典型文献
仿真与DBSCAN算法融合的管输数据生成与验证方法
文献摘要：
在油气管道系统中,受数据保密性高、数据采集技术不完善、异常工况发生频率低等因素制约,利用管输数据集进行机器学习模型训练,效果不理想.基于此,以某原油管道为例,分析管输能耗,利用Pipeline Studio TLNET软件对输油泵机组耗电量进行仿真,扩充训练数据集.针对管输仿真样本无真实值对照、特征关联、高维等特点,提出一种基于马氏距离的DBSCAN(Density-Based Spatial Clustering of Applications with Noise)算法,用于评价仿真样本的可靠度,识别异常仿真数据.基于仿真样本与现场数据样本的机器学习模型训练结果表明,剔除异常数据的仿真样本能够提升模型的拟合能力,由此为管输数据仿真样本的生成与验证提供了新的思路.
文献关键词：
机器学习;原油管道;能耗预测;仿真样本;DBSCAN算法
中图分类号：
作者姓名：
张鑫儒;侯磊;徐磊;黄亚楠;白小众;满建峰;刘金海;谷文渊
作者机构：
中国石油大学(北京)机械与储运工程学院·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;国家管网集团北方管道公司锦州输油气分公司
文献出处：
引用格式：
[1]张鑫儒;侯磊;徐磊;黄亚楠;白小众;满建峰;刘金海;谷文渊-.仿真与DBSCAN算法融合的管输数据生成与验证方法)[J].油气储运,2022(02):146-152
A类：
TLNET
B类：
DBSCAN,算法融合,数据生成,验证方法,油气管道,管道系统,保密性,数据采集技术,异常工况,发生频率,机器学习模型,模型训练,原油管道,Pipeline,Studio,输油泵机组,耗电量,训练数据集,仿真样本,本无,真实值,特征关联,高维,马氏距离,Density,Based,Spatial,Clustering,Applications,Noise,可靠度,仿真数据,现场数据,异常数据,本能,数据仿真,能耗预测
AB值：
0.446036
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。
