CN116258086B - 一种燃气管道风险评估方法及系统 - Google Patents

一种燃气管道风险评估方法及系统 Download PDF

Info

Publication number
CN116258086B
CN116258086B CN202310529479.7A CN202310529479A CN116258086B CN 116258086 B CN116258086 B CN 116258086B CN 202310529479 A CN202310529479 A CN 202310529479A CN 116258086 B CN116258086 B CN 116258086B
Authority
CN
China
Prior art keywords
gas pipeline
gas
data
external
model
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
CN202310529479.7A
Other languages
English (en)
Other versions
CN116258086A (zh
Inventor
诸彤宇
邓则荣
于乐
陈立峰
黄姗
郭珊妮
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.)
Beihang University
China Mobile Information Technology Co Ltd
Original Assignee
Beihang University
China Mobile Information Technology Co 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 Beihang University, China Mobile Information Technology Co Ltd filed Critical Beihang University
Priority to CN202310529479.7A priority Critical patent/CN116258086B/zh
Publication of CN116258086A publication Critical patent/CN116258086A/zh
Application granted granted Critical
Publication of CN116258086B publication Critical patent/CN116258086B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
    • 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

Abstract

本发明涉及一种燃气管道风险评估方法及系统，其方法包括：S1：获取燃气管道的三种特征数据及区域数据，其中，所述三种特征数据包括：燃气内部特征数据、燃气外部显性特征数据、燃气外部隐性特征数据；S2：对所述三种特征数据进行预处理，生成预处理后的燃气管道的特征；S3：将所述预处理后的燃气管道的特征进行关联，形成燃气管道特征向量；S4：使用所述燃气管道特征向量训练燃气管道风险评估模型。本发明提供的方法提高了燃气管道风险评估的准确性，避免了对于硬件设备的依赖。

