CN116123988A - 一种基于数据处理的管道几何变形检测方法及系统 - Google Patents
一种基于数据处理的管道几何变形检测方法及系统 Download PDFInfo
- Publication number
- CN116123988A CN116123988A CN202310395986.6A CN202310395986A CN116123988A CN 116123988 A CN116123988 A CN 116123988A CN 202310395986 A CN202310395986 A CN 202310395986A CN 116123988 A CN116123988 A CN 116123988A
- Authority
- CN
- China
- Prior art keywords
- deformation
- pipeline
- geometric deformation
- result
- vulnerability
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 102
- 238000012545 processing Methods 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 claims abstract description 35
- 238000011156 evaluation Methods 0.000 claims abstract description 27
- 238000006073 displacement reaction Methods 0.000 claims description 41
- 238000013210 evaluation model Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 16
- 238000004458 analytical method Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000007726 management method Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 3
- 238000012360 testing method Methods 0.000 description 16
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000010606 normalization Methods 0.000 description 5
- 230000032823 cell division Effects 0.000 description 4
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 4
- 238000011158 quantitative evaluation Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000012502 risk assessment Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 239000003345 natural gas Substances 0.000 description 2
- 239000003209 petroleum derivative Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000013077 scoring method Methods 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 1
- 238000009933 burial Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012038 vulnerability analysis Methods 0.000 description 1
- 238000002759 z-score normalization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B7/00—Measuring arrangements characterised by the use of electric or magnetic techniques
- G01B7/16—Measuring arrangements characterised by the use of electric or magnetic techniques for measuring the deformation in a solid, e.g. by resistance strain gauge
- G01B7/24—Measuring arrangements characterised by the use of electric or magnetic techniques for measuring the deformation in a solid, e.g. by resistance strain gauge using change in magnetic properties
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Length Measuring Devices With Unspecified Measuring Means (AREA)
- Pipeline Systems (AREA)
