【技术实现步骤摘要】
基于K均值聚类
‑
LSTM的燃气管道腐蚀阶段预测方法
[0001]本专利技术涉及神经网络
，尤其涉及基于K均值聚类
‑
LSTM的燃气管道腐蚀阶段预测方法。
技术介绍
[0002]管道运输是我国能源运输的主要形式之一，我国的运输管网体量十分庞大，截止2020年底，我国原油和成品油管网里程已超6万千米，天然气管道总里程约11万千米。油气管网覆盖了我国各省市自治区，且有不止60％的管道运行超过20年，因管道老化、工作环境恶劣等原因造成的管道腐蚀泄漏，进而引发的管道事故时有发生。对于老旧管道，需要定期进行检测来确保其是否安全运行，监测管道处于腐蚀的哪个阶段而决定是否需要更换管道更是非常必要的。
[0003]随着我国智能化数字建设的发展，人工智能在很多方面都得到了有效应用。LSTM神经网络在自然语言处理、语音识别等时序数据储量方面获得了巨大的成功。而城镇燃气管道腐蚀具有时序性，但国内运用LSTM神经网络对于管道腐蚀阶段方面的研究较少，相关技术还不够成熟。
技术实现思路
...
【技术保护点】
【技术特征摘要】
1.基于K均值聚类
‑
LSTM的燃气管道腐蚀阶段预测方法，其特征在于，包括以下步骤：步骤一、对采集到的声发射波形进行尾切处理；步骤二、利用PCA算法提取信号尾切处理后数据特征值的特征向量，并根据累计贡献率进行排序，实现原始数据降维；步骤三、利用轮廓系数法作为聚类标准，对步骤二处理后的数据进行聚类判断，得到聚类个数；步骤四、根据步骤三得到的聚类个数、腐蚀后的波形图和撞击
‑
时间图，利用K
‑
means聚类算法得到聚类结果；步骤五、将步骤四的聚类结果输入LSTM神经网络模型，实现对腐蚀阶段的预测；步骤六、利用均方根误差、平均绝对误差和混淆矩阵对LSTM神经网络模型进行评价。2.根据权利要求1所述的基于K均值聚类
‑
LSTM的燃气管道腐蚀阶段预测方法，其特征在...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。