一种基于LightGBM的排水管道最大腐蚀深度预测方法技术

本发明专利技术涉及机器学习领域，具体涉及一种基于LightGBM的排水管道最大腐蚀深度预测方法。包括：1.获取服役的排水管道相关数据，包括管道的建造和维护记录、基础数据、腐蚀数据、内部监测数据和外部环境数据；2.对采集的排水管道相关数据进行数据预处理，提升数据集的质量；3.利用PCA(主成分分析)算法对预处理之后的排水管道数据集进行特征降维，综合提炼出能够反映管道情况的特征；4.基于LightGBM算法构建排水管道最大腐蚀深度预测模型；5.利用鲸鱼优化算法(WOA)对LightGBM模型的超参数进行优化选择，优选出使模型预测准确率最高的超参数组合；6.利用优化之后的LightGBM模型预测管道最大腐蚀深度并对预测结果进行误差评估。本发明专利技术采用机器学习算法LightGBM预测服役排水管道的最大腐蚀深度，并结合PCA主成分分析和鲸鱼优化算法，提升了模型的预测精度，实现对排水管道最大腐蚀深度准确预测，对排水管道的安全维护提供了技术支持。维护提供了技术支持。

【技术实现步骤摘要】
一种基于LightGBM的排水管道最大腐蚀深度预测方法


[0001]本专利技术属于机器学习与管道工程交叉学科领域，具体涉及一种智能化、精确化和科学化的排水管道最大腐蚀深度预测方法。

技术介绍

[0002]排水管道是城市基础设施的重要组成部分，用于排放污水和废水，维护城市环境卫生。然而，由于长期使用和外部环境的影响，排水管道容易出现腐蚀、老化等问题，影响其使用寿命和正常排水功能，甚至造成严重的管道渗漏和坍塌事故，影响人民的正常生活。
[0003]排水管道腐蚀深度是衡量管道损伤程度的重要指标，管道腐蚀深度越大，管道的强度和密封性能都会降低，甚至会导致管道破裂、漏水等问题。因此，及时准确地预测排水管道的腐蚀深度，对于管道的安全运维和损伤修复都具有重要意义。
[0004]在本专利技术以前的现有技术中，关于排水管道最大腐蚀深度的预测多采用有限元计算或者传统的BP神经网络进行建模，但是这些传统的算法误差较大，且计算复杂，易导致预测出的管道最大腐蚀深度比实际偏大或偏小过多，造成过早或者过迟检修管道，造成不必要的经济损失或者造成管道事故发生。
[0005]因此，本文利用一种新型的机器学习算法LightGBM进行建模，结合鲸鱼优化算法对超参数进行优化，极大提高了机器学习模型的预测精度，作为一种新的用于排水管道最大腐蚀深度预测方法解决上述问题。