Description

一种燃气管道风险评估方法及系统
技术领域
本发明涉及基础设施和IT支撑领域，具体涉及一种燃气管道风险评估方法及系统。
背景技术
传统的燃气管线泄漏检测系统主要依靠工人现场检查，需要运维团队通过特定的声音、气味或视觉效果在现场寻找候选检测点，然后通过专用设备检查潜在的泄漏。然而，这种泄漏检测系统严重依赖繁琐且昂贵的人工检查工作，通常只能在一段时间内评估燃气管线网络中极其有限的一部分。
现有技术的燃气管道风险检测模型没有综合考虑可能导致燃气管道泄漏的因素，且输入数据需要依靠繁多的硬件设备知识，不具有普遍适用性。现有技术中仅使用POI数据中描述的区域中的各类功能建筑密度来刻画区域功能，通过POI数据中记录的各类功能设施的密度来刻画区域功能，这导致模型评估的效果很大程度上受限于POI数据。因此，如何在不依赖于特定硬件设备情况下，进行多视角的燃气管道风险检测成为一个亟待解决的问题。
发明内容
为了解决上述技术问题，本发明提供一种燃气管道风险评估方法及系统。
本发明技术解决方案为：一种燃气管道风险评估方法，包括：
步骤S1：获取燃气管道的三种特征数据及区域数据，其中，三种特征数据包括：燃气内部特征数据、燃气外部显性特征数据、燃气外部隐性特征数据；
步骤S2：对三种特征数据进行预处理，生成预处理后的燃气管道的特征；
步骤S3：将预处理后的燃气管道的特征进行关联，形成燃气管道特征向量；
步骤S4：使用燃气管道特征向量训练燃气管道风险评估模型。
本发明与现有技术相比，具有以下优点：
1、本发明公开了一种燃气管道风险评估方法，相较于现有技术中使用大量系统和设备对于燃气管道的外部环境因素进行测量，本申请提供了一种使用燃气外部隐性特征数据和燃气外部显性特征数据进行燃气管道外部环境风险因素的软测量方法，避免了对于硬件设备的依赖，同时保证了燃气管道泄漏风险评估的准确性。
2、本发明使用大规模的燃气管道内部特征数据、燃气外部显性特征数据和燃气外部隐性特征数据行燃气泄露风险评估，无需针对具体某一燃气管道进行数据采集，即可对于大范围内的燃气泄露风险进行评估。
3、本发明提供了一种多视角的燃气管道的泄漏风险评估方法，除燃气管道内部特征之外，通过分析燃气外部显性特征数据中POI数据和燃气外部隐性特征数据中人口流动数据，来反映燃气管道的环境特征，从而间接表示燃气管道的运行状况，从而可以有效地评估燃气泄露的风险。
附图说明
图1为本发明实施例中一种燃气管道风险评估方法的流程图；
图2为本发明实施例中Skip-gram模型结构示意图；
图3为本发明实施例中一种燃气管道风险评估系统的结构框图。
具体实施方式
本发明提供了一种燃气管道风险评估方法，提高了燃气管道泄漏风险评估的准确性，避免了对于硬件设备的依赖。
为了使本发明的目的、技术方案及优点更加清楚，以下通过具体实施，并结合附图，对本发明进一步详细说明。
实施例一
如图1所示，本发明实施例提供的一种燃气管道风险评估方法，包括下述步骤：
步骤S1：获取燃气管道的三种特征数据及区域数据，其中，三种特征数据包括：燃气内部特征数据、燃气外部显性特征数据、燃气外部隐性特征数据；
步骤S2：对三种特征数据进行预处理，生成预处理后的燃气管道的特征；
步骤S3：将预处理后的燃气管道的特征进行关联，形成燃气管道特征向量；
步骤S4：使用燃气管道特征向量训练燃气管道风险评估模型。
在一个实施例中，上述步骤S1：获取燃气管道的三种特征数据及区域数据，其中，三种特征数据包括：燃气内部特征数据、燃气外部显性特征数据、燃气外部隐性特征数据，具体包括：
步骤S11：通过地理信息系统获得获取燃气内部特征数据，包括：燃气检查点ID、经纬度信息、材料、使用年限、压力、管道埋深、管道直径、事件标签；
本发明实施例中，燃气内部特征数据的数据存储形式如表1所示：
表1：燃气内部特征数据
步骤S12：通过地图系统获取燃气外部显性特征数据，包括：POI数据，如表2所示；
表2：燃气外部显性特征数据
步骤S13：通过通信运营商获取燃气外部隐性特征数据，包括：用户ID、日期、始发地ID、目的地ID，如表3所示；
表3：燃气外部隐性特征数据
步骤S14：通过地图系统获取区域数据，包括：区域ID、区域范围，如表4所示；
表4：区域数据
在一个实施例中，上述步骤S2：对三种特征数据进行预处理，生成预处理后的燃气管道的特征，具体包括：
步骤S21：根据燃气内部特征数据，构建燃气内部特征；同时，根据燃气管道的内部特征数据的经纬度信息和区域数据中的区域范围，确定燃气管道所在的区域范围；