Abstract
本发明提供了一种基于数据处理的管道几何变形检测方法及系统，涉及油气管道智能检测技术领域，该方法包括：获取第一管道的目标检测区域；进行网格单元划分；连接变形检测传感器进行数据采集，输出区域传感数据集；搭建管道结构几何变形识别模型；输入区域传感数据集，获取由几何变形位置识别器和几何变形程度识别器分别输出的变形位置识别结果和变形程度识别结果；搭建易损性评估模型，获取易损性评估结果，结合变形位置识别结果、变形程度识别结果，输出管道变形风险系数。本发明解决了现有技术中缺少对管道几何变形进行多因素综合评价，对管道变形风险预测准确性低的技术问题，达到了避免单一因素评价的误差，提高检测预测精度的技术效果。
Description
技术领域
本发明涉及油气管道智能检测技术领域，具体地，涉及一种基于数据处理的管道几何变形检测方法及系统。
背景技术
管道作为石油天然气的长距离输送设施，广泛铺设于陆地及海洋。由于管道中输送的介质具有易燃易爆的特点，对于长输管道的变形、腐蚀、裂纹等缺陷的及时检测已成为国际及国内法规的强制要求。
目前，对于管道几何变形评价方法主要有，定性评价、半定性评价和定量评价。定性评价的方法有安全检查表法、预先危险分析法、风险矩阵法，其优点是简单易行，评价过程和结果直观，实用性强，但这类方法有很高的经验成分，有局限性，且评价结果不能量化，不同评价对象的评价结果间无可比性。半定量评价方法在此基础上进行了优化，其中具代表性的是KENT评分法，半定量方法操作简单，应用广泛，具有很高程度的合理性，但这类方法各指标的层次关系和综合方法缺乏科学依据，且使用主观和经验成分重的评分方法确定指标的取值。定量评价可以减少人为主观因素，提高评价指标选取和权重的合理性，一直是近些年来研究的热点。
然而，在进行定量评价的过程中，由于获得的数据量以及对数据处理的方法存在漏洞，导致得到的检测结果与实际存在较大的偏差，且分析管道几何变形考虑的方面过于单一，仅仅孤立、片面的考虑影响因素对管道几何变形的影响。即使考虑了多个因素，对多个因素进行综合分析的细化程度不够，得到的结果无法为实际建设提供可靠支持。现有技术中缺少对管道几何变形进行多因素综合评价，对管道变形风险预测准确性低的技术问题。
发明内容
本申请提供了一种基于数据处理的管道几何变形检测方法及系统，用以针对解决现有技术中缺少对管道几何变形进行多因素综合评价，对管道变形风险预测准确性低的技术问题。
鉴于上述问题，本申请提供了一种基于数据处理的管道几何变形检测方法及系统。
本申请的第一方面，提供了一种基于数据处理的管道几何变形检测方法，其中，所述方法应用于管道风险管控系统，所述系统与变形检测传感器通信连接，所述方法包括：获取第一管道的目标检测区域；对所述目标检测区域进行网格单元划分，输出区域划分结果；连接所述变形检测传感器对所述区域划分结果进行数据采集，输出区域传感数据集；搭建管道结构几何变形识别模型，其中，所述管道结构几何变形识别模型包括几何变形位置识别器和几何变形程度识别器；将所述区域传感数据集输入所述管道结构几何变形识别模型中，获取由所述几何变形位置识别器和所述几何变形程度识别器分别输出的变形位置识别结果和变形程度识别结果；搭建易损性评估模型，根据所述易损性评估模型对所述目标检测区域进行评估，获取易损性评估结果，其中，所述易损性评估模型与所述管道结构几何变形识别模型连接；基于所述变形位置识别结果、所述变形程度识别结果和所述易损性评估结果，输出管道变形风险系数。
本申请的第二个方面，本申请还提供了一种基于数据处理的管道几何变形检测系统，其中，所述系统包括：检测区域获得模块，所述检测区域获得模块用于获取第一管道的目标检测区域；划分结果输出模块，所述划分结果输出模块用于对所述目标检测区域进行网格单元划分，输出区域划分结果；传感器数据集输出模块，所述传感器数据集输出模块用于连接变形检测传感器对所述区域划分结果进行数据采集，输出区域传感数据集；识别模型搭建模块，所述识别模型搭建模块用于搭建管道结构几何变形识别模型，其中，所述管道结构几何变形识别模型包括几何变形位置识别器和几何变形程度识别器；识别结果获得模块，所述识别结果获得模块用于将所述区域传感数据集输入所述管道结构几何变形识别模型中，获取由所述几何变形位置识别器和所述几何变形程度识别器分别输出的变形位置识别结果和变形程度识别结果；评估模型搭建模块，所述评估模型搭建模块用于搭建易损性评估模型，根据所述易损性评估模型对所述目标检测区域进行评估，获取易损性评估结果，其中，所述易损性评估模型与所述管道结构几何变形识别模型连接；风险系数输出模块，所述风险系数输出模块用于基于所述变形位置识别结果、所述变形程度识别结果和所述易损性评估结果，输出管道变形风险系数。
本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：
本申请实施例通过获取第一管道的目标检测区域，然后对目标检测区域进行网格单元划分，输出区域划分结果，通过连接变形检测传感器对区域划分结果进行数据采集，输出区域传感数据集，进而搭建管道结构几何变形识别模型，通过将区域传感数据集输入管道结构几何变形识别模型中，获取由几何变形位置识别器和几何变形程度识别器分别输出的变形位置识别结果和变形程度识别结果，然后根据搭建完成的易损性评估模型对目标检测区域进行评估，获取易损性评估结果，进而以变形位置识别结果、变形程度识别结果和易损性评估结果为基础进行风险分析，输出管道变形风险系数。本申请实施例通过构建管道几何变形识别模型以及易损性评估模型，对管道几何变形数据进行智能化分析，然后利用管道几何变形识别模型中的几何变形位置识别器和几何变形程度识别器对管道变形的位置和程度进行分析，进而结合易损性评估结果对管道几何变形从多个维度进行综合分析，不仅利用模型提高检测预测效率，而且通过综合分析提高分析结果的可靠性。达到了为管道建设提供可靠的几何变形检测方法，提高检测预测的智能化程度的技术效果。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
