CN117195664A - 一种地下管线监测预警方法和系统 - Google Patents
一种地下管线监测预警方法和系统 Download PDFInfo
- Publication number
- CN117195664A CN117195664A CN202311466748.6A CN202311466748A CN117195664A CN 117195664 A CN117195664 A CN 117195664A CN 202311466748 A CN202311466748 A CN 202311466748A CN 117195664 A CN117195664 A CN 117195664A
- Authority
- CN
- China
- Prior art keywords
- curve
- data
- pipeline
- monitoring
- matrix
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 135
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000012545 processing Methods 0.000 claims abstract description 25
- 239000000835 fiber Substances 0.000 claims abstract description 14
- 239000011159 matrix material Substances 0.000 claims description 66
- 238000012549 training Methods 0.000 claims description 61
- 238000012360 testing method Methods 0.000 claims description 57
- 230000008569 process Effects 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 11
- 238000006073 displacement reaction Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 4
- 238000012821 model calculation Methods 0.000 claims description 4
- 238000004088 simulation Methods 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims 1
- 230000036541 health Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 7
- 230000015654 memory Effects 0.000 description 6
- 238000010276 construction Methods 0.000 description 5
- 239000002689 soil Substances 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 239000013307 optical fiber Substances 0.000 description 4
- 239000000463 material Substances 0.000 description 3
- 238000009412 basement excavation Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000011435 rock Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000009933 burial Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000004927 clay Substances 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005536 corrosion prevention Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000002737 fuel gas Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Landscapes