技术实现思路

[0006]本专利技术的目的在于克服现有技术的不足，提出了一种基于LightGBM的排水管道最大腐蚀深度预测方法，能够准确预测服役的排水管道的腐蚀深度情况，对管道的腐蚀状态做出科学评估，包括如下步骤：
[0007]S1:获取服役的排水管道相关数据，包括管道的建造和维护记录、基础数据、腐蚀数据、内部监测数据和外部环境数据；
[0008]S2:对采集的排水管道相关数据进行数据预处理，提升数据集的质量；
[0009]S3:利用PCA(主成分分析)算法对预处理之后的排水管道数据集进行特征降维，综合提炼出能够反映管道情况的特征；
[0010]S4:基于LightGBM算法构建排水管道最大腐蚀深度预测模型；
[0011]S5:利用鲸鱼优化算法(WOA)对LightGBM模型的超参数进行优化选择，优选出使模型预测准确率最高的超参数组合；
[0012]S6:利用优化之后的LightGBM模型预测管道最大腐蚀深度并对预测结果进行误差评估。
[0013]其中，步骤S1所述获取获取服役的排水管道相关数据，包括管道的建造和维护记录、基础数据、腐蚀数据、内部监测数据和外部环境数据，包括：
[0014]①
排查服役的排水排水管道的工作状况以及腐蚀状况；
[0015]②
对采样地区排水管道进行实地调查，采集管道数据集包括：
[0016]管道的建造和维护记录：收集管道的建造年份、材料和维修记录；
[0017]管道基础数据：收集管道自身各项基础数据，有管径、壁厚、埋深和设计使用寿命；
[0018]管道腐蚀数据：收集管道的腐蚀情况的数据，有腐蚀长度、腐蚀宽度和最大腐蚀深度；
[0019]管道内部监测数据：收集设定时间内管道内部的水压和应变；
[0020]外部环境数据：采集管道所处环境外部的温度、湿度、降雨量及地下水位。
[0021]其中，步骤S2所述对采集的排水管道相关数据进行数据预处理，提升数据集的质量，包括：
[0022]①
缺失值处理：对缺失值进行填充，缺失值可以替换为：平均值、中位数、众数；
[0023]②
异常值处理：利用简单统计、3σ原则或箱线图法识别数据集中的异常值，对异常值进行删除或按照缺失值处理进行填充；
[0024]③
数据标准化处理：对预测目标进行标准化，使得预测目标的数值范围一致，便于模型优化和评估。
[0025]其中，步骤S3所述利用PCA(主成分分析)算法对预处理之后的排水管道数据集进行特征降维，综合提炼出能够反映管道情况的特征，包括：
[0026]①
计算协方差矩阵；
[0027]②
计算协方差矩阵的特征值和特征向量；
[0028]③
将特征值排序选择主成分；
[0029]④
转换数据，实现特征降维压缩。
[0030]其中，步骤S4所述基于LightGBM算法构建排水管道最大腐蚀深度预测模型，包括：
[0031]①
将经过PCA降维后的管道数据集按照8：2随机划分训练集和测试集；
[0032]②
利用Python建立LightGBM回归预测模型，预测排水管道最大腐蚀深度，输入变量是经PCA降维后提取的N个变量，输出变量是管道最大腐蚀深度。
[0033]其中，步骤S5所述利用鲸鱼优化算法(WOA)对LightGBM模型的超参数进行优化选择，优选出使模型预测准确率最高的超参数组合，包括：
[0034]①
利用鲸鱼优化算法搜索LightGBM的超参数：max_depth、learning_rate、n_estimators、num_leaves、feauture_fraction，为每个超参数设定具体的搜索范围；
[0035]②
经过数次迭代，找到使训练集上模型预测误差最小的超参数取值组合；
[0036]其中，步骤S6所述利用优化之后的LightGBM模型预测管道最大腐蚀深度并对预测结果进行误差评估，包括：
[0037]①
在测试集上使用鲸鱼优化算法搜索出的最优超参数组合进行管道最大腐蚀深度的预测；
[0038]②
对模型测试集的预测结果进行误差分析，计算误差指标，分别是可解释方差值(EV)、拟合优度(R2)、校正决定系数(Adjusted_R2)、均方根误差(RMSE)、平均绝对误差(MAE)和平均绝对百分比误差(MAPE)。
[0039]本专利技术采用“数据预处理+PCA降维+LightGBM建模+鲸鱼优化算法+误差分析”的手段实现基于LightGBM的排水管道最大腐蚀深度的预测。本专利技术的目的在于基于数据预处理、主成分分析算法、LightGBM回归预测、鲸鱼优化算法和误差分析，设计一种能够准确预
测埋地排水管道腐蚀状态、工作过程便于理解、全面评估管道工作状况、高效率、智能化的埋地排水管道最大腐蚀深度的高精度预测方法，弥补了当前埋地排水管道腐蚀预测方法的诸多短板和不足，基于此，本专利技术具有如下优点：
[0040](1)工作过程简洁明了便于理解，计算量适中。基于LightGBM的排水管道最大腐蚀深度预测方法工作流程总共分为6步，每一步骤简洁明了，容易看懂，不需要繁琐的计算步骤和庞大的计算量。
[0041](2)全面评估管道工作状况，收集排水管道多项数据，包括管道的建造和维护记录、基础数据、腐蚀数据、内部监测数据和外部环境数据，管道相关变量有管道的建造年份、材料、维修记录、管径、壁厚、埋深、设计使用寿命、本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于LightGBM的排水管道最大腐蚀深度预测方法，其特征在于，所述方法包括：获取服役的排水管道相关数据，包括管道的建造和维护记录、基础数据、腐蚀数据、内部监测数据和外部环境数据；对采集的排水管道相关数据进行数据预处理，提升数据集的质量；利用PCA(主成分分析)算法对预处理之后的排水管道数据集进行特征降维，综合提炼出能够反映管道情况的特征；基于LightGBM算法构建排水管道最大腐蚀深度预测模型；利用鲸鱼优化算法(WOA)对LightGBM模型的超参数进行优化选择，优选出使模型预测准确率最高的超参数组合；利用优化之后的LightGBM模型预测管道最大腐蚀深度并对预测结果进行误差评估。2.根据权利要求1所述的一种基于LightGBM的排水管道最大腐蚀深度预测方法，其特征在于，所述管道相关数据集，具体包括：管道建造和维护记录：建造年份、材料、维修记录；管道基础数据：管径、壁厚、埋深，设计使用寿命；管道腐蚀数据：腐蚀长度、腐蚀宽度、最大腐蚀深度；管道内部监测数据：设定时间内的水压、应变；外部环境数据：设定时间内的温度、湿度、降雨量、地下水位。3.根据权利要求1所述的一种基于LightGBM的排水管道最大腐蚀深度预测方法，其特征在于，所述排水管道数据预处理，其具体方式为：对采集的管道数据集进行初步分析处理，包括缺失值处理，离群值/异常值处理，数据标准化处理。4.根据权利要求1所述的一种基于LightGBM的排水管道最大腐蚀深度预测方法，其特征在于，所述利用PCA(主成分分析)算法对预处理之后的排水管道数据集进行特征降维，其具体方式为：在尽量保证...

【专利技术属性】
技术研发人员：宋留洋，张泽希，方宏远，邵一帆，段懿航，乔磊，陈镇铧，
申请(专利权)人：郑州大学，
类型：发明
国别省市：