CN116881727B - 一种油气管道内检测数据管节自动对齐方法 - Google Patents

一种油气管道内检测数据管节自动对齐方法 Download PDF

Info

Publication number
CN116881727B
CN116881727B CN202310638281.2A CN202310638281A CN116881727B CN 116881727 B CN116881727 B CN 116881727B CN 202310638281 A CN202310638281 A CN 202310638281A CN 116881727 B CN116881727 B CN 116881727B
Authority
CN
China
Prior art keywords
many
pipe
automatic alignment
pipe joint
detection
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
CN202310638281.2A
Other languages
English (en)
Other versions
CN116881727A (zh
Inventor
仲凤呈
杨洋
邓远光
郑鸿瑞
赵艺
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.)
Sichuan Xinyang Anchuang Technology Co ltd
Original Assignee
Sichuan Xinyang Anchuang 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 Sichuan Xinyang Anchuang Technology Co ltd filed Critical Sichuan Xinyang Anchuang Technology Co ltd
Priority to CN202310638281.2A priority Critical patent/CN116881727B/zh
Publication of CN116881727A publication Critical patent/CN116881727A/zh
Application granted granted Critical
Publication of CN116881727B publication Critical patent/CN116881727B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/22Matching criteria, e.g. proximity measures
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/27Regression, e.g. linear or logistic regression
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/28Determining representative reference patterns, e.g. by averaging or distorting; Generating dictionaries
    • YGENERAL 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
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02PCLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30Computing systems specially adapted for manufacturing
    • YGENERAL 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
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02TCLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00Road transport of goods or passengers
    • Y02T10/10Internal combustion engine [ICE] based vehicles
    • Y02T10/40Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Pipeline Systems (AREA)

Abstract

本发明涉及一种油气管道内检测管节数据自动对齐方法,利用多批次的管道内检测数据,综合利用专家知识和自动对齐算法,在少量人工参与下利用自动对齐算法对不同批次管道内检测数据中的管节数据进行快速匹配,最终为管道缺陷对比提供基准参考信息。本发明研发了一种基于线性拟合的管道内检测管节数据自动对齐算法,能够有效克服由内检测设备及算法误差、以及管道自身变化造成的内检测数据特征偏移对管节对齐的影响,借助于少量专家知识人工辅助,能以较高程度自动化的方式实现多来源、多批次油气管道内检测数据的管节快速对齐,从而减少管道腐蚀数据综合分析的工作量,降低管道完整性评价工作中的主观性。