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明涉及管线应变监测和结构安全预警技术领域,尤其涉及一种地下管线监测预警方法和系统,所述方法包括:S1、获取待监测地下管线各监测点的监测数据;S2、对所述监测数据进行标准化处理;S3、将标准化处理后的监测数据输入预先训练完成的KNN模型,预测各监测数据对应的标签参数;S4、将已知的各监测点的标签参数与模型预测的标签参数进行对比,全部或部分参数吻合则进行预警。本发明使用简单布置的分布式光纤光栅传感器,利用少量监测数据,即可实现全面监测地下管线的整体状态和健康状况,并对危险状态进行预警。
Description
技术领域
本发明涉及管线应变监测和结构安全预警技术领域,尤其涉及一种地下管线监测预警方法和系统。
背景技术
在城市地下,大量的管线布设在地下深处,它们是城市的生命线,负责电力、通信、燃气、水的传输。随着城市的发展,基坑开挖、隧道盾构以及桩基施工等地下工程日益增多,可能对附近的管线产生影响,可能会导致管线的形变、破裂、泄漏等,不仅影响管线自身的功能,还可能对周边环境和人身安全造成威胁。因此,对上述环境附近的管线进行有效的监测和管理,是保障管线安全运行的重要手段。
目前,在地下管线监测方面应用最为广泛的技术是基于管内输送介质的流量及压力对管线进行监测,其工作原理是在被监测管线两端布置流量及压力传感器,获得管内输送介质的实时数据,将两点的数据进行对比,若流入端的流量及介质压力大于流出端数据,则必然被监测管道发生泄漏。但是现有的地下
管线结构安全监测体系存在以下不足:
监测的局限性:目前的监测方法往往只能监测管线的某些特定参数,例如压力、应变、位移等,而难以全面监测管线的整体状态和健康状况。
数据处理的不足:现有的监测系统会产生大量的数据,但数据处理方面存在不足,例如数据清洗、异常值处理、特征提取等,影响了数据的准确性和可靠性,难以有效地转化为有用的信息和知识。
监测设备的布置繁琐:现有管线监测技术更多是服务于新建管线,对于在役管线,要使用这些方法就不得不将管线挖出在其表面铺设传感器。
监测的成本问题:管线结构安全监测需要投入大量的人力、物力和财力,但现有的监测体系缺乏对成本的有效管理和控制,这可能导致监测成本过高,从而影响管线的经济效益。
因此,现有的地下管线结构安全监测体系仍存在很多局限性,需要进一步改进和完善。
发明内容
本发明提供了一种地下管线监测预警方法和系统,用以解决现有技术存在的问题,本发明提供的技术方案如下:
一方面,提供了一种地下管线监测预警方法,所述方法包括:
S1、获取待监测地下管线各监测点的监测数据;
S2、对所述监测数据进行标准化处理;
S3、将标准化处理后的监测数据输入预先训练完成的KNN模型,预测各监测数据对应的标签参数;
S4、将已知的各监测点的标签参数与模型预测的标签参数进行对比,全部或部分参数吻合则进行预警。
另一方面,提供了一种地下管线监测预警系统,所述系统包括:
获取模块,用于获取待监测地下管线各监测点的监测数据;
标准化处理模块,用于对所述监测数据进行标准化处理;
预测模块,用于将标准化处理后的监测数据输入预先训练完成的KNN模型,预测各监测数据对应的标签参数;
预警模块,用于将已知的各监测点的标签参数与模型预测的标签参数进行对比,全部或部分参数吻合则进行预警。
另一方面,提供了一种电子设备,所述电子设备包括处理器和存储器,所述存储器中存储有指令,所述指令由所述处理器加载并执行以实现上述地下管线监测预警方法。
另一方面,提供了一种计算机可读存储介质,所述存储介质中存储有指令,所述指令由处理器加载并执行以实现上述地下管线监测预警方法。
上述技术方案,与现有技术相比至少具有如下有益效果:
本发明使用简单布置的分布式光纤光栅传感器,利用少量监测数据(管线顶部应变监测数据),即可实现全面监测地下管线(包括新建管线和在役管线)的整体状态和健康状况,并对危险状态进行预警。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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为本发明实施例提供的一种地下管线监测预警方法流程图;
图2为本发明实施例提供的一种地下管线监测预警方法详细流程图;
图3为本发明实施例提供的监测布点平面示意图;
图4为本发明实施例提供的监测布点三维示意图;
