10.16082/j.cnki.issn.1001-4578.2022.03.015
基于机器学习的冻土区融沉变形管段识别方法
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.
IMU;弯曲应变;冻胀融沉;机器学习;智能识别
50
TE832(石油、天然气储存与运输)
国家自然科学基金;北京市自然科学基金;新疆自治区天山青年计划项目;中国石油大学北京青年拔尖人才科研基金项目;中国石油大学北京科研基金
2022-03-24(万方平台首次上网日期,不代表论文的发表时间)
共9页
106-114