Description

一种油气管道内检测数据管节自动对齐方法
技术领域
本发明属于油气管道完整性管理领域,具体涉及一种油气管道内检测数据管节自动对齐方法。
背景技术
我国对石油和天然气能源的需求越来越大,被称作“国家重大生命线”的油气管道的安全运行也越来越受重视。为了摒弃落后的事故追究型管理,通过对管道进行检测与评价,管道完整性管理进入超前的事故预防型管理阶段。
管道完整性管理主要通过开展管道内检测、外检测和水压试验等方式进行。其中,由于内检测能直接检测管道内部的缺陷,是管道科学管理和运行维护的重要技术手段。通过对多批次内检测数据进行对比,不仅能够能掌握管道缺陷的现状和变化情况,还能对管道的剩余寿命进行预测,对管道整体安全进行评估和管控。
随着我国对管道完整性作用认识的不断提升,国内近年来也逐步开展油气管道内检测,部分管道已经进行了两轮甚至多轮内检测。在管道更换、改线等管道自身因素,或检测设备里程轮打滑、数据丢失等外部因素的共同影响下,不同批次内检测结果间存在难以配准的情况,这也直接阻碍了内检测数据在管道完整性管理中的应用深度。
对不同批次间管道内检测数据进行特征对齐,是开展管道新腐蚀点检测、活性腐蚀点识别、腐蚀增长率计算、腐蚀控制措施评估等后续缺陷评估的基础。目前,管道内检测数据对齐多采用人工解译或算法辅助人工的方式进行。人工解译虽然精度较高但耗时耗力,而自动算法多基于数据分布进行,存在方法单一等问题。由于换管、改线等管道自身原因,或是由检测服务商、检测起始位置和检测标准的不同,以及检测算法自身精度等因素限制,导致不同批次内检测数据的管节数据难以对齐,无法为后续缺陷评估提供一个基准。
发明内容
针对现有技术的不足,本发明提出了一种油气管道内检测数据管节自动对齐方法,在少量人工辅助下,利用一个基于线性拟合的自动对齐模型,能以较高的效率和精度实现不同批次内检测数据的管节对齐。基于线性拟合的自动对齐模型能够充分挖掘数据中可能存在的装备系统性误差或测量随机误差,具备处理由局部误差导致管节数据失准的能力。
为实现上述目的,本发明提供了如下方案:
一种油气管道内检测数据管节自动对齐方法,包括以下步骤:
S1:基于两期管道内检测数据,确定管节对齐的基准数据;
S2:基于所述基准数据,确定初始对齐管节;
S3:基于所述初始对齐管节,建立自动对齐模型;
S4:基于所述自动对齐模型,对管节进行连续自动对齐检测。
优选的,所述S3中,基于所述初始对齐管节,建立自动对齐模型的方法包括:
基于所述初始对齐管节,利用两期内检测数据中预设的前N个管节里程构成的数据点对,构建基于线性模型的自动对齐模型,其中,N为预设的模型初始化窗口大小。
优选的,所述S3中,所述自动对齐模型的表达式为:
其中,α为线性对齐模型的截距参数,β为线性对齐模型的斜率参数,ti为第i个管节匹配对中非基准检测批次里程,为第i个管节匹配对中非基准检测批次的模型预测里程。
优选的,所述S4中,利用建立的自动对齐模型对下一段管节是否存在一对一的对应关系进行判断,其中,管节对齐判断标准是对应段管节实际里程与自动对齐模型预测里程间的差异是否小于一个与自动对齐模型拟合误差相关的阈值。
优选的,所述S4中,所述管节对齐判断标准为:
其中,t(i+1)为第n+1个管节匹配对中基准检测批次里程,为自动对齐模型预测出的该管节非基准检测批次里程,RMSEOLS为自动对齐模型均方根误差,θ为阈值系数,通常基于数理统计原理中的经验准则设置为3,根据实际情况适当调整。
优选的,所述S4中,利用建立的自动对齐模型对下一段管节是否存在一对一的对应关系进行判断的方法包括:
S41:当管节无法对齐且所述管节存在一对多、多对一和多对多的对应关系,进行换管检测;
S42:当检测到换管后,利用新的匹配管节里程构成的数据点对构建新的自动对齐模型;利用新的自动对齐模型对下一个管节是否对齐进行检测;
S43:当管节无法对齐且所述管节不存在一对多、多对一和多对多的对应关系,进行改线检测;
S44:当检测到改线后,重复所述S1至所述S4,以迭代的方式,通过建立新的自动对齐模型实现管节的连续自动对齐检测;
S45:当任意一期检测数据中所有管节均完成对齐,或任意一期内检测数据的最后N个管节中检测出未对齐情况,完成管节对齐检测。
优选的,所述S41中,当管节无法对齐且所述管节存在一对多、多对一和多对多的对应关系,进行换管检测的方法包括:
当检测到下一段管节不存在一一对应关系时,以所述S4相关方法,利用自动对齐模型,通过遍历,判断该管节的两期检测数据是否存在一对多,多对一和多对多对应关系,以此判断管道是否发生换管。