图5为本发明实施例提供的KNN模型训练示意图;
图6为本发明实施例提供的同一管线在同种荷载作用下不同应力指标下管线上部应变曲线图;
图7为本发明实施例提供的一种地下管线监测预警系统框图;
图8是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例的附图,对本发明实施例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的一部分实施例,而不是全部的实施例。基于所描述的本发明的实施例,本领域普通技术人员在无需创造性劳动的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。
如图1所示,本发明实施例提供了一种地下管线监测预警方法,所述方法包括:
S1、获取待监测地下管线各监测点的监测数据;
S2、对所述监测数据进行标准化处理;
S3、将标准化处理后的监测数据输入预先训练完成的KNN模型,预测各监测数据对应的标签参数;
S4、将已知的各监测点的标签参数与模型预测的标签参数进行对比,全部或部分参数吻合则进行预警。
下面结合图2-图6,详细说明本发明实施例提供的一种地下管线监测预警方法,包括:
S1、获取待监测地下管线各监测点的监测数据;
可选地,所述S1,具体包括:
S11、确定待监测地下管线位置,以管线一端为原点,沿管线走向在其上部路面每隔一段距离开孔使管线上表面露出;
S12、在开孔位置对应的管线上表面安装分布式光纤光栅传感器,使用所述分布式光纤光栅传感器对各监测点进行监测,获取监测数据( ),/>表示以待监测地下管线一端为原点,各监测点/>沿管线的坐标,/>为各监测点监测到的应变值。
具体的,如图3和4所示为本发明实施例的监测布点平面示意图和三维示意图,监测过程包括:
第一步、安装分布式光纤光栅传感器
通过现存图纸资料确定管线位置,图纸缺失的管线可借助感应法、夹钳法、地质雷达法等现有技术手段探明管线走向,以待监测地下管线一端为原点,沿管线走向在其上部路面每隔一段距离开孔使管线上表面露出。
监测孔之间的路面上需刻下窄槽,开孔范围不宜过大,便于安装分布式光纤光栅传感器即可,开孔距离视实际工程需求而定,窄槽宽度以可容纳光纤为准。
在开孔位置对应的管线上表面安装分布式光纤光栅传感器;光纤置于窄槽内,上覆保护材料,避免光纤受来往车辆碾压造成破坏;监测点布置完成后连接采集仪确定各点位传感器连线无中断,传感器完好后,将开孔回填,避免孔洞对管线结构的影响,导致局部应变过大,造成监测结果偏大。
第二步、现场实验检验
传感器安装完成后,进行简易堆载实验来检验传感器安装是否存在松动、接触不良等现象,确保监测点可靠。
第三步、正式施工监测
使用所述分布式光纤光栅传感器对各监测点进行监测,获取监测数据(),/>表示以待监测地下管线一端为原点,各监测点/>沿管线的坐标,/>为各监测点监测到的应变值。
S2、对所述监测数据进行标准化处理;
可选地,所述S2,具体包括:
使用Min-Max标准化公式对所述监测数据进行标准化处理,所述Min-Max标准化公式如下:
其中,为标准化后的特征值;/>为原始特征值,包括/>和/>,对监测数据的两个维度的特征分别进行标准化;/>为所述KNN模型的训练矩阵中各个特征的最大值及最小值。
S3、将标准化处理后的监测数据输入预先训练完成的KNN模型,预测各监测数据对应的标签参数;
KNN模型是一种监督学习算法,用于解决分类和回归问题。它基于一个简单而直观的思想:如果一个样本在特征空间中的k个最近邻中的大多数属于某个类别(标签),那么该样本很可能也属于这个类别(标签)。KNN模型不会对数据进行参数化建模,而是依赖于实例之间的相似性来进行预测。KNN模型的训练过程严格意义上讲不是训练,而是使用训练矩阵和测试矩阵对KNN模型进行训练和评估,从而确定K值。
可选地,如图5所示,所述KNN模型的预先训练过程,包括:
利用有限元仿真模拟,计算得到不同荷载组合下不同管线应力或位移达到其许用、损伤或破坏阈值时,管线上部外表面沿管线轴向不同位置的应变曲线,共有M条,对所述应变曲线进行平滑处理,并附上曲线标签,包括管道标签参数及荷载标签参数,将各条应变曲线和对应的曲线标签构成数据库;
其中管道标签(P)包括如下至少一种:
管径(Pd)、壁厚(Pt)、管材(Pm)、管龄(PT)、管长(Pl)、接口类型(Pi)、管道防腐类型(Pc)、埋深(Ph)、覆土类型(Ps)及运行压力(Pp)等;
而荷载标签(L)视具体施工活动而定,以基坑开挖为例,荷载标签包括如下至少一种:
