CN115099337A - 多参数数据融合的井喷现场气体燃爆分析方法 - Google Patents
多参数数据融合的井喷现场气体燃爆分析方法 Download PDFInfo
- Publication number
- CN115099337A CN115099337A CN202210721311.1A CN202210721311A CN115099337A CN 115099337 A CN115099337 A CN 115099337A CN 202210721311 A CN202210721311 A CN 202210721311A CN 115099337 A CN115099337 A CN 115099337A
- Authority
- CN
- China
- Prior art keywords
- gas
- state
- blowout
- blasting
- alkane
- 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.)
- Granted
Links
- 238000004880 explosion Methods 0.000 title claims abstract description 41
- 230000004927 fusion Effects 0.000 title claims abstract description 11
- 238000004458 analytical method Methods 0.000 title abstract description 4
- 238000005422 blasting Methods 0.000 claims abstract description 25
- 238000000034 method Methods 0.000 claims abstract description 16
- 238000012544 monitoring process Methods 0.000 claims abstract description 15
- 241000195493 Cryptophyta Species 0.000 claims abstract description 11
- 238000003062 neural network model Methods 0.000 claims abstract description 11
- 238000005457 optimization Methods 0.000 claims abstract description 11
- 239000007789 gas Substances 0.000 claims description 123
- 150000001335 aliphatic alkanes Chemical class 0.000 claims description 26
- 238000002485 combustion reaction Methods 0.000 claims description 20
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 claims description 17
- 229910000037 hydrogen sulfide Inorganic materials 0.000 claims description 17
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 10
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 8
- 239000002360 explosive Substances 0.000 claims description 8
- 239000001301 oxygen Substances 0.000 claims description 8
- 229910052760 oxygen Inorganic materials 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 7
- 239000000203 mixture Substances 0.000 claims description 7
- 229930195733 hydrocarbon Natural products 0.000 claims description 6
- 150000002430 hydrocarbons Chemical class 0.000 claims description 6
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 5
- 239000001569 carbon dioxide Substances 0.000 claims description 5
- 239000004215 Carbon black (E152) Substances 0.000 claims description 4