优选的,所述S43中,当管节无法对齐且所述管节不存在一对多、多对一和多对多的对应关系,进行改线检测的方法包括:
利用自动对齐模型,通过特征管节查找、特征管段生成和特征管段匹配,检测到下一段管节不存在包括一对一、一对多,多对一和多对多在内的对应关系时,判断管道发生改线。
与现有技术相比,本发明的有益效果为:
本发明针对不同批次油气管道内检测数据间由于管道施工变动或设备误差等造成的数据失准问题,在少量人工辅助下建立一个基于线性拟合的自动对齐模型,利用基于模型均方根误差的阈值,以迭代的方式判断后续管节是否对齐。实际效果表明,本发明不仅能够降低油气管道内检测数据管节的人力和物力成本,提高油气管道完整性管理效率,还能尽量降低此过程中的主观性,提高管道完整性管理的科学性和可信度。
附图说明
为了更清楚地说明本发明的技术方案,下面对实施例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是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例中的一种油气管道内检测数据管节自动对齐方法流程示意图;
图2为本发明实施例中的线性自动对齐模型原理示意图;
图3为本发明实施例中的自动对齐算法对两期内检测数据管道对齐结果展示图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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做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。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例一
如图1所示,一种油气管道内检测数据管节自动对齐方法,包括以下步骤:
S1:基于两期管道内检测数据,获取管节对齐的基准数据;
S2:基于所述基准数据,获取初始对齐管节;
S3:基于所述初始对齐管节,建立自动对齐模型;
S4:基于所述自动对齐模型,对管节进行连续自动对齐检测。
在本实施例中,所述S1中,基于两期管道内检测数据,获取管节对齐的基准数据的方法包括:
利用专家知识,从两期内检测数据中人工选择以哪一期检测数据作为管节对齐的基准。
通常以第一次内检测后建立的管道基线作为对齐基准,在缺乏管道基线的情况下可以选择上一期的内检测数据,或是人工选择一期内检测数据作为对齐基准。
在本实施例中,所述S2中,基于所述基准数据,获取初始对齐管节的方法包括:
利用专家知识,以人工的方式判定两期内检测数据首个对齐的管节对。
由于不同批次内检测可能由不同公司从管道的不同位置开始,因此两次内检测数据间可能存在初始检测管节长度不同、里程不一的问题,导致两期内检测数据的首个管节间并不一定存在对应关系。因此,在执行自动对齐前,需要结合管道运维或内检测人员的专家知识,以人工方式确定两期内检测数据的初始对齐管节。
在本实施例中,如图2所示,所述S3中,基于所述初始对齐管节,建立自动对齐模型的方法包括:
基于所述初始对齐管节,利用两期内检测数据中预设的前N个管节里程构成的数据点对,构建基于线性模型的自动对齐模型。其中,N为预设的模型初始化窗口大小。
在本实施例中,在人工辅助对齐两期内检测数据初始管节的情况下,通过对比第2至第N段管节两期内检测数据长度是否一致或小于预设的阈值,从而自动判断两期内检测数据前N段管节是否存在一一对齐的对应关系。当前N段管节能够一一对齐时,管节里程形成的数据点对(match-up pairs)将被用于初始化一个线性模型,该模型公式如公式(1)所示。其中,N为设定的模型初始化窗口大小。
其中,α为线性对齐模型的截距参数,β为线性对齐模型的斜率参数,ti为第i个管节匹配对中非基准检测批次里程,为第i个管节匹配对中非基准检测批次的模型预测里程。
利用前N段匹配管节的数据点对构建线性模型的过程被称为自动对齐模型的初始化。N通常被设置为6,这是因为根据参考文献,只有当参与拟合的数据量超过模型参数数量的3倍时,才能保证模型拟合是非偏且健壮(robust)的。该模型将被用于后续管节的自动化对齐。