结合区域数据中所给出的区域范围（多边形）和燃气内部特征数据的经纬度信息，可以得到燃气管道所在的区域ID和区域范围，构建燃气内部特征；
步骤S22：根据燃气外部显性特征数据的POI数据经纬度信息，计算其与燃气管道之间的空间距离，对每条燃气管道数据选取与其距离最近的POI数据进行关联，得到燃气外部显性特征；
步骤S23：根据燃气外部隐性特征数据得到区域表征向量，具体包括下述步骤：
步骤S231：根据燃气外部隐性特征数据的日期由早到晚排序，并根据用户ID进行分组，表示为；对于每个小组/>中每条数据仅包括始发地ID、目的地ID，并按顺序排列，得到每个用户的区域转移轨迹/>， />，其中， />表示区域ID，表示轨迹/>的长度；
步骤S232：使用Skip-gram模型构建序列表征模型，将每个用户的区域转移轨迹作为输入，训练序列表征模型，直到平均对数概率最大化，其中，平均对数概率的计算公式如下所示：
，
，
其中， 表示轨迹/>的长度，C表示上下文窗口的大小， />表示区域/>的向量表征；
在本发明实施例中C设置为5； 的长度设为16；
Skip-gram模型的架构示意图如图2所示，通过该模型来表达区域之间的关系；
步骤S233：使用训练好的序列表征模型得到每个区域的形状的表征向量，以表示，在本发明实施例中/>为/>的表征向量。
本发明通过燃气外部隐性特征数据提取人口流动数据，使用基于序列学习的表征学习方法，将人口流动数据转换为各区域的表征向量，用于计算燃气管道的外部环境风险因素。为证明本发明中各区域的表征向量的有效性，通过区域表征向量所在隐性语义空间中的余弦相似度进行验证。本发明实施例选取一些区域，并计算表征向量之间的余弦相似度，如表5所示。由表5可知，具有相同功能的城市区域之间的向量相似度高，而不同功能的城市区域之间的向量相似度低。故证明，本实施例中使用燃气外部隐性特征数据得到的区域表征向量来刻画燃气管道外部环境隐性特征是有效的。
表5 不同区域之间的向量相似度
在一个实施例中，上述步骤S3：将预处理后的燃气管道的特征进行关联，形成燃气管道特征向量，具体包括：
根据区域ID，将三种特征按照如下公式进行连接：
，
其中，||代表向量的连接操作， 为燃气管道的特征向量。
在上述步骤中， 已与对应的/>相关联，/>确定了其所在的区域ID，此时将/>中区域ID和对应的/>相关联， />保留材料、使用年限、压力、管道埋深、管道直径等5个字段，/>去除经纬度、ID字段、保留其余21个字段，因此得到的/>为/>的特征向量。
在一个实施例中，上述步骤S4：使用燃气管道特征向量训练燃气管道风险评估模型，具体包括：
步骤S41：构建燃气管道风险评估模型，该模型为一个包含3层隐藏层的全连接神经网络；
每层隐藏层的神经元数量如公式所示：
，
其中，隐藏层的激活函数使用relu函数，relu函数如下所示：
，
燃气管道风险评估模型的输出层为单神经元，其使用激活函数为sigmoid，输出的值域为（0,1），公式如下：
，
假设模型的输出值服从二项分布，且模型的预测能力较为均衡，选择0.5作为阈值，可以使得模型的预测结果更中性。因此在本发明实施例中，当模型得到输出结果后，以0.5作为阈值，如果模型输出高于0.5则认为发生燃气泄漏视为标签1，反之则不发生燃气泄漏视为标签0；
步骤S42：对于进行归一化，将所有字段取值缩放到0~1：
；
步骤S43：将输入燃气管道风险评估模型，输出预测值；同时构建损失函 数：
，
其中，代表训练样本个数，/>为预设的超参数，/>为预测的标签，/>为真实的标签；
代表神经网络模型的层数；/>代表第i层网络的权重，/> 代表第i层网络的偏置。
本发明实施例在进行模型训练时，将输入样本按照7:1:2的比例划分成训练集、验证集和测试集，并选定模型三个超参数，训练轮次p控制模型的执行次数，学习率l控制模型参数更新速率，和数据分组大小g控制每次训练的数据数量，在本申请的实施例中将p、l、g分别设置为150、0.001、32。使用Adam优化算法来更新模型的参数，通过损失函数计算训练集中的预测值和真实值之间的误差，并使用梯度下降法来更新燃气管道风险评估模型的各个参数，重复进行训练直到参数收敛，此时结束训练。
在验证集上测试模型的表现，选择其他的超参数进行实验，直到找出效果最好的超参数组合，并将模型的参数保存，之后使用测试集的燃气管道的特征向量进行测试，输出测试结果。
