典型文献
基于机器学习的冻土区融沉变形管段识别方法
文献摘要：
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.
文献关键词：
IMU;弯曲应变;冻胀融沉;机器学习;智能识别
中图分类号：
作者姓名：
刘燊;刘啸奔;李睿;李博;陈朋超;张宏
作者机构：
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
文献出处：
引用格式：
[1]刘燊;刘啸奔;李睿;李博;陈朋超;张宏-.基于机器学习的冻土区融沉变形管段识别方法)[J].石油机械,2022(03):106-114
A类：
B类：
基于机器学习,冻土区,融沉变形,管段,工业界,人工识别,整条,管线,检测单元,IMU,应变检测,检测数据,效率不高,判断标准,机器学习模型,弯曲变形,智能识别方法,弯曲应变,弯头,凹陷,阶数,低通滤波,噪声干扰,漏磁检测,截取,数据特征,降维处理,立决,随机森林模型,识别分类,影响模型,模型分类,分类效果,测试集,集中决策,决策树模型,过拟合,识别准确率,模型识别,完整性评价,技术基础,冻胀融沉
AB值：
0.381126
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
