二十年；
根据所述预测结果进行埋地管道风险评估，获取评估结果，并根据所述评估结果制定风险解决方案。
8.如权利要求7所述的城镇燃气埋地管道腐蚀风险的智能预测方法，其特征在于，所述根据所述预测结果进行埋地管道风险评估，获取评估结果，并根据所述评估结果制定风险解决方案，包括：
根据所述预测结果进行埋地管道风险评估，当所述预测结果属于一等级寿命时，评估埋地管道为超高危险级别，根据所述超高危险级别制定管道立即更换方案；
当所述预测结果属于二级等级寿命时，评估埋地管道为高危险级别，并根据所述高危险级别制定管道维修延迟更换方案；
当所述预测结果属于三级等级寿命时，评估埋地管道为一般危险级别，并根据所述一般危险级别制定管道定期维修检测方案；
当所述预测结果属于四级等级寿命时，评估埋地管道为普通级别，并根据所述普通级别制定管道定时监控检查方案；
当所述预测结果属于五级等级寿命时，评估埋地管道为安全级别，并根据所述安全级别制定管道定时监控方案；
当所述预测结果属于六级等级寿命时，评估埋地管道为高安全级别，并根据所述高安全级别制定管道随机监控方案。
CN202210072676.6A 2022-01-21 2022-01-21 一种城镇燃气埋地管道腐蚀风险的智能预测方法 Active CN114492980B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210072676.6A CN114492980B (zh) 2022-01-21 2022-01-21 一种城镇燃气埋地管道腐蚀风险的智能预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210072676.6A CN114492980B (zh) 2022-01-21 2022-01-21 一种城镇燃气埋地管道腐蚀风险的智能预测方法

Publications (2)

Publication Number Publication Date
CN114492980A CN114492980A (zh) 2022-05-13
CN114492980B true CN114492980B (zh) 2022-09-02

Family

ID=81472889

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210072676.6A Active CN114492980B (zh) 2022-01-21 2022-01-21 一种城镇燃气埋地管道腐蚀风险的智能预测方法

Country Status (1)

Country Link
CN (1) CN114492980B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114997740B (zh) * 2022-07-18 2022-10-25 淄博市特种设备检验研究院 一种基于互联网和云计算的压力容器风险预警系统
CN115144326B (zh) * 2022-08-30 2022-12-20 张家港广大特材股份有限公司 一种模具钢材防腐性能检测方法及系统
CN116500061B (zh) * 2023-06-25 2023-09-29 北京英智数联科技有限公司 一种非侵入式管道腐蚀监测系统、方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5499272B1 (ja) * 2014-01-09 2014-05-21 株式会社環境測定サービス 鉄性導管腐食状態推測診断装置および鉄性導管腐食状態推測診断方法
CN108460230A (zh) * 2018-03-21 2018-08-28 西安建筑科技大学 基于数据融合的腐蚀油气管道剩余寿命及可靠性预测方法
CN110751339A (zh) * 2019-10-24 2020-02-04 北京化工大学 管道腐蚀速率预测的方法、装置和计算机设备
JP2020051801A (ja) * 2018-09-25 2020-04-02 株式会社クボタ 埋設管更新時期予測装置、埋設管更新時期予測方法、プログラム及びコンピュータ読み取り可能な記録媒体

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN201229289Y (zh) * 2008-06-20 2009-04-29 广州市煤气公司 一种腐蚀预测装置
CN102156089B (zh) * 2011-01-18 2014-01-15 中国石油天然气股份有限公司 一种埋地管道内腐蚀评价方法
CN105678481B (zh) * 2016-03-25 2019-02-22 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
CN110389209B (zh) * 2018-04-19 2022-03-22 中国石油化工股份有限公司 一种埋地管道土壤腐蚀特性的评价方法
CN111104989A (zh) * 2019-12-31 2020-05-05 北京讯腾智慧科技股份有限公司 燃气管道腐蚀预测方法和装置
CN113626970B (zh) * 2020-05-08 2024-01-09 上海化学工业区公共管廊有限公司 公共管廊管道腐蚀剩余寿命评估方法及系统
CN112488191B (zh) * 2020-11-30 2022-11-25 海南电网有限责任公司电力科学研究院 一种基于knn智能算法的金属腐蚀分布图绘制方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5499272B1 (ja) * 2014-01-09 2014-05-21 株式会社環境測定サービス 鉄性導管腐食状態推測診断装置および鉄性導管腐食状態推測診断方法
CN108460230A (zh) * 2018-03-21 2018-08-28 西安建筑科技大学 基于数据融合的腐蚀油气管道剩余寿命及可靠性预测方法
JP2020051801A (ja) * 2018-09-25 2020-04-02 株式会社クボタ 埋設管更新時期予測装置、埋設管更新時期予測方法、プログラム及びコンピュータ読み取り可能な記録媒体
CN110751339A (zh) * 2019-10-24 2020-02-04 北京化工大学 管道腐蚀速率预测的方法、装置和计算机设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Prediction of Corroded Pipeline Performance Based on Dynamic Reliability Models;Reza Aulia;《https://doi.org/10.1016/j.procir.2019.01.093》;20190509;第80卷;第518-523页 *

Also Published As

Publication number Publication date
CN114492980A (zh) 2022-05-13

Similar Documents

Publication Publication Date Title
CN114492980B (zh) 一种城镇燃气埋地管道腐蚀风险的智能预测方法
JP6682021B2 (ja) 道路陥没危険度評価装置および道路陥没危険度評価方法、ならびに道路陥没危険度評価用コンピュータプログラム
CN116777223B (zh) 一种城市地下管网安全综合风险评估方法及系统
CN109034641A (zh) 管道缺陷预测方法及装置
CN112529327A (zh) 一种用于构建商业地区建筑火灾风险预测等级模型的方法
CN111259335B (zh) 一种隧道下穿道路施工风险分析系统及方法
CN115879654A (zh) 一种地下巷道稳定性预测和可靠性评价方法
CN112837183A (zh) 基于大数据和物联网协同作用的隧道工程项目施工安全实时监测方法和云监测平台
CN111127465A (zh) 一种桥梁检测报告自动生成方法及系统
CN116384112A (zh) 一种用于矿山灾害模拟和预警的方法及系统
CN115660407A (zh) 污染场地风险等级预测模型的训练方法和训练装置
CN114897378A (zh) 地质灾害精细化气象风险预警区评价方法及装置
Chen et al. A new empirical chart for coal burst liability classification using Kriging method
CN117474340B (zh) 用于地铁盾构施工沉降的风险评价方法及系统
CN117745079A (zh) 一种基于城市安全风险评估模型的平台系统
Weller et al. A calibration capture–recapture model for inferring natural gas leak population characteristics using data from Google Street View cars
CN111026790A (zh) 一种基于数据挖掘的结构安全评估及预报方法
CN111639813A (zh) 基于深度学习的弃渣场危险性预警方法及系统
CN114493295B (zh) 一种盐岩地质下隧道监测项目的确定方法及监测系统
CN115545112A (zh) 一种大量地下水实时自动监测数据自动识别和处理的方法
Trevlopoulos et al. Testing the 2020 European Seismic Hazard and Risk Models using data from the 2019 Le Teil (France) earthquake
CN114139383A (zh) 一种燃料电池汽车的动态疲劳可靠性风险评估方法
CN110414785A (zh) 深基坑开挖施工的风险识别方法
Jayadi et al. The Development of Dam Infrastructure Condition and Safety Assessment
CN116050258A (zh) 一种煤矿瓦斯安全预警方法和系统

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