开挖深度(Lh)、开挖长度(Ll)、开挖宽度(Lw)、基坑与管线之间的水平距离(Ld)、基坑支护方式(Ls)、地面堆载与管线之间的距离(LD)、地面堆载长度(LL)、地面堆载宽度(LW)及地面堆载高度(LH)。
同一管线在同种荷载作用下不同应力指标下管线上部应变曲线如图6所示(图6以应力达到其许用、损伤或破坏阈值为例,位移达到其许用、损伤或破坏阈值时的应变曲线类似),从图中可以看出各数据点横轴值和纵轴值的尺度范围相距较大,为了加快模型的收敛速度、减少距离计算的偏差,对数据库中M条应变曲线上各离散点数据(),使用Min-Max标准化公式进行标准化处理,/>表示各曲线,/>表示每条曲线上各离散点,Min-Max标准化公式如下: />
式中,为标准化后的特征值;/>为原始特征值,包括/>和/>,/>表示各曲线,/>表示每条曲线上各离散点;/>为KNN模型的训练矩阵中各个特征的最大值及最小值。
将曲线标签进行分类编码转化为数值形式(以管道标签(P)中覆土类型(Ps)为例,常见的覆土类型有粘性土、粉土、碎石土、软质岩、表面粗糙的硬质岩及中粗砾砂,按上述顺序从1到6进行编号),再将每条曲线的曲线标签赋值于曲线上的每个离散点上,并转换为可供KNN模型使用的数值矩阵形式,假设每条应变曲线有k个数据离散点,则所述数值矩阵如下所示:
;
将数据库中的曲线数据作为训练集的训练矩阵,从训练集中随机抽取N条曲线数据,对抽取出的每一条曲线进行线性插值得到个离散点,由这/>个离散点组成每条曲线的测试数据,N条这样的测试数据组成测试矩阵,如下所示:
使用所述训练矩阵和测试矩阵对KNN模型进行训练和评估。
可选地,所述使用所述训练矩阵和测试矩阵对KNN模型进行训练和评估,具体包括:
初始化KNN模型的K值(比如初始K值取为1);
将每一条曲线上数据点放入特征空间中,通过计算测试矩阵中曲线上数据点与训练矩阵中每个曲线上的点的距离来确定K个最近邻,距离计算公示如下:
式中,为训练矩阵中曲线数据上某一点对应在管线上表面坐标值;
为测试矩阵中曲线数据上某一点对应在管线上表面坐标值;
为训练矩阵中曲线数据上/>对应的应变值;
为测试测试中曲线数据上/>对应的应变值;
基于K个最近邻的标签,采用多数投票法来确定测试矩阵中数据点的标签,再由测试矩阵中测试曲线上多个离散点的标签,继续采用多数投票法确定出这条测试曲线的标签;
将通过KNN模型计算得到的测试曲线的标签,与抽取的测试曲线的标签比较,使用准确率和/或召回率作为指标来衡量模型的精度,若准确率和/或召回率达到预设值时,模型训练完成,否则调整K值(比如K=K+2),重复上述训练过程。
式中,表示测试矩阵中返回标签准确的曲线条数;
表示训练矩阵中除去返回标签准确的曲线条数;
表示测试矩阵中返回标签错误的曲线条数。
由于=M、/>=N,则:
S4、将已知的各监测点的标签参数与模型预测的标签参数进行对比,全部或部分参数吻合则进行预警。
具体的,将已知的各监测点的标签参数(通过地下管线的施工图纸或一些检测手段可以获得,但是可能获得的是部分标签参数)与模型预测的标签参数进行对比,全部或部分参数吻合则进行预警;不吻合,则该监测点地下管线安全;若某个监测点的管线标签参数都未知,为保险起见系统直接预警。
如图7所示,本发明实施例还提供了一种地下管线监测预警系统,所述系统包括:
获取模块710,用于获取待监测地下管线各监测点的监测数据;
标准化处理模块720,用于对所述监测数据进行标准化处理;
预测模块730,用于将标准化处理后的监测数据输入预先训练完成的KNN模型,预测各监测数据对应的标签参数;
预警模块740,用于将已知的各监测点的标签参数与模型预测的标签参数进行对比,全部或部分参数吻合则进行预警。
可选地,所述获取模块,具体用于:
确定待监测地下管线位置,以管线一端为原点,沿管线走向在其上部路面每隔一段距离开孔使管线上表面露出;
在开孔位置对应的管线上表面安装分布式光纤光栅传感器,使用所述分布式光纤光栅传感器对各监测点进行监测,获取监测数据(),/> 表示以待监测地下管线一端为原点,各监测点/>沿管线的坐标,/>为各监测点监测到的应变值。
可选地,所述标准化处理模块,具体用于:
使用Min-Max标准化公式对所述监测数据进行标准化处理,所述Min-Max标准化公式如下:
其中,为标准化后的特征值;/>为原始特征值,包括/>和/>,对监测数据的两个维度的特征分别进行标准化;/>为所述KNN模型的训练矩阵中各个特征的最大值及最小值。
可选地,所述系统还包括训练模块,用于:
利用有限元仿真模拟,计算得到不同荷载组合下不同管线应力或位移达到其许用、损伤或破坏阈值时,管线上部外表面沿管线轴向不同位置的应变曲线,共有M条,对所述应变曲线进行平滑处理,并附上曲线标签,包括管道标签参数及荷载标签参数,将各条应变曲线和对应的曲线标签构成数据库;