在本实施例中,如图3所示,所述S4中,利用建立的自动对齐模型对下一段管节是否存在一对一的对应关系进行判断,即利用拟合的线性自动对齐模型,根据第N+1段管节在基准检测中的里程对其在另一次检测中的里程长度,通过实际长度与模型预测长度间的差异是否小于一个与模型拟合误差相关的阈值,从而判断第N+1段管节在两期内检测数据间是否能够一一对应,并将这种对应视为对齐。
在本实施例中,所述S4中,定义判断标准的方法为:
在初始化自动对齐模型后,以该模型的均方根误差的θ倍作为阈值,通过下一段管节实际长度与模型预测值间差异是否超过该阈值,判断第N+1段管节两期内检测数据是否对齐。该过程的数学化表达如公式(2)所示。
其中,t(i+1)为第n+1个管节匹配对中基准检测批次里程,为自动对齐模型预测出的该管节非基准检测批次里程,RMSEOLS为自动对齐模型均方根误差。θ为阈值系数,通常基于数理统计原理中的经验准则(也称为3sigma准则)设置为3,也可根据实际情况适当调整。
在本实施例中,所述S4中,利用建立的自动对齐模型对下一段管节是否存在一对一的对应关系进行判断的方法包括:
S41:当管节无法对齐且所述管节存在一对多、多对一和多对多的对应关系,进行换管检测;
S42:当换管后,利用新的匹配管节里程构成的数据点对构建新的自动对齐模型;利用新的自动对齐模型检测下一个管节是否对齐;
S43:当管节无法对齐且所述管节不存在一对多、多对一和多对多的对应关系,进行改线检测;
S44:当检测到改线后,重复所述S1至所述S4,以迭代的方式,通过建立新的自动对齐模型实现管节的连续自动对齐检测;
S45:当任意一期检测数据中所有管节均完成对齐,或任意一期内检测数据的最后N个管节中检测出未对齐情况,完成管节对齐检测。
在本实施例中,所述S41中,当管节无法对齐且所述管节存在一对多、多对一和多对多的对应关系,进行换管检测的方法包括:
为保证油气管道的正常运行,会用新的管道替换严重腐蚀的管节或部分管节,这被称为换管。换管会导致管节长度发生变化,造成该管节两期内检测数据间的里程或长度存在显著差异。当建成的油气管道面临规划冲突、地质灾害威胁等因素时,会更改部分管节的架设线路,通过绕开危险地点的方式规避风险。由于管道改线会造成管节在相对和绝对里程或长度上失准,因此也是导致管节无法对齐的一个主要原因。
为识别管节是否发生换管,拟合的线性自动对齐模型在检测到第N+1段管节基准长度与模型预测值间的差异超过模型3倍均方根误差,即两期内检测数据不存在一一对应、无法对齐时,会利用该自动对齐模型,通过迭代的方式,判断两期未对齐管节及其周围多段管节构成的管节组合间是否存在对齐关系,即寻找该管节是否存在一对多、多对一和多对多的对应关系,并将这一对应关系视为管节发生了换管。
在本实施例中,所述S43中,当管节无法对齐且所述管节不存在一对多、多对一和多对多的对应关系,进行改线检测的方法包括:
当检测到管节无法对齐,且也未检测到该段管节存在一对多、多对多或多对一对应关系时,认为管道发生改线。由于管道改线完全改变了两期检测数据间的对应关系,因此在管节对齐时通常跳过改线管段,将对管道改线的识别变为寻找改线结束管节,即寻找下一段能够对齐管节。具体识别方法是根据管节长度找到特征管节,并取后续连续几段管节组成的特征管段,根据特征管段中每一段管节长度对两期检测数据进行匹配。若匹配成功,则以两期内检测数据中该特征管段首个管节作为对齐参考,根据管节长度,逆向进行一对一匹配,直到遇到不匹配的管节作为改线终点。
在本实施例中,当某段管节两期内检测数据能够对齐,即存在一对一、一对多、多对一和多对多对应关系的情况下,该段管节作为新的匹配管节对被纳入匹配管节对中,新的匹配管节里程构成的数据点对将被用于更新线性自动对齐模型,并重复S4,用更新后模型的三倍RMSE作为新的阈值对下一个管节是否对齐进行检测。
当检测到该段管节在两期内检测数据中无法对齐,即不存在一对一、一对多、多对一和多对多对应关系时,则从当前管节对开始重复S1至S4。通过建立新的线性自动对齐模型实现管节的连续自动对齐。
在本实施例中,当任意一期检测数据中所有管节均完成对齐,或任意一期内检测数据的最后N个管节中检测出未对齐情况,此时结束管节对齐。其中,N为预设的模型初始化窗口大小。
当最后N个管节中检测出未对齐情况时,由于剩余管节对数量不足以初始化新的自动对齐模型,因此基于专家知识,以人工的方式完成剩余管节对齐。
以上所述的实施例仅是对本发明优选方式进行的描述,并非对本发明的范围进行限定,在不脱离本发明设计精神的前提下,本领域普通技术人员对本发明的技术方案做出的各种变形和改进,均应落入本发明权利要求书确定的保护范围内。