- UBAZGMLMVVQSCD-UHFFFAOYSA-N carbon dioxide;molecular oxygen Chemical compound O=O.O=C=O UBAZGMLMVVQSCD-UHFFFAOYSA-N 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- MYMOFIZGZYHOMD-UHFFFAOYSA-N Dioxygen Chemical compound O=O MYMOFIZGZYHOMD-UHFFFAOYSA-N 0.000 claims description 3
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 claims description 3
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 claims description 3
- 229910001882 dioxygen Inorganic materials 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 3
- 238000005553 drilling Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 206010003497 Asphyxia Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005008 domestic process Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001988 toxicity Effects 0.000 description 1
- 231100000419 toxicity Toxicity 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- 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
- G01N33/22—Fuels; Explosives
- G01N33/225—Gaseous fuels, e.g. natural gas
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Chemical & Material Sciences (AREA)
- Oil, Petroleum & Natural Gas (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
Abstract
本发明提供一种多参数数据融合的井喷现场气体燃爆监测方法，该方法通过多类气体传感器实时采集到的井喷现场气体浓度数据，在处理分析后获得信号的幅度和能量大小；再建立基于人工藻类优化算法的广义回归神经网络模型，将气体浓度信号幅度和能量的大小用于训练基于人工藻类优化算法的广义回归神经网络模型，利用模型获得气体浓度预测值，通过输入相应气体的体积分数到训练好的井喷现场实时气体燃爆状态判断模型中，得到井喷现场实时气体燃爆状态。本发明可以自动判断井喷现场实时气体燃爆状态，大大提高了燃爆状态判断的准确性，实时性好，稳定性高。
Description
技术领域
本发明涉及井喷现场气体燃爆分析技术领域，尤其涉及多参数数据融合的井喷现场气体燃爆监测的方法。
背景技术
可燃性气体危险特性主要体现在燃烧性、爆炸性、扩散性以及毒害、腐蚀和窒息性等方面。燃烧和爆炸不仅会造成经济损失和严重危害，还会影响空气钻井、煤矿采集等工业的钻探和开发。因此，快速、准确的监测环境中可燃气体含量、预测燃烧燃爆状况，具有积极的作用。
根据查阅的资料，目前国内大部分采用监测钻井返出气体浓度的方法对燃爆情况进行判断，当下主要采用的UBD气体检测技术，该技术路线是防止井下二次燃爆方面，较为复杂，对线路依赖性较强，同时还会产生一定的滞后性和不确定性，使传感器采集的数据产生一定的误差，无法实时的做出燃爆状态的判断。现在的文献中也提出了对可燃气体安全监测方面也进行了多传感器数据融合的研究，对采集的氧气浓度、二氧化碳浓度、压力值采用模糊逻辑法判断燃爆的发生度，有的文献对甲烷含量、氧气变化量、二氧化碳含量等参数使用权重系数，判断井下燃爆风险系数，还有的文献通过神经网络对燃爆事件进行定量分析后对燃爆进行评价，这些方法虽然能让气体浓度测量精度有一定的提高，但是依旧存在比如处理时间过长，硬件设计对信号的处理有一定的影响，以及计算量较大等问题，这些问题都会降低气体浓度测量的精度和实时性。
发明内容
本发明的目的在于解决上述现有技术存在的缺陷，提供一种多参数数据融合的井喷现场气体燃爆监测方法，旨在解决在井喷现场传感器因环境产生的数据误差的问题，增加系统的准确性和可靠性。
本发明采用如下技术方案：
一种多参数数据融合的井喷现场气体燃爆监测方法包括以下步骤：
步骤1.获取气体传感器输出信号，并对获得的气体浓度数据进行预处理；
步骤2.建立基于人工藻类优化算法的广义回归神经网络模型并获得相关气体浓度数据的预测值；
步骤3.计算井喷现场混合可燃气体的燃爆上下限；
步骤4.建立井喷现场实时气体燃爆状态模型；
步骤5.判断井喷现场实时气体燃爆状态。
进一步，所述步骤1中，使用氧气、二氧化碳、烷类气体和硫化氢四类气体传感器对井喷现场气体浓度实时进行测量并进行预处理。
进一步，所述步骤2中，将步骤1中预处理后的气体浓度数据输入训练好的基于人工藻类优化算法的广义回归神经网络模型。
进一步，所述步骤4中，将燃爆状态划分为安全状态、泄漏状态、一级燃烧状态、二级燃烧状态和燃爆状态五种状态；