在燃气管道风险评估模型被训练完成，并且在验证集上调整得到最佳参数之后，模型的参数将被保存以供后续的应用。通过对燃气管道特征数据的采集和处理，可以对燃气管道的泄露风险进行评估，从而实现对燃气管道的及时检修和维护。
为了评估燃气管道风险评估模型的预测能力，本发明实施例使用了准确率（Accuracy）和F1分数两个评估指标，准确率反映模型分类质量的直观标准，F1分数用来衡量泄露风险评估的精确度和召回率，两个指标越高，表明模型效果越好。为了验证本发明模型表现比其他模型更好，使用其他常用的预测模型如朴素贝叶斯、支持向量机进行了对比实验，实验证明本发明的预测质量最高。具体实验结果如表6所示。
表6 不同模型及不同数据组合的实验结果
（I代表燃气内部特征数据，P代表燃气外部显性特征数据，H代表燃气外部隐性特征）
从表6看出，本发明的模型的表现在准确率和F1分数都优于朴素贝叶斯和支持向量机，证明了本发明方法的有效性。同时本发明还根据不同的输入数据组合进行了对比实验，可以看出对于同一方法而言当同时输入燃气内部特征数据、燃气外部显性特征数据和燃气外部隐性特征数据时，模型的准确率和F1分数最高，这证明了使用POI数据和人口流动数据作为燃气管道的外部环境特征的有效性。
此外，为了说明本发明实施例中使用的燃气内部特征、燃气外部显性特征、燃气外部隐性特征与燃气管道风险之间的相关性，以PCC也即皮尔逊相关系数，来说明各输入数据与燃气管道风险之间的相关性，PCC的取值范围在-1到1之间，PCC的正负表示两个变量之间的线性相关性的方向，具体含义为：当PCC为正数时，表示两个变量之间的线性相关性是正相关的，即两个变量随着彼此增加或减少而增加或减少；当PCC为负数时，表示两个变量之间的线性相关性是负相关的，即两个变量之间存在反向关系，一个变量增加时，另一个变量会减少；当PCC接近0时，表示两个变量之间不存在线性相关性，即它们之间的变化不会相互影响。PCC的计算公式为：
其中，N表示样本个数， />表示第/>个预测值， />表示第/>个真实值， />表示N个预测值的平均值，/>表示N个真实值的平均值。各输入数据得到的预测风险值与燃气管道真实风险之间相关性计算结果如表7所示。由表可知，同时输入燃气内部特征数据、燃气外部显性特征数据、燃气外部隐性特征数据三种数据的相关性最高，这表明本申请提案所提出的使用燃气内部特征、燃气外部显性特征、燃气外部隐性特征综合作为燃气管道风险评估因素的正确性。并且，燃气内部特征加燃气外部隐性特征的数据组合的相似度高于燃气内部特征加气外部显性特征的数据组合，表明单独使用燃气外部隐性特征数据来描述燃气管道的外部环境特征的效果要好于单独使用燃气外部显性特征数据，这也证明了本发明所提出方法的优越性。
表7 各输入数据与燃气管道风险之间相关性
（I代表燃气内部特征数据，P代表燃气外部显性特征数据，H代表燃气外部隐性特征）
本发明公开了一种燃气管道风险评估方法，相较于现有技术中使用大量系统和设备对于燃气管道的外部环境因素进行测量，本申请提供了一种使用燃气外部隐性特征数据和燃气外部显性特征数据进行燃气管道外部环境风险因素的软测量方法，避免了对于硬件设备的依赖，同时保证了燃气管道泄漏风险评估的准确性。本发明使用大规模的燃气管道内部特征数据、燃气外部显性特征数据和燃气外部隐性特征数据行燃气泄露风险评估，无需针对具体某一燃气管道进行数据采集，即可对于大范围内的燃气泄露风险进行评估。本发明提供了一种多视角的燃气管道的泄漏风险评估方法，除燃气管道内部特征之外，通过分析燃气外部显性特征数据的POI数据和燃气外部隐性特征数据的人口流动数据，来反映燃气管道的环境特征，从而间接表示燃气管道的运行状况，从而可以有效地评估燃气泄露的风险。
实施例二
如图3所示，本发明实施例提供了一种燃气管道风险评估系统，包括下述模块：
获取燃气管道特征数据模块51，用于获取燃气管道的三种特征数据及区域数据，其中，三种特征数据包括：燃气内部特征数据、燃气外部显性特征数据、燃气外部隐性特征数据；
预处理模块52，用于对三种特征数据进行预处理，生成预处理后的燃气管道的特征；
构建燃气管道特征向量模块53，用于将预处理后的燃气管道的特征进行关联，形成燃气管道特征向量；
构建及训练燃气管道风险评估模型模块54，用于使用燃气管道特征向量训练燃气管道风险评估模型。
提供以上实施例仅仅是为了描述本发明的目的，而并非要限制本发明的范围。本发明的范围由所附权利要求限定。不脱离本发明的精神和原理而做出的各种等同替换和修改，均应涵盖在本发明的范围之内。