为了更清楚地说明本申请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简单地介绍，显而易见地，下面描述中的附图仅仅是示例性的，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，还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供的一种基于数据处理的管道几何变形检测方法的流程示意图；
图2为本申请实施例提供的一种基于数据处理的管道几何变形检测方法中输出易损性评估结果的流程示意图；
图3为本申请实施例提供的一种基于数据处理的管道几何变形检测方法中输出变形位置识别结果的流程示意图；
图4为本申请实施例提供的一种基于数据处理的管道几何变形检测系统的结构示意图；
附图标记说明：检测区域获得模块11，划分结果输出模块12，传感器数据集输出模块13，识别模型搭建模块14，识别结果获得模块15，评估模型搭建模块16，风险系数输出模块17。
具体实施方式
本申请通过提供一种基于数据处理的管道几何变形检测方法及系统，用以针对解决现有技术中缺少对管道几何变形进行多因素综合评价，对管道变形风险预测准确性低的技术问题。
为了更好地理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
实施例一
如图1所示，本申请实施例提供一种基于数据处理的管道几何变形检测方法，其中，所述方法应用于管道风险管控系统，所述系统与变形检测传感器通信连接，所述方法包括：
步骤S100：获取第一管道的目标检测区域；
本申请实施例中，在对管道几何变形进行检测之前，首先确定需要进行几何变形检测的区域，从而确定检测目标，保证后续检测对象的准确性。所述第一管道是进行石油天然气的长距离输送设施中的任意一段管道。所述目标检测区域是需要进行几何变形检测的第一管道检测对应区域，包括区域长度信息、区域内管道走向信息。由于管道的铺设受到当地的地理地势、城市规划等因素的影响，在铺设整个管道网络时，为了建立最短、最直接的连接线路，须从地下多次穿过各种障碍，因此，通过确定目标检测区域，为后续根据检测区域内管道所处的环境确定对管道几何变形影响程度做铺垫。并且，由于管道的铺设轨迹并不全是笔直，通过确定目标检测区域为后续进行网格单元划分，细化检测区域，提高检测效率提供依据。
步骤S200：对所述目标检测区域进行网格单元划分，输出区域划分结果；
具体的，通过根据所述目标检测区域的面积大小，确定在划分网格单元时使用的划分尺度，所述划分尺度用于衡量各个网格单元的大小，对划分结果进行控制，如划分的网格单元数量，每个网格单元的面积等。优选的，对所述目标检测区域进行差异化网格单元划分，如，根据目标检测区域内不同区域中第一管道的密度设定不同的划分尺度，密度越高，单位面积内输送的石油量越多，当管道发生几何变形时造成的安全隐患越高，因此需要对该区域使用较小的划分尺度，从而使得到的网格单元数量越多，每个网格单元的面积越小。由此，通过进行差异化的网格单元划分，提高区域划分的合理性，为后续基于区域划分结果进行数据采集获得结果的准确性和结果利用的可靠性做铺垫。其中，所述区域划分结果是按照不同的划分尺度对所述目标检测区域进行单元划分后得到的，包括多个网格单元。
步骤S300：连接所述变形检测传感器对所述区域划分结果进行数据采集，输出区域传感数据集；
具体的，所述变形检测传感器是用于对管道受到积垢、外力作用或内部运输压力发生的变形进行检测的装置，包括磁旋转编码器和脉冲涡流变形检测传感器。所述磁旋转编码器一种以新型磁敏感元件为基础的检测装置，可以对同一处管道变形的极大值点进行测量。所述脉冲涡流变形检测传感器是以脉冲涡流传感芯片为基础的检测装置，并且由于脉冲涡流传感芯片的尺寸较小，在同一传感器中可以阵列分布多个检测点，从而极大地提高管道环向检测精度，从而为实现管道内表面的形貌重构提供了条件。
通过分别利用磁旋转编码器和脉冲涡流变形检测传感器对区域划分结果中的每个网格单元进行数据采集，根据数据采集的结果获得所述区域传感数据集。其中，所述区域传感数据集是由变形检测传感器对目标检测区域内管道的变形情况进行收集和测量的数据集合，是对管道的实时状态进行描述的数据，如管径、表面形状等数据。通过获得区域传感集为后续分析管道的几何变形情况提供依据。
步骤S400：搭建管道结构几何变形识别模型，其中，所述管道结构几何变形识别模型包括几何变形位置识别器和几何变形程度识别器；
具体而言，所述管道结构几何变形识别模型是对以获得的区域传感器数据集为分析依据，对目标检测区域内的管道几何变形情况进行智能化识别的功能模型，包括几何变形位置识别器和几何变形程度识别器。为了对管道内的几何变形进行准确描述，通过使用几何变形位置识别器对发生变形的位置进行识别，以及使用几何变形程度识别器对发生变形的程度进行识别。
步骤S500：将所述区域传感数据集输入所述管道结构几何变形识别模型中，获取由所述几何变形位置识别器和所述几何变形程度识别器分别输出的变形位置识别结果和变形程度识别结果；
进一步的，如图3所示，将所述区域传感数据集输入所述管道结构几何变形识别模型中，本申请实施例步骤S500还包括：
步骤S510：获取所述目标检测区域的曲率模态样本数据；
步骤S520：根据所述区域传感数据集，获取所述目标检测区域的曲率模态实时数据；
步骤S530：将所述曲率模态实时数据输入所述几何变形位置识别器中，根据所述几何变形位置识别器，输出预测损伤位置，其中，所述几何变形位置识别器由所述曲率模态样本数据训练至收敛获得；
步骤S540：将所述预测损伤位置作为所述变形位置识别结果进行输出。