具体为：安全状态为烷类气体未泄露，泄露状态为烷类气体或硫化氢气体发生泄漏但未发生燃烧，一级燃烧状态为烷类气体或硫化氢气体发生泄漏并发生了起火现象，但燃烧一段时间后会自熄，二级燃烧状态为烷类气体或硫化氢气体发生泄漏并发生剧烈燃烧，燃爆状态为烷类气体或硫化氢气体泄漏发生燃爆。
进一步，所述步骤4中，根据划分好的五种燃爆状态训练井喷现场实时气体燃爆状态判断模型；
安全状态：硫化氢气体和烷类气体体积分数趋近于零，氧气体积分数的归一化数据在0.6左右浮动；
Pn表示一种可燃气体在混合物中体积分数的预测值；
泄漏状态：烷类气体或硫化氢气体的浓度变化率明显提升；
一级燃烧状态：在泄漏的状态的基础上，氧气体积分数的降低证明出现了起火燃烧现象，烷类和烃类气体体积分数的归一化数据在-0.9到-1之间；
二级燃烧状态：在泄露状态的基础上，氧气和二氧化碳体积分数变化率超过0.5，烷类和烃类气体体积分数的归一化数据在-0.9到+∞之间；
燃爆状态：根据下式和气体浓度预测值计算井喷现场混合可燃气体的燃爆下限LEL和燃爆上限UEL：
Pn表示一种可燃气体在混合物中的体积分数，LELn表示一种可燃气体的爆炸下限，UELn表示一种可燃气体的爆炸上限。
本发明的有益效果：
本发明提供的一种多参数数据融合的井喷现场气体燃爆监测的方法，相比于现有的方法具有以下的特点：由于井喷现场情况复杂，环境不稳定，对传感器的精度影响较大；通过氧气、二氧化碳、烷类气体和硫化氢四类气体传感器解决测量不全面的缺点，降低了信息的模糊度，增强了稳定性。气体传感器采集到的数据借助建立的基于人工藻类优化算法的广义回归神经网络模型进行修正，降低传感器因环境影响产生的数据误差。将气体浓度预测值输入训练好的井喷现场实时气体燃爆状态判断模型，实现对井喷现场气体燃爆状态的快速准确判断。
多参数数据融合可以降低对单一传感器性能的要求，充分利用不同的多传感器数据信息，降低信息的模糊度，增强系统的可靠性和稳定性。本发明采用基于人工藻类优化算法的广义回归神经网络模型对多个传感器数据进行数据融合。
附图说明
图1为本发明提供的实施例的流程图；
图2为第一例井喷现场实时气体燃爆状态判断图；
图3为第二例井喷现场实时气体燃爆状态判断图；
图4为第三例井喷现场实时气体燃爆状态判断图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面本发明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。
本发明主要用于井喷现场的气体燃爆监测。
如图1-图4所示，本发明提供的多参数数据融合的井喷现场气体燃爆监测方法，包括以下步骤：
S01：对多类气体传感器测得的气体浓度数据进行预处理；首先将数据进行乱序，使样本分布均匀；之后将样本进行划分，样本总数的70％作为训练集，30％作为测试集；最后将数据进行归一化处理，将样本数据进行尺度变换映射到[-1,1]之间。
S02:建立基于人工藻类优化算法的广义回归神经网络模型并获得相关气体浓度数据的预测值；具体为气体浓度数据10000组，其中训练数据为7000组，并将其中测量的异常数据全部替换成正常值，通过人工藻类优化算法优化广义回归神经网络的光滑参数，极大的提高了输出参数的预测准确性，使输出参数预测值都为正常值，一定程度上排除了井喷现场环境不稳定对传感器测量数据的影响，提升了气体浓度的准确性和实时性。
S03：根据气体浓度预测值计算井喷现场的气体燃爆上下限，根据下式计算井喷现场混合可燃气体的燃爆下限LEL和燃爆上限UEL：
Pn表示一种可燃气体在混合物中的体积分数，LELn表示一种可燃气体的爆炸下限，UELn表示一种可燃气体的爆炸上限；
S04:根据气体燃爆规律和燃爆上下限建立五种燃爆状态的井喷现场实时气体燃爆状态判断模型，具体燃爆状态划分关系如下：
安全状态：硫化氢气体和烷类气体体积分数趋近于零，氧气体积分数的归一化数据在0.6左右浮动；
Pn表示一种可燃气体在混合物中体积分数的预测值；
泄漏状态：烷类气体或硫化氢气体的浓度变化率明显提升；
一级燃烧状态：在泄漏的状态的基础上，氧气体积分数的降低证明出现了起火燃烧现象，烷类和烃类气体体积分数的归一化数据在-0.9到-1之间；
二级燃烧状态：在泄露状态的基础上，氧气和二氧化碳体积分数变化率超过0.5，烷类和烃类气体体积分数的归一化数据在-0.9到+∞之间；
燃爆状态：根据下式和气体浓度预测值计算井喷现场混合可燃气体的燃爆下限LEL和燃爆上限UEL：
Pn表示一种可燃气体在混合物中的体积分数，LELn表示一种可燃气体的爆炸下限，UELn表示一种可燃气体的爆炸上限；
S05:将神经网络模型输出的气体浓度预测值输入井喷现场实时气体燃爆状态判断模型，根据各类气体浓度变化情况，对井喷现场实时气体燃爆状态进行实时判断。
下面结合具体实施例对本发明的应用原理作出进一步的说明。
首先通过现场安装的氧气、二氧化碳和烷类气体和硫化氢四类气体传感器实时对井喷现场的相应气体浓度进行采集，得到信号进行预处理，将预处理后的气体浓度输入基于人工藻类优化算法的广义回归神经网络模型获得气体浓度预测值，再将气体浓度预测值输入井喷现场实时气体燃爆状态判断模型进行实时燃爆状态判断。
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；而这些修改或者替换，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 (5)
1.一种多参数数据融合的井喷现场气体燃爆监测方法，其特征在于，包括以下步骤：
步骤1.获取气体传感器输出信号，并对获得的气体浓度数据进行预处理；
步骤2.建立基于人工藻类优化算法的广义回归神经网络模型并获得相关气体浓度数据的预测值；