对数据库中M条应变曲线上各离散点数据(),使用Min-Max标准化公式进行标准化处理,/>表示各曲线,/>表示每条曲线上各离散点,将曲线标签进行分类编码转化为数值形式,再将每条曲线的曲线标签赋值于曲线上的每个离散点上,并转换为可供KNN模型使用的数值矩阵形式,假设每条应变曲线有k个数据离散点,则所述数值矩阵如下所示:
;
将数据库中的曲线数据作为训练集的训练矩阵,从训练集中随机抽取N条曲线数据,对抽取出的每一条曲线进行线性插值得到个离散点,由这/>个离散点组成每条曲线的测试数据,N条这样的测试数据组成测试矩阵,如下所示:
使用所述训练矩阵和测试矩阵对KNN模型进行训练和评估。
可选地,所述训练模块,具体用于:初始化KNN模型的K值;
将每一条曲线上数据点放入特征空间中,通过计算测试矩阵中曲线上数据点与训练矩阵中每个曲线上的点的距离来确定K个最近邻,距离计算公示如下:
式中,为训练矩阵中曲线数据上某一点对应在管线上表面坐标值;
为测试矩阵中曲线数据上某一点对应在管线上表面坐标值;
为训练矩阵中曲线数据上/>对应的应变值;
为测试测试中曲线数据上/>对应的应变值;
基于K个最近邻的标签,采用多数投票法来确定测试矩阵中数据点的标签,再由测试矩阵中测试曲线上多个离散点的标签,继续采用多数投票法确定出这条测试曲线的标签;
将通过KNN模型计算得到的测试曲线的标签,与抽取的测试曲线的标签比较,使用准确率或召回率作为指标来衡量模型的精度,若准确率或召回率达到预设值时,模型训练完成,否则调整K值,重复上述训练过程。
本发明实施例提供的一种地下管线监测预警系统,其功能结构与本发明实施例提供的一种地下管线监测预警方法相对应,在此不再赘述。
图8是本发明实施例提供的一种电子设备800的结构示意图,该电子设备800可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(centralprocessing units,CPU)801和一个或一个以上的存储器802,其中,所述存储器802中存储有指令,所述指令由所述处理器801加载并执行以实现上述地下管线监测预警方法的步骤。
在示例性实施例中,还提供了一种计算机可读存储介质,例如包括指令的存储器,上述指令可由终端中的处理器执行以完成上述地下管线监测预警方法。例如,所述计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种地下管线监测预警方法,其特征在于,所述方法包括:
S1、获取待监测地下管线各监测点的监测数据;
S2、对所述监测数据进行标准化处理;
S3、将标准化处理后的监测数据输入预先训练完成的KNN模型,预测各监测数据对应的标签参数;
S4、将已知的各监测点的标签参数与模型预测的标签参数进行对比,全部或部分参数吻合则进行预警。
2.根据权利要求1所述的方法,其特征在于,所述S1,具体包括:
S11、确定待监测地下管线位置,以管线一端为原点,沿管线走向在其上部路面每隔一段距离开孔使管线上表面露出;
S12、在开孔位置对应的管线上表面安装分布式光纤光栅传感器,使用所述分布式光纤光栅传感器对各监测点进行监测,获取监测数据(),/>表示以待监测地下管线一端为原点,各监测点/> 沿管线的坐标,/>为各监测点监测到的应变值。
3.根据权利要求2所述的方法,其特征在于,所述S2,具体包括:
使用Min-Max标准化公式对所述监测数据进行标准化处理,所述Min-Max标准化公式如下:
;
其中,为标准化后的特征值;/>为原始特征值,包括/>和/>,对监测数据的两个维度的特征分别进行标准化;/>为所述KNN模型的训练矩阵中各个特征的最大值及最小值。
4.根据权利要求1所述的方法,其特征在于,所述KNN模型的预先训练过程,包括:
利用有限元仿真模拟,计算得到不同荷载组合下不同管线应力或位移达到其许用、损伤或破坏阈值时,管线上部外表面沿管线轴向不同位置的应变曲线,共有M条,对所述应变曲线进行平滑处理,并附上曲线标签,包括管道标签参数及荷载标签参数,将各条应变曲线和对应的曲线标签构成数据库;
对数据库中M条应变曲线上各离散点数据(),使用Min-Max标准化公式进行标准化处理,/>表示各曲线,/>表示每条曲线上各离散点,将曲线标签进行分类编码转化为数值形式,再将每条曲线的曲线标签赋值于曲线上的每个离散点上,并转换为可供KNN模型使用的数值矩阵形式,假设每条应变曲线有k个数据离散点,则所述数值矩阵如下所示:
;