Claims (3)

1.一种燃气管道风险评估方法，其特征在于，包括：
步骤S1：获取燃气管道的三种特征数据及区域数据，其中，所述三种特征数据包括：燃气内部特征数据、燃气外部显性特征数据、燃气外部隐性特征数据；
步骤S2：对所述三种特征数据进行预处理，生成预处理后的燃气管道的特征，具体包括：
步骤S21：根据所述燃气内部特征数据，构建燃气内部特征；同时，根据所述燃气管道的内部特征数据的经纬度信息和所述区域数据中的区域范围，确定燃气管道所在的区域范围；
步骤S22：根据所述燃气外部显性特征数据的POI数据经纬度信息，计算其与燃气管道之间的空间距离，对每条燃气管道数据选取与其距离最近的POI数据进行关联，得到燃气外部显性特征；
步骤S23：根据所述燃气外部隐性特征数据得到区域表征向量，具体包括：
步骤S231：根据所述燃气外部隐性特征的日期由早到晚排序，并根据用户ID进行分组，表示为；对于每个小组/>中每条数据仅包括始发地ID、目的地ID，并按顺序排列，得到每个用户的区域转移轨迹/>，/>，其中，/>表示区域ID，/>表示轨迹/>的长度；
步骤S232：使用Skip-gram模型构建序列表征模型，将每个用户的区域转移轨迹作为输入，训练所述序列表征模型，直到平均对数概率最大化，其中，平均对数概率的计算公式如下所示：
，
，
其中，表示轨迹/>的长度，C表示上下文窗口的大小，/>表示区域/>的向量表征；
步骤S233：使用训练好的所述序列表征模型得到每个区域的形状的表征向量，以表示；
步骤S3：将所述预处理后的燃气管道的特征进行关联，形成燃气管道特征向量，具体包括：
根据所述区域ID，将三种特征按照如下公式进行连接：
，
其中，||代表向量的连接操作，为燃气管道的特征向量；
步骤S4：使用所述燃气管道特征向量训练燃气管道风险评估模型，具体包括：
步骤S41：构建所述燃气管道风险评估模型，该模型为一个包含3层隐藏层的全连接神经网络；
每层隐藏层的神经元数量如公式所示：
，
其中，所述隐藏层的激活函数使用relu函数，relu函数如下所示：
，
所述燃气管道风险评估模型的输出层为单神经元，其使用激活函数为sigmoid，输出的值域为（0,1），公式如下：
，
步骤S42：对于进行归一化，将所有字段取值缩放到0~1：
，
步骤S43：将输入所述燃气管道风险评估模型，输出预测值/>；同时构建损失函数/>：
，
其中，代表训练样本个数，/>为预设的超参数，/>为预测的标签，/>为真实的标签；
代表神经网络模型的层数；/>代表第i层网络的权重，/> 代表第i层网络的偏置。
2.根据权利要求1所述的燃气管道风险评估方法，其特征在于，所述步骤S1：获取燃气管道的三种特征数据及区域数据，其中，所述三种特征数据包括：燃气内部特征数据、燃气外部显性特征数据、燃气外部隐性特征数据，具体包括：
步骤S11：获取所述燃气内部特征数据，包括：燃气检查点ID、经纬度信息、材料、使用年限、压力、管道埋深、管道直径、事件标签；
步骤S12：获取所述燃气外部显性特征数据，包括：POI数据；
步骤S13：获取燃气外部隐性特征数据，包括：用户ID、日期、始发地ID、目的地ID；
步骤S14：获取区域数据，包括：区域ID、区域范围。
3.一种燃气管道风险评估系统，其特征在于，包括下述模块：
