-
题名基于机器学习的冻土区融沉变形管段识别方法
被引量：4
- 1
-
-
作者
刘燊
刘啸奔
李睿
李博
陈朋超
张宏
-
机构
中国石油大学(北京)油气管道输送安全国家工程实验室/石油工程教育部重点实验室/城市油气输配技术北京市重点实验室
国家管网集团北方管道有限责任公司
国家管网沈阳管道检测中心
-
出处
《石油机械》
北大核心
2022年第3期106-114,共9页
-
基金
国家自然科学基金项目“逆断层作用下X80管道屈曲演化与韧性破损机理研究”(52004314)
北京市自然科学基金项目“时变温压载荷作用下大口径直埋热水管道-土体耦合机制与失效机理研究”(8214053)
+2 种基金
新疆自治区天山青年计划项目“复杂载荷作用下高钢级管道韧性断裂与后屈曲失效行为”(2019Q088)
中国石油大学(北京)青年拔尖人才科研基金项目“断层作用下高强钢管道失效机理与可靠性评价”(2462018YJRC019)
中国石油大学(北京)科研基金项目“基于大数据的天然气管网智能运行与控制研究”(2462020YXZZ045)。
-
文摘
目前工业界采用人工识别的方法,对整条管线的惯性检测单元(IMU)应变检测数据进行逐段识别的做法存在耗时多、识别效率不高以及判断标准不一致等问题。鉴于此,通过建立机器学习模型,提出了弯曲变形危险管段智能识别方法,实现了对冻土区融沉变形管段的智能识别。首先统计了漠大一线冻土区管线中弯曲应变值超过0.125%的管段,包括弯头段、凹陷段和融沉导致的弯曲变形段等,使用1阶数字低通滤波法降低IMU应变检测数据中的噪声干扰,然后结合几何/漏磁检测数据截取IMU应变检测数据中不同管段类型的样本数据,从中提取了11种典型数据特征值,利用主成分分析法对11种特征值进行降维处理,最后建立决策树和随机森林模型进行识别分类。研究结果表明,不同管段类型的长度特征是影响模型分类效果的重要因素,在测试集中决策树模型出现了过拟合,识别准确率大幅下降,随机森林模型识别准确率达到了90%以上。该识别方法为管线完整性评价提供了技术基础。
-
关键词
IMU
弯曲应变
冻胀融沉
机器学习
智能识别
-
Keywords
IMU
bending strain
frost heave thaw settlement
machine learning
intelligent identification
-
分类号
TE832
[石油与天然气工程—油气储运工程]
-
