【技術實現步驟摘要】
本專利技術屬于油氣管道，尤其涉及一種天然氣集輸管道全線內腐蝕缺陷深度預測方法和裝置。
技術介紹
1、因天然氣集輸管道內腐蝕而造成的泄漏會帶來巨大的負面環境問題，包括環境污染和爆炸，爆炸會引起有毒物質釋放和難以撲滅的大火。石油與天然氣的輸送過程中，管道的完整性和安全性對石油和天然氣行業的經濟安全有重要的作用。
2、運行中的石油和天然氣集輸管道中的內腐蝕狀態可以通過使用智能清管器進行檢測，并通過現場挖掘測量進行驗證，然而相關操作的成本相對較高，特別是對于大型管道系統，此外，部分集輸管道并沒有配備相關檢測裝置，同時，在開挖驗證時存在損壞管道的風險，并且管道內腐蝕狀況會隨著運行條件不同隨之發生變化。因此，通過測量設備來檢測管道內腐蝕狀況存在一定局限性。
3、通過調研，發現很多研究人員與學者運用經驗、半經驗、機理模型等對輸送酸性介質的天然氣集輸管道進行內腐蝕預測，已有比較成熟的理論成果，但不同場景適用不同的經驗機理模型，大多預測模型與油氣田生產現場的結合度不夠。
4、天然氣管道設計和運行過程中，會產生大量數據，這些數據可用于輸送管道的可靠性分析和管道腐蝕預測。已經有許多研究人員利用海量管道數據，基于機器學習等人工智能算法提出數據驅動模型，對管道內腐蝕狀況進行預測。該方法較現場測量設備具有成本低，能隨時關注管道內腐蝕狀況等優點。然而，大多數用于管道內腐蝕預測的數據驅動模型，存在以下不足：①只能預測管道某個點的內腐蝕速率、管道剩余壽命和最深腐蝕深度等，并未針對管道全線內腐蝕缺陷深度進行預測；②往往采用單一數
5、因此，有必要提供一種基于多種數據驅動的管道全線內腐蝕缺陷深度預測模型，能對管道全線內腐蝕缺陷深度進行準確預測，大大提高預測模型精度。
技術實現思路
1、為了克服上述現有技術存在的缺陷，本專利技術的目的在于提供一種基于多種數據驅動的天然氣集輸管道全線內腐蝕缺陷深度預測方法和裝置，能對管道全線內腐蝕缺陷深度進行準確預測，大大提高預測模型精度。
2、為實現上述目的，本專利技術提供如下技術方案：
3、一種天然氣集輸管道全線內腐蝕缺陷深度預測方法，包括：
4、收集天然氣集輸管道的內腐蝕數據；
5、對內腐蝕數據進行預處理；
6、將內腐蝕數據中的離散文本型數據轉換為數值型數據；
7、建立基于rf隨機森林的天然氣集輸管道全線內腐蝕缺陷深度第一預測模型；
8、建立基于mlp神經網絡的天然氣集輸管道全線內腐蝕缺陷深度第二預測模型；
9、建立基于lightgbm的天然氣集輸管道全線內腐蝕缺陷深度第三預測模型；
10、基于第一預測模型、第二預測模型和第三預測模型建立rf-mlp-lightgbm第四預測模型；
11、基于完成訓練的rf-mlp-lightgbm第四預測模型，預測計算得到最終天然氣集輸管道全線內腐蝕缺陷深度百分比。
12、在本專利技術的一些實施例中，收集天然氣集輸管道的內腐蝕數據，包括：
13、收集天然氣集輸管道的管徑、管長、壁厚、管材、運行時長、運行壓力、運行溫度、運行輸量、含水率、含硫量、管道測繪數據、腐蝕缺陷里程位置和內腐蝕缺陷深度數據。
14、在本專利技術的一些實施例中，對內腐蝕數據進行預處理，包括：
15、基于腐蝕缺陷里程位置，采用三次樣條插值方式，將現場收集的管道測繪數據轉換為對應腐蝕缺陷高程位置；
16、剔除缺失數據；
17、使用箱線圖識別并剔除異常數據；
18、通過將特征數據重新縮放到零均值和單位方差來標準化特征數據，其中，特征數據為管徑、管長、壁厚、管材、運行時長、運行壓力、運行溫度、運行輸量、含水率、含硫量、腐蝕缺陷高程位置、腐蝕缺陷里程位置對應的數值型數據。
19、在本專利技術的一些實施例中，通過將特征數據重新縮放到零均值和單位方差來標準化數據，包括：
20、標準化數據基于以下公式：
21、其中，x為預處理前特征數據，μ為預處理前特征數據均值，σ為預處理前特征數據標準差，y為標準化后的特征數據。
22、在本專利技術的一些實施例中，將內腐蝕數據中的離散文本型數據轉換為數值型數據，包括：
23、采用獨熱編碼形式，將內腐蝕數據中的離散文本型數據轉換為數值型數據。
24、在本專利技術的一些實施例中，第一預測模型將管徑、管長、壁厚、管材、運行時長、運行壓力、運行溫度、運行輸量、含水率、含硫量、腐蝕缺陷高程位置、腐蝕缺陷里程位置參數作為的輸入，內腐蝕缺陷深度百分比作為輸出。
25、在本專利技術的一些實施例中，第二預測模型將管徑、管長、壁厚、管材、運行時長、運行壓力、運行溫度、運行輸量、含水率、含硫量、腐蝕缺陷高程位置、腐蝕缺陷里程位置參數作為輸入，內腐蝕缺陷深度百分比作為輸出。
26、在本專利技術的一些實施例中，第三預測模型將管徑、管長、壁厚、管材、運行時長、運行壓力、運行溫度、運行輸量、含水率、含硫量、腐蝕缺陷高程位置、腐蝕缺陷里程位置參數作為輸入，內腐蝕缺陷深度百分比作為輸出。