获取燃气管道特征数据模块，用于获取燃气管道的三种特征数据及区域数据，其中，所述三种特征数据包括：燃气内部特征数据、燃气外部显性特征数据、燃气外部隐性特征数据；
预处理模块，用于对所述三种特征数据进行预处理，生成预处理后的燃气管道的特征，具体包括：
步骤S21：根据所述燃气内部特征数据，构建燃气内部特征；同时，根据所述燃气管道的内部特征数据的经纬度信息和所述区域数据中的区域范围，确定燃气管道所在的区域范围；
步骤S22：根据所述燃气外部显性特征数据的POI数据经纬度信息，计算其与燃气管道之间的空间距离，对每条燃气管道数据选取与其距离最近的POI数据进行关联，得到燃气外部显性特征；
步骤S23：根据所述燃气外部隐性特征数据得到区域表征向量，具体包括：
步骤S231：根据所述燃气外部隐性特征的日期由早到晚排序，并根据用户ID进行分组，表示为；对于每个小组/>中每条数据仅包括始发地ID、目的地ID，并按顺序排列，得到每个用户的区域转移轨迹/>，/>，其中，/>表示区域ID，/>表示轨迹/>的长度；
步骤S232：使用Skip-gram模型构建序列表征模型，将每个用户的区域转移轨迹作为输入，训练所述序列表征模型，直到平均对数概率最大化，其中，平均对数概率的计算公式如下所示：
，
，
其中，表示轨迹/>的长度，C表示上下文窗口的大小，/>表示区域/>的向量表征；
步骤S233：使用训练好的所述序列表征模型得到每个区域的形状的表征向量，以表示；
构建燃气管道特征向量模块，用于将所述预处理后的燃气管道的特征进行关联，形成燃气管道特征向量，具体包括：
根据所述区域ID，将三种特征按照如下公式进行连接：
，
其中，||代表向量的连接操作，为燃气管道的特征向量；
构建及训练燃气管道风险评估模型模块，用于使用所述燃气管道特征向量训练燃气管道风险评估模型，具体包括：
步骤S41：构建所述燃气管道风险评估模型，该模型为一个包含3层隐藏层的全连接神经网络；
每层隐藏层的神经元数量如公式所示：
，
其中，所述隐藏层的激活函数使用relu函数，relu函数如下所示：
，
所述燃气管道风险评估模型的输出层为单神经元，其使用激活函数为sigmoid，输出的值域为（0,1），公式如下：
，
步骤S42：对于进行归一化，将所有字段取值缩放到0~1：
，
步骤S43：将输入所述燃气管道风险评估模型，输出预测值/>；同时构建损失函数/>：
，
其中，代表训练样本个数，/>为预设的超参数，/>为预测的标签，/>为真实的标签；
代表神经网络模型的层数；/>代表第i层网络的权重，/> 代表第i层网络的偏置。
CN202310529479.7A 2023-05-11 2023-05-11 一种燃气管道风险评估方法及系统 Active CN116258086B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310529479.7A CN116258086B (zh) 2023-05-11 2023-05-11 一种燃气管道风险评估方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310529479.7A CN116258086B (zh) 2023-05-11 2023-05-11 一种燃气管道风险评估方法及系统