Claims (4)

1.一种油气管道内检测数据管节自动对齐方法,其特征在于,包括以下步骤:
S1:基于两期管道内检测数据,确定管节对齐的基准数据;
S2:基于所述基准数据,确定初始对齐管节;
S3:基于所述初始对齐管节,建立自动对齐模型;
所述S3中,所述自动对齐模型的表达式为:
其中,/>为线性对齐模型的截距参数,/>为线性对齐模型的斜率参数,/>为第i个管节匹配对中非基准检测批次里程,/>为第i个管节匹配对中非基准检测批次的模型预测里程;
S4:基于所述自动对齐模型,对管节进行连续自动对齐检测;
所述S4中,利用建立的自动对齐模型对下一段管节是否存在一对一的对应关系进行判断,其中,管节对齐判断标准是对应段管节实际里程与自动对齐模型预测里程间的差异是否小于一个与自动对齐模型拟合误差相关的阈值;
所述S4中,所述管节对齐判断标准为:
其中,/>为第n+1个管节匹配对中基准检测批次里程,/>为自动对齐模型预测出的该管节非基准检测批次里程,/>为自动对齐模型均方根误差,/>为阈值系数,通常基于数理统计原理中的经验准则设置为3,根据实际情况适当调整;
所述S4中,利用建立的自动对齐模型对下一段管节是否存在一对一的对应关系进行判断的方法包括:
S41:当管节无法对齐且所述管节存在一对多、多对一和多对多的对应关系,进行换管检测;
S42:当检测到换管后,利用新的匹配管节里程构成的数据点对构建新的自动对齐模型;利用新的自动对齐模型对下一个管节是否对齐进行检测;
S43:当管节无法对齐且所述管节不存在一对多、多对一和多对多的对应关系,进行改线检测;
S44:当检测到改线后,重复所述S1至所述S4,以迭代的方式,通过建立新的自动对齐模型实现管节的连续自动对齐检测;
S45:当任意一期检测数据中所有管节均完成对齐,或任意一期内检测数据的最后N个管节中检测出未对齐情况,完成管节对齐检测。
2.根据权利要求1所述的油气管道内检测数据管节自动对齐方法,其特征在于,所述S3中,基于所述初始对齐管节,建立自动对齐模型的方法包括:
基于所述初始对齐管节,利用两期内检测数据中预设的前N个管节里程构成的数据点对,构建基于线性模型的自动对齐模型,其中,N为预设的模型初始化窗口大小。
3.根据权利要求1所述的油气管道内检测数据管节自动对齐方法,其特征在于,所述S41中,当管节无法对齐且所述管节存在一对多、多对一和多对多的对应关系,进行换管检测的方法包括:
当检测到下一段管节不存在一一对应关系时,以所述S4相关方法,利用自动对齐模型,通过遍历,判断该管节的两期检测数据是否存在一对多,多对一和多对多对应关系,以此判断管道是否发生换管。
4.根据权利要求1所述的油气管道内检测数据管节自动对齐方法,其特征在于,所述S43中,当管节无法对齐且所述管节不存在一对多、多对一和多对多的对应关系,进行改线检测的方法包括:
利用自动对齐模型,通过特征管节查找、特征管段生成和特征管段匹配,检测到下一段管节不存在包括一对一、一对多,多对一和多对多在内的对应关系时,判断管道发生改线。
CN202310638281.2A 2023-06-01 2023-06-01 一种油气管道内检测数据管节自动对齐方法 Active CN116881727B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310638281.2A CN116881727B (zh) 2023-06-01 2023-06-01 一种油气管道内检测数据管节自动对齐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310638281.2A CN116881727B (zh) 2023-06-01 2023-06-01 一种油气管道内检测数据管节自动对齐方法

Publications (2)

Publication Number Publication Date
CN116881727A CN116881727A (zh) 2023-10-13
CN116881727B true CN116881727B (zh) 2024-02-13

Family

ID=88270464

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310638281.2A Active CN116881727B (zh) 2023-06-01 2023-06-01 一种油气管道内检测数据管节自动对齐方法

Country Status (1)

Country Link
CN (1) CN116881727B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105303045A (zh) * 2015-10-27 2016-02-03 中国石油天然气股份有限公司 一种长输管道线性数据关联规则挖掘方法
CN105354257A (zh) * 2015-10-22 2016-02-24 中国石油天然气股份有限公司 一种管道本体数据的里程与地理空间坐标拟合方法
CN111159639A (zh) * 2018-11-07 2020-05-15 中国石油化工股份有限公司 一种管道内检测数据对齐方法及装置
CN111433557A (zh) * 2017-11-30 2020-07-17 康宁股份有限公司 管道尺寸测量系统
CN111665342A (zh) * 2019-03-07 2020-09-15 中国石油化工股份有限公司 一种管道内检测数据分析系统
CN112734685A (zh) * 2019-10-14 2021-04-30 中国石油天然气股份有限公司 一种管道焊缝信息识别方法
CN113032380A (zh) * 2021-03-25 2021-06-25 中国石油管道局工程有限公司 管道内外检测数据对齐方法、系统及设备
CN114692442A (zh) * 2022-03-02 2022-07-01 郑州大学 一种环向对齐相邻缺陷管道失效压力评估方法
CN115081485A (zh) * 2022-07-04 2022-09-20 中特检深燃安全技术服务(深圳)有限公司 一种基于ai的漏磁内检测数据自动分析方法
CN115095736A (zh) * 2022-06-21 2022-09-23 安徽省特种设备检测院 一种管道内检测方法
CN115525636A (zh) * 2022-10-13 2022-12-27 国家管网集团北方管道有限责任公司沈阳检测技术分公司 气体长输管道漏磁内检测数据多轮对齐方法和装置