步骤3.计算井喷现场混合可燃气体的燃爆上下限；
步骤4.建立井喷现场实时气体燃爆状态模型；
步骤5.判断井喷现场实时气体燃爆状态。
2.根据权利要求1所述的多参数数据融合的井喷现场气体燃爆监测的方法，其特征在于，所述步骤1中，使用氧气、二氧化碳、烷类气体和硫化氢四类气体传感器对井喷现场气体浓度实时进行测量并进行预处理。
3.根据权利要求1所述的多参数数据融合的井喷现场气体燃爆监测的方法，其特征在于，所述步骤2中，将步骤1中预处理后的气体浓度数据输入训练好的基于人工藻类优化算法的广义回归神经网络模型。
4.根据权利要求1所述的多参数数据融合的井喷现场气体燃爆监测方法，其特征在于，所述步骤4中，将燃爆状态划分为安全状态、泄漏状态、一级燃烧状态、二级燃烧状态和燃爆状态五种状态；
安全状态为烷类气体未泄露，泄露状态为烷类气体或硫化氢气体发生泄漏但未发生燃烧，一级燃烧状态为烷类气体或硫化氢气体发生泄漏并发生了起火现象，但燃烧一段时间后会自熄，二级燃烧状态为烷类气体或硫化氢气体发生泄漏并发生剧烈燃烧，燃爆状态为烷类气体泄漏发生燃爆。
5.根据权利要求1所述的多参数数据融合的井喷现场气体燃爆监测方法，其特征在于，所述步骤4中，根据划分好的五种燃爆状态训练井喷现场实时气体燃爆状态判断模型；
安全状态：硫化氢气体和烷类气体体积分数趋近于零，氧气体积分数的归一化数据在0.6左右浮动；
Pn表示一种可燃气体在混合物中体积分数的预测值；
泄漏状态：烷类气体或硫化氢气体的浓度变化率明显提升；
一级燃烧状态：在泄漏的状态的基础上，氧气体积分数的降低证明出现了起火燃烧现象，烷类和烃类气体体积分数的归一化数据在-0.9到-1之间；
二级燃烧状态：在泄露状态的基础上，氧气和二氧化碳体积分数变化率超过0.5，烷类和烃类气体体积分数的归一化数据在-0.9到+∞之间；
燃爆状态：根据下式和气体浓度预测值计算井喷现场混合可燃气体的燃爆下限LEL和燃爆上限UEL：
Pn表示一种可燃气体在混合物中的体积分数，LELn表示一种可燃气体的爆炸下限，UELn表示一种可燃气体的爆炸上限。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210721311.1A CN115099337B (zh) | 2022-06-24 | 2022-06-24 | 多参数数据融合的井喷现场气体燃爆分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210721311.1A CN115099337B (zh) | 2022-06-24 | 2022-06-24 | 多参数数据融合的井喷现场气体燃爆分析方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115099337A true CN115099337A (zh) | 2022-09-23 |
| CN115099337B CN115099337B (zh) | 2024-02-06 |
Family
ID=83292975
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210721311.1A Active CN115099337B (zh) | 2022-06-24 | 2022-06-24 | 多参数数据融合的井喷现场气体燃爆分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115099337B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101029564A (zh) * | 2006-09-13 | 2007-09-05 | 西南石油大学 | 一种气体钻井井下状态的连续监测方法 |
| CN109344490A (zh) * | 2018-09-27 | 2019-02-15 | 中国石油大学(华东) | 一种基于brann模型的海洋平台燃爆风险分析方法 |
| CN111595899A (zh) * | 2020-05-22 | 2020-08-28 | 中国石油天然气集团有限公司 | 一种液化石油气瓶密封失效泄漏燃爆试验系统及试验方法 |
| CN111899480A (zh) * | 2020-08-11 | 2020-11-06 | 安徽泽众安全科技有限公司 | 一种地下空间可燃气体监测动态预警分级方法及系统 |
| CN113073960A (zh) * | 2021-04-16 | 2021-07-06 | 西南石油大学 | 一种在非储层空气钻井中防止井下燃爆的方法 |
-
2022
- 2022-06-24 CN CN202210721311.1A patent/CN115099337B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101029564A (zh) * | 2006-09-13 | 2007-09-05 | 西南石油大学 | 一种气体钻井井下状态的连续监测方法 |
| CN109344490A (zh) * | 2018-09-27 | 2019-02-15 | 中国石油大学(华东) | 一种基于brann模型的海洋平台燃爆风险分析方法 |
| CN111595899A (zh) * | 2020-05-22 | 2020-08-28 | 中国石油天然气集团有限公司 | 一种液化石油气瓶密封失效泄漏燃爆试验系统及试验方法 |