将数据库中的曲线数据作为训练集的训练矩阵,从训练集中随机抽取N条曲线数据,对抽取出的每一条曲线进行线性插值得到个离散点,由这/>个离散点组成每条曲线的测试数据,N条这样的测试数据组成测试矩阵,如下所示:
;
使用所述训练矩阵和测试矩阵对KNN模型进行训练和评估。
5.根据权利要求4所述的方法,其特征在于,所述使用所述训练矩阵和测试矩阵对KNN模型进行训练和评估,具体包括:
初始化KNN模型的K值;
将每一条曲线上数据点放入特征空间中,通过计算测试矩阵中曲线上数据点与训练矩阵中每个曲线上的点的距离来确定K个最近邻,距离计算公示如下:
;
式中,为训练矩阵中曲线数据上某一点对应在管线上表面坐标值;
为测试矩阵中曲线数据上某一点对应在管线上表面坐标值;
为训练矩阵中曲线数据上/>对应的应变值;
为测试测试中曲线数据上/>对应的应变值;
基于K个最近邻的标签,采用多数投票法来确定测试矩阵中数据点的标签,再由测试矩阵中测试曲线上多个离散点的标签,继续采用多数投票法确定出这条测试曲线的标签;
将通过KNN模型计算得到的测试曲线的标签,与抽取的测试曲线的标签比较,使用准确率和/或召回率作为指标来衡量模型的精度,若准确率和/或召回率达到预设值时,模型训练完成,否则调整K值,重复上述训练过程。
6.一种地下管线监测预警系统,其特征在于,所述系统包括:
获取模块,用于获取待监测地下管线各监测点的监测数据;
标准化处理模块,用于对所述监测数据进行标准化处理;
预测模块,用于将标准化处理后的监测数据输入预先训练完成的KNN模型,预测各监测数据对应的标签参数;
预警模块,用于将已知的各监测点的标签参数与模型预测的标签参数进行对比,全部或部分参数吻合则进行预警。
7.根据权利要求6所述的系统,其特征在于,所述获取模块,具体用于:
确定待监测地下管线位置,以管线一端为原点,沿管线走向在其上部路面每隔一段距离开孔使管线上表面露出;
在开孔位置对应的管线上表面安装分布式光纤光栅传感器,使用所述分布式光纤光栅传感器对各监测点进行监测,获取监测数据(),/>表示以待监测地下管线一端为原点,各监测点/> 沿管线的坐标,/>为各监测点监测到的应变值。
8.根据权利要求7所述的系统,其特征在于,所述标准化处理模块,具体用于:
使用Min-Max标准化公式对所述监测数据进行标准化处理,所述Min-Max标准化公式如下:
;
其中,为标准化后的特征值;/>为原始特征值,包括/>和/>,对监测数据的两个维度的特征分别进行标准化;/>为所述KNN模型的训练矩阵中各个特征的最大值及最小值。
9.根据权利要求6所述的系统,其特征在于,所述系统还包括训练模块,用于:
利用有限元仿真模拟,计算得到不同荷载组合下不同管线应力或位移达到其许用、损伤或破坏阈值时,管线上部外表面沿管线轴向不同位置的应变曲线,共有M条,对所述应变曲线进行平滑处理,并附上曲线标签,包括管道标签参数及荷载标签参数,将各条应变曲线和对应的曲线标签构成数据库;
对数据库中M条应变曲线上各离散点数据(),使用Min-Max标准化公式进行标准化处理,/>表示各曲线,/>表示每条曲线上各离散点,将曲线标签进行分类编码转化为数值形式,再将每条曲线的曲线标签赋值于曲线上的每个离散点上,并转换为可供KNN模型使用的数值矩阵形式,假设每条应变曲线有k个数据离散点,则所述数值矩阵如下所示:
;
将数据库中的曲线数据作为训练集的训练矩阵,从训练集中随机抽取N条曲线数据,对抽取出的每一条曲线进行线性插值得到个离散点,由这/>个离散点组成每条曲线的测试数据,N条这样的测试数据组成测试矩阵,如下所示:
;
使用所述训练矩阵和测试矩阵对KNN模型进行训练和评估。
10.根据权利要求9所述的系统,其特征在于,所述训练模块,具体用于:初始化KNN模型的K值;
将每一条曲线上数据点放入特征空间中,通过计算测试矩阵中曲线上数据点与训练矩阵中每个曲线上的点的距离来确定K个最近邻,距离计算公示如下:
;
式中,为训练矩阵中曲线数据上某一点对应在管线上表面坐标值;
为测试矩阵中曲线数据上某一点对应在管线上表面坐标值;
为训练矩阵中曲线数据上/>对应的应变值;
为测试测试中曲线数据上/>对应的应变值;
基于K个最近邻的标签,采用多数投票法来确定测试矩阵中数据点的标签,再由测试矩阵中测试曲线上多个离散点的标签,继续采用多数投票法确定出这条测试曲线的标签;