27、在本專利技術的一些實施例中，基于第一預測模型、第二預測模型和第三預測模型建立rf-mlp-lightgbm第四預測模型，包括：
28、定義腐蝕缺陷深度百分比的實際值與預測值之間的誤差值rmse：其中，yi為腐蝕缺陷深度百分比實際值，為腐蝕缺陷深度百分比預測值，n為腐蝕缺陷深度百分比實際值或預測值的個數，i＝1,2,3……n；
29、計算rf第一預測模型、mlp第二預測模型和lightgbm第三預測模型的誤差值rmse1、rmse2和rmse3，并按數值大小排序；
30、定義a、b、c分別為rmse1、rmse2和rmse3兩兩作差的絕對值與rmse1、rmse2和rmse3之中的最大值的商，設定閾值為0.05，
31、當a，b，c均大于0.05時，選擇誤差值rmse最小的單個預測模型作為第四預測模型參與后續預測計算；
32、當a，b，c中有一項小于0.05，兩項大于0.05時，取小于0.05的一項對應的兩個預測模型，計算兩者權重并組合作為第四預測模型應用于后續預測計算；
33、當a，b，c中有至少兩項小于0.05時，依據三種預測模型的誤差值大小確定各模型權重，組合三種預測模型作為第四預測模型參與后續預測計算。
34、在本專利技術的一些實施例中，完成訓練的rf-mlp-lightgbm第四預測模型用于輸入管徑、管長、壁厚、管材、運行時長、運行壓力、運行溫度、運行輸量、含水率、含硫量、腐蝕缺陷高程位置、腐蝕缺陷里程位置參數，預測計算得到最終天然氣集輸管道全線內腐蝕缺陷深度百分比。
35、第二方面，本專利技術公開了一種天然氣集輸管道全線內腐蝕缺陷深度預測裝置，包括：
36本文檔來自技高網...
【技術保護點】
1.一種天然氣集輸管道全線內腐蝕缺陷深度預測方法，其特征在于，包括：
2.根據權利要求1所述的一種天然氣集輸管道全線內腐蝕缺陷深度預測方法，其特征在于，所述的收集天然氣集輸管道的內腐蝕數據，包括：
3.根據權利要求2所述的一種天然氣集輸管道全線內腐蝕缺陷深度預測方法，其特征在于，所述的對所述內腐蝕數據進行預處理，包括：
4.根據權利要求3所述的一種天然氣集輸管道全線內腐蝕缺陷深度預測方法，其特征在于，所述的通過將特征數據重新縮放到零均值和單位方差來標準化數據，包括：
5.根據權利要求1所述的一種天然氣集輸管道全線內腐蝕缺陷深度預測方法，其特征在于，所述的將所述內腐蝕數據中的離散文本型數據轉換為數值型數據，包括：
6.根據權利要求3所述的一種天然氣集輸管道全線內腐蝕缺陷深度預測方法，其特征在于，
7.根據權利要求6所述的一種天然氣集輸管道全線內腐蝕缺陷深度預測方法，其特征在于，
8.根據權利要求7所述的一種天然氣集輸管道全線內腐蝕缺陷深度預測方法，其特征在于，
9.根據權利要求8所述的一
10.根據權利要求9所述的一種天然氣集輸管道全線內腐蝕缺陷深度預測方法，其特征在于，
11.一種天然氣集輸管道全線內腐蝕缺陷深度預測裝置，其特征在于，包括：
12.一種電子設備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，其特征在于，所述處理器執行所述程序時實現權利要求1-10任意一項所述的一種天然氣集輸管道全線內腐蝕缺陷深度預測方法的步驟。
13.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，該計算機程序被處理器執行時實現權利要求1-10任意一項所述的一種天然氣集輸管道全線內腐蝕缺陷深度預測方法的步驟。
...【技術特征摘要】
1.一種天然氣集輸管道全線內腐蝕缺陷深度預測方法，其特征在于，包括：
2.根據權利要求1所述的一種天然氣集輸管道全線內腐蝕缺陷深度預測方法，其特征在于，所述的收集天然氣集輸管道的內腐蝕數據，包括：
3.根據權利要求2所述的一種天然氣集輸管道全線內腐蝕缺陷深度預測方法，其特征在于，所述的對所述內腐蝕數據進行預處理，包括：
4.根據權利要求3所述的一種天然氣集輸管道全線內腐蝕缺陷深度預測方法，其特征在于，所述的通過將特征數據重新縮放到零均值和單位方差來標準化數據，包括：
5.根據權利要求1所述的一種天然氣集輸管道全線內腐蝕缺陷深度預測方法，其特征在于，所述的將所述內腐蝕數據中的離散文本型數據轉換為數值型數據，包括：
6.根據權利要求3所述的一種天然氣集輸管道全線內腐蝕缺陷深度預測方法，其特征在于，
7.根據權利要求6所述的一種天然氣集輸管道全線內腐蝕缺陷深度預測方法，其特征在于，
8...
【專利技術屬性】
技術研發人員：杜炘潔，崔銘芳，萬澤君，張健，齊昌超，趙帥，羅嘉慧，李潮浪，唐雨，王磊，鮑明昱，王靖博，高健，劉暢，胡岸，張力，
申請(專利權)人：中國石油天然氣股份有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。