一种基于GBRT的地下排水管道最大应力预测方法技术

本发明专利技术属于地下排水管道检测领域，具体涉及一种基于GBRT的地下排水管道最大应力预测方法，获取地下排水管道的管道数据集以及地下排水管道最大应力序列；确定管道数据集对地下排水管道最大应力的贡献率，选取贡献率较大的前Q个相关变量数据作为控制变量，将控制变量以及对应的地下排水管道最大应力构成数据集；对构建的GBRT模型进行训练和验证，得到最优GBRT模型；利用训练集对最优GBRT模型进行继续训练，得到训练好的最优GBRT模型；将待预测的地下排水管道的控制变量输入训练好的最优GBRT模型，输出预测的地下排水管道最大应力。本发明专利技术的方案能够准确预测地下排水管道最大应力的情况，降低预测的计算量。降低预测的计算量。降低预测的计算量。

【技术实现步骤摘要】
一种基于GBRT的地下排水管道最大应力预测方法


[0001]本专利技术涉及地下排水管道检测领域，具体为一种基于GBRT的地下排水管道最大应力预测方法。

技术介绍

[0002]城市排水管道作为城市最重要的排泄系统，管道的性能和寿命与管道的最大应力息息相关，预测管道工作期间的最大应力可以评估管道的剩余使用期限，避免许多管道事故的发生，在一定程度上避免了经济损失。
[0003]其中，在排水管道最大应力预测方面，现有常用的方法是采取国际上现有的标准和规范计算管道最大应力，但这些规范标准理论比较复杂，计算量很大。
[0004]同时，还采用有限元的方法进行管道的最大应力的预测，但是有限元的方法往往需要收集大量管道数据作为支撑，增大了工作量。
[0005]因此上述的预测方法存在计算效率低的问题，过程繁琐，不够智能化，预测精度也普遍较低，预测的最大应力情况与实际误差较大，容易导致过早或者过晚更换管道，造成经济损失甚至管道事故。
[0006]综上所述，现有城市排水管道最大应力预测还具有以下缺点和不足：
[0007](1)传统方法计算理论复杂，且计算量较大；
[0008](2)需要大量的数据支撑，增大了工作量；
[0009](3)计算效率低，过程繁琐，不够智能化；
[0010](4)预测精度普遍较低，误差比较大，与实际情况不符合。
[0011]因此，急需一种能够解决上述问题的最大应力预测方法。