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105354257A (zh) * 2015-10-22 2016-02-24 中国石油天然气股份有限公司 一种管道本体数据的里程与地理空间坐标拟合方法
CN105303045A (zh) * 2015-10-27 2016-02-03 中国石油天然气股份有限公司 一种长输管道线性数据关联规则挖掘方法
CN111433557A (zh) * 2017-11-30 2020-07-17 康宁股份有限公司 管道尺寸测量系统
CN111159639A (zh) * 2018-11-07 2020-05-15 中国石油化工股份有限公司 一种管道内检测数据对齐方法及装置
CN111665342A (zh) * 2019-03-07 2020-09-15 中国石油化工股份有限公司 一种管道内检测数据分析系统
CN112734685A (zh) * 2019-10-14 2021-04-30 中国石油天然气股份有限公司 一种管道焊缝信息识别方法
CN113032380A (zh) * 2021-03-25 2021-06-25 中国石油管道局工程有限公司 管道内外检测数据对齐方法、系统及设备
CN114692442A (zh) * 2022-03-02 2022-07-01 郑州大学 一种环向对齐相邻缺陷管道失效压力评估方法
CN115095736A (zh) * 2022-06-21 2022-09-23 安徽省特种设备检测院 一种管道内检测方法
CN115081485A (zh) * 2022-07-04 2022-09-20 中特检深燃安全技术服务(深圳)有限公司 一种基于ai的漏磁内检测数据自动分析方法
CN115525636A (zh) * 2022-10-13 2022-12-27 国家管网集团北方管道有限责任公司沈阳检测技术分公司 气体长输管道漏磁内检测数据多轮对齐方法和装置

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
基于不同内检测数据的对齐与分析研究;王波等;《管道技术与设备》;第24-27页 *
基于多源异构数据融合分析的长输管道泄漏预测;周汉权等;《化工机械》;第9-15页 *
油气管道多轮内检测数据对齐算法研究及应用;杨贺等;《管道技术与设备》;第21-28页 *
管道内检测数据对齐方法与应用;孙鹏等;《油气储运》;第151-156页 *
管道内检测数据对齐方法及腐蚀安全评价;纪翔等;《化工安全与环境》;第60-65页 *
管道内检测数据对齐研究及应用;胡朋等;《中国特种安全设备》;第14-18页 *
长输管道内检测数据的对齐及综合分析;胡朋等;《无损检测》;第36-39页 *

Also Published As

Publication number Publication date
CN116881727A (zh) 2023-10-13

Similar Documents

Publication Publication Date Title
CN111159639B (zh) 一种管道内检测数据对齐方法及装置
CN115525636B (zh) 气体长输管道漏磁内检测数据多轮对齐方法和装置
CN108460230A (zh) 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
CN112255238A (zh) 一种基于三维激光扫描的油气管道外表面腐蚀及凹坑缺陷的自动识别与智能评价方法
CN112097125B (zh) 一种基于自适应校核的供水管网爆管侦测及定位方法
CN108804537B (zh) 一种内检测数据对齐的方法
CN111665342A (zh) 一种管道内检测数据分析系统
CN115577814B (zh) 一种溶蚀检测及修复方法及系统
Zhang et al. An efficient methodology for the reliability analysis of corroding pipelines
CN116881727B (zh) 一种油气管道内检测数据管节自动对齐方法
CN114091320A (zh) 一种天然气管道腐蚀失效时间预测方法及装置
CN116596302A (zh) 基于动态分析的埋地钢制燃气管道检验周期确定方法、电子设备和存储介质
CN113705609A (zh) 一种油气管道风险判定模型的构建方法和装置
Kariyawasam et al. Effective improvements to reliability based corrosion management
CN108151693A (zh) 管道斜接特征的确定方法及装置
CN116221626A (zh) 一种基于数学模型的热力管道泄漏检测定位方法及系统
CN113112024B (zh) 一种随机多裂纹随机扩展的预测与控制方法及系统
CN115081485A (zh) 一种基于ai的漏磁内检测数据自动分析方法
Wang et al. Optimal inspection and maintenance plans for corroded pipelines
Wright et al. Evaluation of Corrosion Growth Prediction Methodologies Using Burst Pressure Comparisons From Repeated In-Line Inspections
Kariyawasam et al. Useful trends for predicting corrosion growth
Din et al. Improving inspection data quality in pipeline corrosion assessment
Cui Algorithm and Application of Pipeline In-Line Inspection Data Alignment
CN111595569B (zh) 一种蒸汽管道不停车检测方法
CN114036686A (zh) 一种在役核电站核级管道壁厚的评价方法及评价装置

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