将通过KNN模型计算得到的测试曲线的标签,与抽取的测试曲线的标签比较,使用准确率或召回率作为指标来衡量模型的精度,若准确率或召回率达到预设值时,模型训练完成,否则调整K值,重复上述训练过程。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311466748.6A CN117195664B (zh) | 2023-11-07 | 2023-11-07 | 一种地下管线监测预警方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311466748.6A CN117195664B (zh) | 2023-11-07 | 2023-11-07 | 一种地下管线监测预警方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117195664A true CN117195664A (zh) | 2023-12-08 |
CN117195664B CN117195664B (zh) | 2024-01-12 |
Family
ID=89003832
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311466748.6A Active CN117195664B (zh) | 2023-11-07 | 2023-11-07 | 一种地下管线监测预警方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117195664B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN205669677U (zh) * | 2016-06-03 | 2016-11-02 | 广东石油化工学院 | 基于无线传感网络和knn算法的油气管道泄漏检测系统 |
US20180300639A1 (en) * | 2017-04-13 | 2018-10-18 | Oracle International Corporation | Novel autonomous artificially intelligent system to predict pipe leaks |
CN109783906A (zh) * | 2018-12-29 | 2019-05-21 | 东北大学 | 一种管道内检测漏磁数据智能分析系统及方法 |
CN114330442A (zh) * | 2021-12-28 | 2022-04-12 | 国家石油天然气管网集团有限公司 | 一种基于k-近邻法的管道应变特征分类计算方法及系统 |
CN116150680A (zh) * | 2023-04-18 | 2023-05-23 | 中铁第四勘察设计院集团有限公司 | 一种基于大数据的地下交通枢纽损伤状态识别方法及系统 |
-
2023
- 2023-11-07 CN CN202311466748.6A patent/CN117195664B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN205669677U (zh) * | 2016-06-03 | 2016-11-02 | 广东石油化工学院 | 基于无线传感网络和knn算法的油气管道泄漏检测系统 |
US20180300639A1 (en) * | 2017-04-13 | 2018-10-18 | Oracle International Corporation | Novel autonomous artificially intelligent system to predict pipe leaks |
CN109783906A (zh) * | 2018-12-29 | 2019-05-21 | 东北大学 | 一种管道内检测漏磁数据智能分析系统及方法 |
CN114330442A (zh) * | 2021-12-28 | 2022-04-12 | 国家石油天然气管网集团有限公司 | 一种基于k-近邻法的管道应变特征分类计算方法及系统 |
CN116150680A (zh) * | 2023-04-18 | 2023-05-23 | 中铁第四勘察设计院集团有限公司 | 一种基于大数据的地下交通枢纽损伤状态识别方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117195664B (zh) | 2024-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Webb et al. | Categories of SHM deployments: Technologies and capabilities | |