具体而言，所述变形位置识别结果是通过对管道的曲率模态进行分析得到管道发生变形的位置。所述变形程度识别结果是以曲率和位移模态为分析数据，对管道变形位置发生变形的程度进行识别后得到的结果。通过以所述目标检测区域曲率模态为搜索依据，从数据库中进行查找，获得目标检测区域内管道的曲率模态样本数据。其中，所述曲率模态样本数据包括样本响应数据和样本损伤位置数据，所述样本响应数据是通过使目标检测区域内的管道样本对振动进行响应，从而对管道各个点曲率的振动响应模态进行汇总后得到的数据。所述样本损伤位置数据是对目标检测区域内的管道样本已经测得的损伤位置进行确定的数据，包括位置坐标点。
将所述曲率模态样本数据按照一定的划分比例，划分为训练数据集和测试数据集，优选的，训练数据集的比例要大于测试数据集，且划分比例由工作人员根据模型的精度要求进行设定，在此不做限制。通过训练数据集对BP神经网络为基础架构的几何变形位置识别器进行训练，直至所述几何变形位置识别器达到收敛，进而将所述测试数据集输入所述几何变形位置识别器中，得到测试损伤位置数据，将测试损伤位置数据与所述测试数据集中的样本损伤位置数据进行比对，得到测试准确率，当测试准确率满足要求时，输出训练完成的几何变形位置识别器。
以曲率模态实时数据为索引，在所述区域传感数据集中进行数据提取，得到所述曲率模态实时数据。其中，所述曲率模态实时数据反映了目标检测区域内管道对振动的实时响应模态数据。通过将所述曲率模态实时数据输入所述几何变形位置识别器中进行智能分析，得到所述预测损伤位置。其中，所述预测损伤位置是目标检测区域内管道发生几何变形的位置。
进一步的，将所述区域传感数据集输入所述管道结构几何变形识别模型中，本申请实施例步骤S500还包括：
步骤S550：获取所述目标检测区域的曲率-位移模态样本数据；
步骤S560：根据所述区域传感数据集，获取预测几何变形单元的曲率-位移模态实时数据；
步骤S570：将所述曲率-位移模态实时数据输入所述几何变形程度识别器中，根据所述几何变形程度识别器，输出预测损伤程度，其中，所述几何变形程度识别器由所述曲率-位移模态样本数据训练至收敛获得；
步骤S580：将所述预测损伤程度作为所述变形程度识别结果进行输出。
具体而言，所述曲率-位移模态样本数据是对目标检测区域内的管道样本在同一时间节点对应的区域和位移模态进行采集后得到的。所述曲率-位移模态实时数据是从所述区域传感数据集中提取的可以反映管道发生几何变形引起实时的位移变化情况。所述曲率-位移模态实时数据包括实时曲率模态和实时位移模态。通过将所述曲率-位移模态样本数据按照一定的划分比例，划分为训练数据集和测试数据集，优选的，训练数据集的比例要大于测试数据集，且划分比例由工作人员根据模型的精度要求进行设定，在此不做限制。通过训练数据集对BP神经网络为基础架构的几何变形程度识别器进行训练，直至所述几何变形程度识别器达到收敛，进而将所述测试数据集输入所述几何变形程度识别器中，得到测试损伤程度数据，将测试损伤程度数据与所述测试数据集中的样本损伤程度数据进行比对，得到测试准确率，当测试准确率满足要求时，输出训练完成的几何变形程度识别器。通过根据获得的所述预测损伤程度对目标检测区域内管道发生几何变形的程度进行描述。
进一步的，根据所述几何变形程度识别器，输出预测损伤程度，本申请实施例步骤S570还包括：
步骤S571：将所述曲率-位移模态实时数据输入所述几何变形程度识别器中，利用IPSO算法进行相邻网格单元的模态预测，输出基于所述预测几何变形单元相邻节点的相邻曲率模态和相邻位移模态；
步骤S572：根据所述相邻曲率模态和相邻位移模态，输出所述预测损伤程度。
进一步的，所述IPSO算法适应度函数如下
其中，是几何变形程度；
、分别是几何变形单元两侧节点的曲率；
、分别是几何变形单元两侧节点的位移；
、是预测得到的曲率；
、是预测得到的位移。
具体而言，使用几何变形程度识别器对曲率-位移模态实时数据进行数据分析，可以提高数据处理的智能化程度，但是，由于BP神经网络易于陷入局部极值、收敛较慢的特点，本申请实施例通过利用IPSO算法对相邻网格单元的模态进行预测，即利用IPSO算法对相邻网格单元的模态进行预测，获取模型运算过程中的最优解作为所述预测几何变形单元相邻节点的相邻曲率模态和相邻位移模态。所述预测几何变形单元是管道发生变形的网格单元，通过对预测几何变形单元相邻节点的曲率模态和位移模态进行预测，并利用IPSO算法的适应度函数对预测损伤程度进行优化，使其最接近真实值。
具体的，通过获得相邻曲率模态和相邻位移模态，将其输入IPSO算法适应度函数中，对预测几何变形单元发生几何变形程度进行优化，从而得到所述几何变形程度，并将所述几何变形程度作为预测损伤程度。即通过获取几何变形单元两侧节点的曲率和位移，以及预测曲率和位移进行计算，得到几何变形程度。
步骤S600：搭建易损性评估模型，根据所述易损性评估模型对所述目标检测区域进行评估，获取易损性评估结果，其中，所述易损性评估模型与所述管道结构几何变形识别模型连接；
进一步的，如图2所示，本申请实施例步骤S600还包括：
步骤S610：基于多个管道易损指标，建立易损性指标图层；
步骤S620：对所述多个管道易损指标进行权重分析，得到权重配置结果；
步骤S630：基于所述权重配置结果对所述易损性指标图层进行叠加，搭建所述易损性评估模型；
步骤S640：根据所述多个管道易损指标对所述第一管道进行数据采集，获取管道易损数据集，将所述管道易损数据集输入所述易损性评估模型，得到各个网格单元分别对应的管道易损性指数；
步骤S650：将所述管道易损性指数作为所述易损性评估结果进行输出。
具体而言，所述易损性评估模型是对目标检测区域内管道在外力或内力作用下受到损伤的概率进行评估的功能模型。所述易损性评估结果是对管道处于所述目标检测区域内受到变形损伤的概率进行描述的数据。所述多个管道易损指标是对管道本身遭受破坏的可能性进行评价的指标，包括管道最小埋深、管道位置、管道敷设方式以及管道工程保护程度等指标。以所述多个管道易损指标为基础，建立所述易损性指标图层，优选的，根据所述多个管道易损指标的数量确定所述易损性指标图层的图层数量，并根据多个管道易损指标的类型对每个图层进行标识。