| CN111899480A (zh) * | 2020-08-11 | 2020-11-06 | 安徽泽众安全科技有限公司 | 一种地下空间可燃气体监测动态预警分级方法及系统 |
| CN113073960A (zh) * | 2021-04-16 | 2021-07-06 | 西南石油大学 | 一种在非储层空气钻井中防止井下燃爆的方法 |
Non-Patent Citations (3)
| Title |
|---|
| BAHAEDDIN TURKOGLU ET AL: "Training multi-layer perceptron with artificial algae algorithm", ENGINEERING SCIENCE AND TECHNOLOGY, vol. 23, pages 1342 - 1350 * |
| WEN-TSAI SUNG ET AL.: "Neural Network Approaches to Data Fusion Calculation and Correction in Wireless Sensor Network – A Case Study Comparison between BPN, RBFN and GRNN", DE GRUYTER, pages 395 - 411 * |
| 江川等: "空气钻井综合录井安全监控系统", 钻采工艺, vol. 32, no. 6, pages 111 - 112 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115099337B (zh) | 2024-02-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107589100B (zh) | 一种船用燃油硫含量嗅探估算法 | |
| CN105259327B (zh) | 一种可燃气体检测仪及其检测方法 | |
| CN104614337A (zh) | 一种便携式多组分混合气监测系统 | |
| CN110298540B (zh) | 一种油气田地面管道内腐蚀风险评价方法 | |
| CN114964661A (zh) | 一种基于人工智能的井下煤矿自燃火灾束管监测系统 | |
| CN114492980B (zh) | 一种城镇燃气埋地管道腐蚀风险的智能预测方法 | |
| CN106706119B (zh) | 一种基于信号频域特征的振动源识别方法及系统 | |
| CN202339619U (zh) | 气体配气检测系统 | |
| CN113626970A (zh) | 公共管廊管道腐蚀剩余寿命评估方法及系统 | |
| CN115099337B (zh) | 多参数数据融合的井喷现场气体燃爆分析方法 | |
| CN117474343A (zh) | 石化港区危险源安全风险预警方法、装置、设备及存储介质 | |
| CN109447026A (zh) | 一种基于支持向量机的桩身完整性类别自动识别方法 | |
| CN115083123B (zh) | 一种以实测数据为驱动的矿井煤自燃智能分级预警方法 | |
| EP3175233B1 (en) | Method and device for discrimination between natural gas and swamp gas | |
| AU2021106298A4 (en) | Method for monitoring and evaluating pipeline leakage of LNG terminal wharf | |
| CN114922612A (zh) | 基于lvq-cpso-bp算法的煤体瓦斯渗透率预测方法 | |
| CN111442194B (zh) | 一种使用无人机搭载湿度计测量管道泄漏方法 | |
| Vovna et al. | Improving efficiency of information measurement system of coal mine air gas protection | |
| CN113033070B (zh) | 一种lng接收站码头管道泄露监测评估方法 | |
| CN114088308B (zh) | 一种基于低反射啁啾光栅阵列的输运管道拾振检漏方法 | |
| Fu et al. | Application of data fusion to environmental measurement in coalmine | |
| Made et al. | Design and Manufacture of LPG Gas Leak Detection Based on Arduino Uno Using MQ-2 Sensor | |
| CN114354553B (zh) | 用于船舶燃油硫含量的嗅探监测方法及系统 | |
| Bustnes et al. | Leak detection performance of a commercial Real Time Transient Model for Troll oil pipeline | |
| Sun et al. | Study on Evaluation Method of Failure Pressure for Pipeline with Axially Adjacent Defects |
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 |