Ji et al. | Probabilistic physical modelling of corroded cast iron pipes for lifetime prediction | |
Wang et al. | Bayesian modeling of external corrosion in underground pipelines based on the integration of Markov chain Monte Carlo techniques and clustered inspection data | |
Giordano et al. | Response‐based time‐invariant methods for damage localization on a concrete bridge | |
CN115270527B (zh) | 道路塌陷风险实时评估方法、设备及存储介质 | |
CN115455791B (zh) | 一种基于数值模拟技术提高滑坡位移预测准确率的方法 | |
Tran et al. | Comparison of structural deterioration models for stormwater drainage pipes | |
EP4158880A1 (en) | Method, system, and computer program product for a real-time estimation of risk in an excavation | |
CN117150445B (zh) | 一种区间隧道近距离下穿河流的沉降监测和评价方法 | |
CN117195664B (zh) | 一种地下管线监测预警方法和系统 | |
CN112084553B (zh) | 一种用于隧道规划的勘测方法 | |
CN109989067B (zh) | 一种阴极保护系统管理方法及装置 | |
CN103953024A (zh) | 基坑自动化监测异常数据识别方法 | |
An et al. | Advance Prediction Method of Failure Consequence for Natural Gas Pipeline Soil Corrosion Leakage | |
Gallet et al. | Influence zones for continuous beam systems | |
Zhang et al. | Hybrid BN approach to analyzing risk in tunnel-induced bridge damage | |
CN117688659B (zh) | 水库大坝的深厚覆盖层坝基防渗墙的渗漏风险预测方法 | |
Li et al. | Mechanics-Informed Autoencoder Enables Automated Detection and Localization of Unforeseen Structural Damage | |
CN118190275B (zh) | 一种精准检测地下结构渗漏的方法和系统 | |
Li et al. | Prediction model of maximum stress for concrete pipes based on XGBoost-PSO algorithm | |
KR102615082B1 (ko) | 저수지 및 하천 제방 관리를 위한 매립형 복합 IoT 센서 장치를 이용한 모니터링 시스템 및 이의 실행 방법 | |
Pham et al. | Proposed probabilistic models of pipe failure in water distribution system | |
Tian et al. | Data‐Driven Decision Algorithm for Open Caisson Foundation Construction | |
CN117993073A (zh) | 一种基于支持向量机代理模型的地铁盾构隧道结构受力安全评价方法、装置、系统及存储介质 | |
Harvey | Predictive Analytics for Planning Inspections of Linear Water and Wastewater Infrastructure |
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 |