通过根据所述多个管道易损指标对管道的破坏程度进行权重分配，破坏影响程度越大，对应的权重越高，从而得到所述权重配置结果。通过根据所述权重配置结果对所述易损性指标图层中的各个图层进行权重占比叠加，得到所述易损性评估模型。然后，以所述多个管道易损指标为采集依据，对所述第一管道进行易损数据采集，得到所述管道易损数据集，从而获得进行易损性分析的数据集。
通过将所述管道易损数据集输入所述易损性评估模型中，利用易损性指标图层对管道易损数据集进行遍历评估，即按照对应的指标评价标准对管道易损数据集进行计算，并按照权重配置结果对计算结果进行加权计算，从而得到所述各个网格单元分别对应的管道易损性指数。所述管道易损性指数反映了各个网格单元内的管道遭受破坏的可能性，指数越大，对应的管道越容易被破坏。
步骤S700：基于所述变形位置识别结果、所述变形程度识别结果和所述易损性评估结果，输出管道变形风险系数。
进一步的，基于所述变形位置识别结果、所述变形程度识别结果和所述易损性评估结果，输出管道变形风险系数，本申请实施例步骤S700还包括：
步骤S710：对所述变形位置识别结果、所述变形程度识别结果和所述易损性评估结果进行归一化处理，得到归一化数据处理结果；
步骤S720：按照所述归一化数据处理结果进行风险概率计算，得到第一风险系数和第二风险系数；
步骤S730：按照所述第一风险系数和所述第二风险系数进行分值计算，得到所述管道变形风险系数。
具体而言，由于变形位置识别结果、变形程度识别结果和易损性评估结果对应的信息数量级不一致，因此，为了能够更加准确的对管道几何变形风险进行预测，提高效率通过利用归一法对上述三个识别结果进行归一化处理。示例性的，利用Z-Score标准化公式：进行归一化处理。
其中，为每个识别结果中的数据值，为每个识别结果对应的总体平均值，为每个识别结果对应的总体标准差。
通过归一化处理，消除三个识别结果之前的量纲差异，从而得到所述归一化数据处理结果。进而，根据得到的归一化数据处理结果，从变形位置、变形程度、易损性三个维度对管道变形的风险进行预测，优选的，通过对三个识别结果进行权重占比分配，根据分配结果进行加权计算，从而得到所述变形风险系数。其中，所述变形风险系数是对管道发生变形的程度进行量化后得到的数值。所述第一风险系数是通过根据所述归一化数据处理结果，以变形位置识别结果为主进行风险评估后得到的风险系数。所述第二风险系数是根据所述归一化数据化处理结果，以变形程度识别结果为主进行风险评估后得到的风险系数。所述管道变形风险系数是根据所述第一风险系数和所述第二风险系数进行综合评估，按照变形位置识别结果和变形程度识别结果在管道变形风险中影响程度，确定对应的评分，根据评分确定权重值，进而根据权重值进行加权计算，得到对管道变形情况进行综合分析后的结果。
综上所述，本申请所提供的一种基于数据处理的管道几何变形检测方法具有如下技术效果：
本申请实施例通过利用数据处理和功能模型相结合的方式优化几何变形风险评价，通过将第一管道对应的目标检测区域中每个网格单元进行几何变形程度评价、管道易损性评价和几何变形位置评价后得到准确的管道风险评价结果，避免仅考虑单一因素导致的评价误差。
实施例二
基于与前述实施例中一种基于数据处理的管道几何变形检测方法，同样发明构思，本发明还提供了一种基于数据处理的管道几何变形检测系统，如图4所示，所述系统包括：
检测区域获得模块11，所述检测区域获得模块11用于获取第一管道的目标检测区域；
划分结果输出模块12，所述划分结果输出模块12用于对所述目标检测区域进行网格单元划分，输出区域划分结果；
传感器数据集输出模块13，所述传感器数据集输出模块13用于连接变形检测传感器对所述区域划分结果进行数据采集，输出区域传感数据集；
识别模型搭建模块14，所述识别模型搭建模块14用于搭建管道结构几何变形识别模型，其中，所述管道结构几何变形识别模型包括几何变形位置识别器和几何变形程度识别器；
识别结果获得模块15，所述识别结果获得模块15用于将所述区域传感数据集输入所述管道结构几何变形识别模型中，获取由所述几何变形位置识别器和所述几何变形程度识别器分别输出的变形位置识别结果和变形程度识别结果；
评估模型搭建模块16，所述评估模型搭建模块16用于搭建易损性评估模型，根据所述易损性评估模型对所述目标检测区域进行评估，获取易损性评估结果，其中，所述易损性评估模型与所述管道结构几何变形识别模型连接；
风险系数输出模块17，所述风险系数输出模块17用于基于所述变形位置识别结果、所述变形程度识别结果和所述易损性评估结果，输出管道变形风险系数。
进一步地，所述评估模型搭建模块16还用于实现以下功能：
基于多个管道易损指标，建立易损性指标图层；
对所述多个管道易损指标进行权重分析，得到权重配置结果；
基于所述权重配置结果对所述易损性指标图层进行叠加，搭建所述易损性评估模型；
根据所述多个管道易损指标对所述第一管道进行数据采集，获取管道易损数据集，将所述管道易损数据集输入所述易损性评估模型，得到各个网格单元分别对应的管道易损性指数；
将所述管道易损性指数作为所述易损性评估结果进行输出。
进一步的，所述识别结果获得模块15还用于实现以下功能：
获取所述目标检测区域的曲率模态样本数据；
根据所述区域传感数据集，获取所述目标检测区域的曲率模态实时数据；
将所述曲率模态实时数据输入所述几何变形位置识别器中，根据所述几何变形位置识别器，输出预测损伤位置，其中，所述几何变形位置识别器由所述曲率模态样本数据训练至收敛获得；
将所述预测损伤位置作为所述变形位置识别结果进行输出。
进一步的，所述识别结果获得模块15还用于实现以下功能：
获取所述目标检测区域的曲率-位移模态样本数据；
根据所述区域传感数据集，获取预测几何变形单元的曲率-位移模态实时数据；
将所述曲率-位移模态实时数据输入所述几何变形程度识别器中，根据所述几何变形程度识别器，输出预测损伤程度，其中，所述几何变形程度识别器由所述曲率-位移模态样本数据训练至收敛获得；