技术实现思路

[0012]为了解决上述问题，本专利技术的目的是提供一种基于GBRT的地下排水管道最大应力预测方法，用于解决不能准确预测管道最大应力情况，计算量大，计算效率低的问题。
[0013]本专利技术提供的一种基于GBRT的地下排水管道最大应力预测方法，包括以下步骤：
[0014]获取设定时间段内每个服役的地下排水管道对应的管道数据集以及地下排水管道最大应力序列；
[0015]对所述管道数据集进行分析，确定管道数据集中各相关变量数据对地下排水管道最大应力的贡献率，按照从大到小的顺序对贡献率进行排序，选取贡献率较大的前Q个相关变量数据作为控制变量，将若干服役的地下排水管道对应的控制变量以及对应的地下排水管道最大应力构成数据集；
[0016]对所述数据集进行划分，得到训练集和测试集；
[0017]采用交叉验证法对所述训练集进行划分得到训练样本集和验证样本集，利用所述训练样本集对构建的GBRT模型进行训练，利用所述验证样本集对训练后的GBRT模型进行验证，得到最优GBRT模型；
[0018]并利用所述训练集对所述最优GBRT模型进行继续训练，得到训练好的最优GBRT模型；并利用测试集进行最优GBRT模型评估；
[0019]获取待预测的地下排水管道的控制变量，将待预测的地下排水管道的控制变量输入训练好的最优GBRT模型，输出预测的地下排水管道最大应力。
[0020]优选地，所述管道数据集包括管径、壁厚、管道暴露时间、腐蚀长度、腐蚀宽度、腐蚀深度、脱空长度、脱空宽度、脱空深度、交通荷载、运行荷载及覆土深度。
[0021]优选地，所述贡献率为分别计算的每个服役的地下排水管道对应的设定时间段内地下排水管道最大应力序列与所述管道数据集中的各相关变量数据的皮尔逊相关系数。
[0022]优选地，所述交叉验证法采用K折交叉验证划分训练集并进行模型验证，具体为：
[0023]采用K折交叉验证的方法将训练集平均划分为K等份；
[0024]每次训练时随机将K
‑
1份数据作为训练样本集，剩余1份数据作为验证样本集，完成本轮验证之后依次进行迭代训练，共训练K次，直至找到最优GBRT模型。
[0025]优选地，还包括采用贝叶斯优化对所述最优的GBRT模型的模型超参数调节，将进行贝叶斯优化之后的最优的超参数取值导入到最优GBRT模型中，得到最终的最优GBRT模型的步骤。
[0026]优选地，所述最优的超参数取值包括：max_depth：3；n_estimators：100；learning_rate：0.005。
[0027]优选地，利用测试集进行最优GBRT模型评估的具体过程为：
[0028]计算测试集输入到最优GBRT模型的预测结果的误差指标；
[0029]所述误差指标包括决定系数R2、可解释方差值EVS、均方误差MSE、平均绝对误差MAE、平均绝对百分比误差MAPE和中值绝对误差MedAE中的至少一个。
[0030]本专利技术的有益效果：
[0031]本专利技术的方案通过采用智能算法GBRT、交叉验证以及皮尔逊相关系数的分析的手段，实现了基于GBRT的地下排水管道最大应力的智能评估预测；能够准确预测城市地下排水管道最大应力，为后续推测出剩余使用年限、工作过程提供了依据，其中在预测地下排水管道最大应力的过程中，无需海量数据库的支撑、计算量低、高效率地进行预测，弥补了当前地下排水管道寿命预测方法的诸多短板和不足。
[0032]同时，本专利技术的方案采用皮尔逊相关系数分析进行管道数据集的贡献率的计算，对获取的管道数据集进行数据初步处理，能够筛选出对地下排水管道最大应力影响较大的一些数据，无需考虑采集到的所有数据，使得后续的计算量较低，提高了预测的效率。
[0033]进一步地，本专利技术还采用了交叉验证和贝叶斯优化算法的加持，使得最优GBRT模型可以达到极高的预测精度和极低的泛化误差。
附图说明
[0034]为了更清楚地说明本专利技术实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
[0035]图1是本专利技术实施例提供的基于GBRT的地下排水管道最大应力预测方法的工作流
程图；
[0036]图2是本实例中排水管道最大应力真实值与预测值的对比图。
具体实施方式
[0037]为了更进一步阐述本专利技术为达成预定专利技术目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本专利技术的方案，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
[0038]除非另有定义，本文所使用的所有的技术和科学术语与属于本专利技术的
的技术人员通常理解的含义相同。
[0039]本专利技术针对的是地下排水管道最大应力的预测，采用“GBRT模型、皮尔逊相关系数分析、交叉验证法、贝叶斯优化以及误差指标分析”相结合的手段，实现基于GBRT的地下排水管道最大应力智能评估预测。
[0040]具体地，本专利技术提供的一种基于GBRT的地下排水管道最大应力预测方法，请参阅图1所示，包括以下步骤：
[0041]步骤本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于GBRT的地下排水管道最大应力预测方法，其特征在于，包括以下步骤：获取设定时间段内每个服役的地下排水管道对应的管道数据集以及地下排水管道最大应力序列；对所述管道数据集进行分析，确定管道数据集中各相关变量数据对地下排水管道最大应力的贡献率，按照从大到小的顺序对贡献率进行排序，选取贡献率较大的前Q个相关变量数据作为控制变量，将若干服役的地下排水管道对应的控制变量以及对应的地下排水管道最大应力构成数据集；对所述数据集进行划分，得到训练集和测试集；采用交叉验证法对所述训练集进行划分得到训练样本集和验证样本集，利用所述训练样本集对构建的GBRT模型进行训练，利用所述验证样本集对训练后的GBRT模型进行验证，得到最优GBRT模型；并利用所述训练集对所述最优GBRT模型进行继续训练，得到训练好的最优GBRT模型；并利用测试集进行最优GBRT模型评估；获取待预测的地下排水管道的控制变量，将待预测的地下排水管道的控制变量输入训练好的最优GBRT模型，输出预测的地下排水管道最大应力。2.根据权利要求1所述的一种基于GBRT的地下排水管道最大应力预测方法，其特征在于，所述管道数据集包括管径、壁厚、管道暴露时间、腐蚀长度、腐蚀宽度、腐蚀深度、脱空长度、脱空宽度、脱空深度、交通荷载、运行荷载及覆土深度。3.根据权利要求2所述的一种基于GBRT的地下排水管道最大应力预测方法，其特征在于，所述贡献率为分别计算的每个服役的地下排水管道对应的设定时间...

【专利技术属性】
技术研发人员：宋留洋，董家修，王念念，李斌，马铎，胡浩帮，庞高兆，
申请(专利权)人：郑州大学，
类型：发明
国别省市：