Publications (2)

Publication Number Publication Date
CN116258086A CN116258086A (zh) 2023-06-13
CN116258086B true CN116258086B (zh) 2023-07-21

Family

ID=86684624

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310529479.7A Active CN116258086B (zh) 2023-05-11 2023-05-11 一种燃气管道风险评估方法及系统

Country Status (1)

Country Link
CN (1) CN116258086B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116539128B (zh) * 2023-06-26 2023-11-17 成都秦川物联网科技股份有限公司 智慧燃气超声波计量仪表准确度诊断方法及物联网系统
CN117037455B (zh) * 2023-10-09 2024-01-09 奥德集团有限公司 一种基于人工智能的燃气泄露警报系统及其方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20040103537A (ko) * 2003-05-29 2004-12-09 한국가스안전공사 도시 가스 배관의 안전 관리 방법
CN111612301A (zh) * 2020-04-17 2020-09-01 北京市燃气集团有限责任公司 基于权重自调节的燃气埋地管道泄漏风险评估方法及装置
CN111832924A (zh) * 2020-06-30 2020-10-27 北方工业大学 基于图神经网络的社区燃气系统动态风险评估方法及装置
CN112529265A (zh) * 2020-11-27 2021-03-19 安徽泽众安全科技有限公司 一种燃气管线综合风险评估、预测方法及系统
CN113988556A (zh) * 2021-10-20 2022-01-28 北京市燃气集团有限责任公司 燃气管道泄漏爆炸风险评价方法、装置、设备及计算机可读存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20040103537A (ko) * 2003-05-29 2004-12-09 한국가스안전공사 도시 가스 배관의 안전 관리 방법
CN111612301A (zh) * 2020-04-17 2020-09-01 北京市燃气集团有限责任公司 基于权重自调节的燃气埋地管道泄漏风险评估方法及装置
CN111832924A (zh) * 2020-06-30 2020-10-27 北方工业大学 基于图神经网络的社区燃气系统动态风险评估方法及装置
CN112529265A (zh) * 2020-11-27 2021-03-19 安徽泽众安全科技有限公司 一种燃气管线综合风险评估、预测方法及系统
CN113988556A (zh) * 2021-10-20 2022-01-28 北京市燃气集团有限责任公司 燃气管道泄漏爆炸风险评价方法、装置、设备及计算机可读存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
LS-SVM模型在城市燃气管道风险评估中的应用;王新颖;宋兴帅;杨泰旺;陈海群;王凯全;;消防科学与技术(11);全文 *

Also Published As

Publication number Publication date
CN116258086A (zh) 2023-06-13

Similar Documents

Publication Publication Date Title
CN116258086B (zh) 一种燃气管道风险评估方法及系统
Kumar et al. Deep learning–based automated detection of sewer defects in CCTV videos
US10126200B1 (en) Systems and methods for likelihood-based mapping of areas surveyed for gas leaks using mobile survey equipment
Zhou et al. A pipeline leak detection and localization approach based on ensemble TL1DCNN
CN110242865B (zh) 一种易于持续优化的燃气泄漏检测判定方法及系统
CN113518922A (zh) 用于评估管道状况的改进的方法
Sony et al. Multiclass damage identification in a full-scale bridge using optimally tuned one-dimensional convolutional neural network
CN110490125A (zh) 一种基于手势自动检测的加油区服务质量检测系统
Deng et al. An accurate, reproducible and robust model to predict the rutting of asphalt pavement: neural networks coupled with particle swarm optimization
Elbagalati et al. Development of an enhanced decision-making tool for pavement management using a neural network pattern-recognition algorithm
Anand A methodology of atmospheric deterioration forecasting and evaluation through data mining and business intelligence
Li et al. An accurate leakage localization method for water supply network based on deep learning network
Zhang et al. Social media meets big urban data: A case study of urban waterlogging analysis
Ye et al. A deep learning-based method for automatic abnormal data detection: Case study for bridge structural health monitoring
CN116662468A (zh) 基于地理对象空间模式特征的城市功能区识别方法及系统
Ke et al. New framework for automatic identification and quantification of freeway bottlenecks based on wavelet analysis
Bohorquez et al. Stochastic resonance enhancement for leak detection in pipelines using fluid transients and convolutional neural networks
Kumar et al. Determination of best criteria for evaluation of liquefaction potential of soil
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
Priyanka et al. Rank-based risk target data analysis using digital twin on oil pipeline network based on manifold learning
CN113111923A (zh) 一种基于一维迁移学习卷积神经网络集成模型的供水管网泄漏检测与定位方法
Huang et al. Dynamic seismic damage assessment of distributed infrastructure systems using graph neural networks and semi-supervised machine learning
CN115391746A (zh) 针对气象要素数据的插值方法、装置、电子设备及介质
CN111339446B (zh) 一种兴趣点挖掘方法、装置、电子设备和存储介质
Hong Assessing landslide susceptibility based on hybrid multilayer perceptron with ensemble 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
CB03 Change of inventor or designer information

Inventor after: Zhu Tongyu

Inventor after: Deng Zerong

Inventor after: Yu Le

Inventor after: Chen Lifeng

Inventor after: Huang Pan

Inventor after: Guo Shanni

Inventor before: Zhu Tongyu

Inventor before: Deng Zerong

Inventor before: Yu Le

Inventor before: Chen Lifeng

Inventor before: Huang Shan

Inventor before: Guo Shanni

CB03 Change of inventor or designer information
GR01 Patent grant
GR01 Patent grant