将所述预测损伤程度作为所述变形程度识别结果进行输出。
进一步的，所述识别结果获得模块15还用于实现以下功能：
将所述曲率-位移模态实时数据输入所述几何变形程度识别器中，利用IPSO算法进行相邻网格单元的模态预测，输出基于所述预测几何变形单元相邻节点的相邻曲率模态和相邻位移模态；
根据所述相邻曲率模态和相邻位移模态，输出所述预测损伤程度。
进一步的，所述IPSO算法适应度函数如下
其中，是几何变形程度；
、分别是几何变形单元两侧节点的曲率；
、分别是几何变形单元两侧节点的位移；
、是预测得到的曲率；
、是预测得到的位移。
进一步的，所述风险系数输出模块17还用于实现以下功能：
对所述变形位置识别结果、所述变形程度识别结果和所述易损性评估结果进行归一化处理，得到归一化数据处理结果；
按照所述归一化数据处理结果进行风险概率计算，得到第一风险系数和第二风险系数；
按照所述第一风险系数和所述第二风险系数进行分值计算，得到所述管道变形风险系数。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
本说明书和附图仅仅是本申请的示例性说明，且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样，倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内，则本申请意图包括这些改动和变型在内。
Claims (8)
1.一种基于数据处理的管道几何变形检测方法，其特征在于，所述方法应用于管道风险管控系统，所述系统与变形检测传感器通信连接，所述方法包括：
获取第一管道的目标检测区域；
对所述目标检测区域进行网格单元划分，输出区域划分结果；
连接所述变形检测传感器对所述区域划分结果进行数据采集，输出区域传感数据集；
搭建管道结构几何变形识别模型，其中，所述管道结构几何变形识别模型包括几何变形位置识别器和几何变形程度识别器；
将所述区域传感数据集输入所述管道结构几何变形识别模型中，获取由所述几何变形位置识别器和所述几何变形程度识别器分别输出的变形位置识别结果和变形程度识别结果；
搭建易损性评估模型，根据所述易损性评估模型对所述目标检测区域进行评估，获取易损性评估结果，其中，所述易损性评估模型与所述管道结构几何变形识别模型连接；
基于所述变形位置识别结果、所述变形程度识别结果和所述易损性评估结果，输出管道变形风险系数。
2.如权利要求1所述的方法，其特征在于，所述方法还包括：
基于多个管道易损指标，建立易损性指标图层；
对所述多个管道易损指标进行权重分析，得到权重配置结果；
基于所述权重配置结果对所述易损性指标图层进行叠加，搭建所述易损性评估模型；
根据所述多个管道易损指标对所述第一管道进行数据采集，获取管道易损数据集，将所述管道易损数据集输入所述易损性评估模型，得到各个网格单元分别对应的管道易损性指数；
将所述管道易损性指数作为所述易损性评估结果进行输出。
3.如权利要求1所述的方法，其特征在于，将所述区域传感数据集输入所述管道结构几何变形识别模型中，方法包括：
获取所述目标检测区域的曲率模态样本数据；
根据所述区域传感数据集，获取所述目标检测区域的曲率模态实时数据；
将所述曲率模态实时数据输入所述几何变形位置识别器中，输出预测损伤位置，其中，所述几何变形位置识别器由所述曲率模态样本数据训练至收敛获得；
将所述预测损伤位置作为所述变形位置识别结果进行输出。
4.如权利要求3所述的方法，其特征在于，将所述区域传感数据集输入所述管道结构几何变形识别模型中，方法包括：
获取所述目标检测区域的曲率-位移模态样本数据；
根据所述区域传感数据集，获取预测几何变形单元的曲率-位移模态实时数据；
将所述曲率-位移模态实时数据输入所述几何变形程度识别器中，根据所述几何变形程度识别器，输出预测损伤程度，其中，所述几何变形程度识别器由所述曲率-位移模态样本数据训练至收敛获得；
将所述预测损伤程度作为所述变形程度识别结果进行输出。
5.如权利要求4所述的方法，其特征在于，根据所述几何变形程度识别器，输出预测损伤程度，方法还包括：
将所述曲率-位移模态实时数据输入所述几何变形程度识别器中，利用IPSO算法进行相邻网格单元的模态预测，输出基于所述预测几何变形单元相邻节点的相邻曲率模态和相邻位移模态；
根据所述相邻曲率模态和相邻位移模态，输出所述预测损伤程度。
6.如权利要求5所述的方法，其特征在于，所述IPSO算法适应度函数如下
其中，是几何变形程度；
、分别是几何变形单元两侧节点的曲率；
、分别是几何变形单元两侧节点的位移；
、是预测得到的曲率；
、是预测得到的位移。
7.如权利要求1所述的方法，其特征在于，基于所述变形位置识别结果、所述变形程度识别结果和所述易损性评估结果，输出管道变形风险系数，方法还包括：
对所述变形位置识别结果、所述变形程度识别结果和所述易损性评估结果进行归一化处理，得到归一化数据处理结果；
按照所述归一化数据处理结果进行风险概率计算，得到第一风险系数和第二风险系数；
按照所述第一风险系数和所述第二风险系数进行分值计算，得到所述管道变形风险系数。
8.一种基于数据处理的管道几何变形检测系统，其特征在于，所述系统包括：
检测区域获得模块，所述检测区域获得模块用于获取第一管道的目标检测区域；
划分结果输出模块，所述划分结果输出模块用于对所述目标检测区域进行网格单元划分，输出区域划分结果；
传感器数据集输出模块，所述传感器数据集输出模块用于连接变形检测传感器对所述区域划分结果进行数据采集，输出区域传感数据集；
识别模型搭建模块，所述识别模型搭建模块用于搭建管道结构几何变形识别模型，其中，所述管道结构几何变形识别模型包括几何变形位置识别器和几何变形程度识别器；
识别结果获得模块，所述识别结果获得模块用于将所述区域传感数据集输入所述管道结构几何变形识别模型中，获取由所述几何变形位置识别器和所述几何变形程度识别器分别输出的变形位置识别结果和变形程度识别结果；
评估模型搭建模块，所述评估模型搭建模块用于搭建易损性评估模型，根据所述易损性评估模型对所述目标检测区域进行评估，获取易损性评估结果，其中，所述易损性评估模型与所述管道结构几何变形识别模型连接；
风险系数输出模块，所述风险系数输出模块用于基于所述变形位置识别结果、所述变形程度识别结果和所述易损性评估结果，输出管道变形风险系数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310395986.6A CN116123988B (zh) | 2023-04-14 | 2023-04-14 | 一种基于数据处理的管道几何变形检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310395986.6A CN116123988B (zh) | 2023-04-14 | 2023-04-14 | 一种基于数据处理的管道几何变形检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116123988A true CN116123988A (zh) | 2023-05-16 |
| CN116123988B CN116123988B (zh) | 2023-07-11 |
Family
ID=86304864
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310395986.6A Active CN116123988B (zh) | 2023-04-14 | 2023-04-14 | 一种基于数据处理的管道几何变形检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116123988B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116383769A (zh) * | 2023-05-19 | 2023-07-04 | 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 |
| CN116629615A (zh) * | 2023-06-13 | 2023-08-22 | 宁波绿茵市政园林股份有限公司 | 一种管道施工变形的管控方法、系统以及存储介质 |
| CN117131775A (zh) * | 2023-08-30 | 2023-11-28 | 青岛市特种设备检验研究院 | 一种长距离埋地管道形变评估方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104316341A (zh) * | 2014-11-17 | 2015-01-28 | 金陵科技学院 | 一种基于bp神经网络的地下结构损伤识别方法 |
| CN109409719A (zh) * | 2018-10-17 | 2019-03-01 | 西南石油大学 | 一种滑坡作用下长输油气管道易损性评价方法 |
| CN111307031A (zh) * | 2020-03-16 | 2020-06-19 | 西南石油大学 | 一种埋地管道安全状态监测与预警方法 |
| CN111612336A (zh) * | 2020-05-20 | 2020-09-01 | 中国安全生产科学研究院 | 一种基于大数据的油气管道失效因素修正方法 |
| CN112016857A (zh) * | 2020-11-02 | 2020-12-01 | 西南石油大学 | 基于云理论的聚乙烯管道地震易损性评估方法 |
| WO2022116433A1 (zh) * | 2020-12-02 | 2022-06-09 | 平安科技（深圳）有限公司 | 管道损伤检测方法、装置、设备及存储介质 |
| CN114723218A (zh) * | 2022-02-21 | 2022-07-08 | 浙江海洋大学 | 一种基于信息量-神经网络的油气管道地质灾害评价方法 |
| CN115081287A (zh) * | 2022-07-01 | 2022-09-20 | 西南石油大学 | 基于结构易损性理论滑坡作用下输气管道的评价方法 |
-
2023
- 2023-04-14 CN CN202310395986.6A patent/CN116123988B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104316341A (zh) * | 2014-11-17 | 2015-01-28 | 金陵科技学院 | 一种基于bp神经网络的地下结构损伤识别方法 |
| CN109409719A (zh) * | 2018-10-17 | 2019-03-01 | 西南石油大学 | 一种滑坡作用下长输油气管道易损性评价方法 |
| CN111307031A (zh) * | 2020-03-16 | 2020-06-19 | 西南石油大学 | 一种埋地管道安全状态监测与预警方法 |
| CN111612336A (zh) * | 2020-05-20 | 2020-09-01 | 中国安全生产科学研究院 | 一种基于大数据的油气管道失效因素修正方法 |
| CN112016857A (zh) * | 2020-11-02 | 2020-12-01 | 西南石油大学 | 基于云理论的聚乙烯管道地震易损性评估方法 |
| WO2022116433A1 (zh) * | 2020-12-02 | 2022-06-09 | 平安科技（深圳）有限公司 | 管道损伤检测方法、装置、设备及存储介质 |
| CN114723218A (zh) * | 2022-02-21 | 2022-07-08 | 浙江海洋大学 | 一种基于信息量-神经网络的油气管道地质灾害评价方法 |
| CN115081287A (zh) * | 2022-07-01 | 2022-09-20 | 西南石油大学 | 基于结构易损性理论滑坡作用下输气管道的评价方法 |
Non-Patent Citations (1)
| Title |
|---|
| 陈琛;: "长庆油田集输管道检测与完整性评价系统", 油气田地面工程, no. 07 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116383769A (zh) * | 2023-05-19 | 2023-07-04 | 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 |
| 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 |
| CN116629615A (zh) * | 2023-06-13 | 2023-08-22 | 宁波绿茵市政园林股份有限公司 | 一种管道施工变形的管控方法、系统以及存储介质 |
| CN117131775A (zh) * | 2023-08-30 | 2023-11-28 | 青岛市特种设备检验研究院 | 一种长距离埋地管道形变评估方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116123988B (zh) | 2023-07-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116123988B (zh) | 一种基于数据处理的管道几何变形检测方法及系统 | |
| Wu et al. | Critical review of data-driven decision-making in bridge operation and maintenance | |
| WO2020133639A1 (zh) | 一种管道内检测漏磁数据智能分析系统 | |
| Fereidooni et al. | A hybrid model-based method for leak detection in large scale water distribution networks | |
| CN112884320B (zh) | 基于熵值模型的基坑风险评估方法、装置、设备和介质 | |
| CN116258086B (zh) | 一种燃气管道风险评估方法及系统 | |
| CN115654381A (zh) | 一种基于图神经网络的供水管道漏损检测方法 | |
| CN114387332B (zh) | 一种管道测厚方法及装置 | |
| Xu et al. | A Bayesian approach for site-specific extreme load prediction of large scale bridges | |
| CN116205409A (zh) | 一种地质灾害及外力影响下管道风险识别方法及系统 | |
| CN113468804B (zh) | 一种基于矩阵束和深度神经网络的地下管道识别方法 | |
| CN114638128A (zh) | 联合静力触探和剪切波速测试的液化判别方法及系统 | |
| CN116090322A (zh) | 管道完整性智能决策可视化系统 | |
| CN114413184A (zh) | 一种智能管道、智能管道管理系统及其测漏方法 | |
| JP2020143999A (ja) | 鋼管柱劣化予測システム | |
| CN117235540A (zh) | 基于特征匹配融合的传感器动态信息联动分析方法 | |
| CN114723218B (zh) | 一种基于信息量-神经网络的油气管道地质灾害评价方法 | |
| CN114935507B (zh) | 一种钢管加工的受力测试方法及系统 | |
| Feng et al. | Modeling and calculation of dent based on pipeline bending strain | |
| Ebrahimi et al. | Probabilistic condition assessment of reinforced concrete sanitary sewer pipelines using LiDAR inspection data | |
| AU2021101888A4 (en) | System and method for corrosion prediction in oil and gas pipeline | |
| Mujica et al. | Multidimensional data statistical processing of magnetic flow leakage signals from a Colombian gas pipeline | |
| CN110348123B (zh) | 一种基于aic-rbf的油气管道挤压形变估计方法 | |
| Mohanty et al. | An Artificial Intelligence/Machine Learning Based Regression-Clustering-Sensor-Fusion Framework for Predicting Unmeasurable Time-Series Strain From Other Sensor Measurements | |
| Bruss et al. | Localization of Thermal Wellbore Defects Using Machine Learning |
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 |