一种基于空间关联分析的管廊管道布局运维方法及系统与流程
本发明涉及管廊管道运维,尤其涉及一种基于空间关联分析的管廊管道布局运维方法及系统。
背景技术:
1、在综合管廊的长期运行过程中,其内部管道材料的老化并非均匀发生,而是受到局部微环境时空差异的显著影响,形成复杂的时空非均匀老化场。准确地预测此老化场分布,是实现从定期检修转向精准预测性维护、保障管廊长期安全与经济运行的前提。
2、目前,针对该问题的常规技术路径主要存在以下问题:
3、其一,依赖复杂物理建模的方法,试图通过建立热-力-化学多场耦合仿真模型来预测老化进程。然而,该方法需要难以获取的全场精细初始数据与边界条件,建模过程复杂,且对材料退化路径依赖等非线性效应的描述往往失准,导致预测精度在实践中难以保证,或是依赖局部监测点外推的方法,由于稀疏监测点难以刻画环境参数的空间关联与传递机制,其外推结果可靠性低,无法真实反映全场老化状态的空间异质性。
4、其二,基于均匀性假设的简化方法,或在设计阶段采用最严苛环境条件进行全局保守设计,导致材料与成本上的过度投入。
技术实现思路
1、为解决背景技术中存在的技术问题,本发明提出一种基于空间关联分析的管廊管道布局运维方法及系统。
2、本发明提出的一种基于空间关联分析的管廊管道布局运维方法及系统,包括以下步骤:
3、s1、获取目标管廊段内多个监测点的空间位置;
4、采集监测点的环境监测数据,生成监测点对应的环境参数时间序列集合;
5、s2、计算任意两个监测点对应的环境参数时间序列集合的时空相关性值,形成表征监测点间环境演化关联强度的关系矩阵;
6、s3、根据关系矩阵,形成一个以监测点为节点、以关系矩阵中对应两个节点的时空相关性值为连接该两个节点的边的权重的数据驱动关联网络;
7、s4、根据数据驱动关联网络,识别数据驱动关联网络中的关键节点与脆弱链路;
8、s5、对数据驱动关联网络中的每个节点,生成每个节点的环境模式嵌入向量;
9、s6、在关键节点所对应的空间位置处,进行管道壁材料取样,得到关键节点所对应的管道壁材料样本;获取管道壁材料样本的材料老化状态向量作为关键节点所对应的材料老化状态向量;
10、作为说明,材料老化状态向量为一组通过对管道壁材料样本进行实验室测试所获得的、用于量化表征管道壁材料样本老化程度的多维度特征参数集合,多维度特征参数集合包括基于力学性能测试如显微硬度、屈服强度保留率的宏观性能指标、基于微观形貌图像分析如扫描电镜图像中的裂纹密度、腐蚀坑面积占比的形貌特征指标、基于成分谱学分析如红外光谱中特定官能团吸光度比值、能谱分析中的氧元素含量的化学变化指标。
11、s7、获取所有关键节点所对应的环境模式嵌入向量和所有关键节点所对应的材料老化状态向量,采用机器学习算法以关键节点所对应的环境模式嵌入向量为输入,以关键节点所对应的材料老化状态向量为输出,得到一老化预测模型;
12、s8、根据老化预测模型,生成目标管廊段的老化状态空间分布图。
13、优选地,s1中,采集监测点的环境监测数据,生成监测点对应的环境参数时间序列集合,如下:
14、采集监测点在单位时间内的环境监测数据,将每个监测点采集到的环境参数数据按照等时间间隔排列,形成该监测点对应的环境参数时间序列集合;
15、环境监测数据包括温度、湿度和振动强度;
16、环境参数时间序列集合包括温度时间序列、湿度时间序列和振动强度时间序列;
17、作为说明,监测点包括目标管廊段的入口、出口和中间分段点;监测点可沿目标管廊段纵向均匀分布。
18、优选地,s2中,采用互信息、动态时间规整或皮尔逊相关系数计算任意两个监测点之间环境参数时间序列集合的时空相关性值。
19、优选地,s4中,根据数据驱动关联网络,识别数据驱动关联网络中的关键节点与脆弱链路,如下:
20、采用社区发现算法为数据驱动关联网络中的每个节点分配一个社区标识,其中具有相同社区标识的节点被归入同一个社区将数据驱动关联网络划分为多个社区;
21、遍历数据驱动关联网络中的所有边,对于每条边,检查每条边连接的两个节点是否具有不同的社区标识,若是,则将该边标记为候选桥梁边;
22、采用brandes算法获取每条候选桥梁边的边介数中心性,并将边介数中心性排名前n位的候选桥梁边标记为脆弱链路;n为正整数;
23、将脆弱链路两端的节点标记为关键节点;
24、作为说明,brandes算法是现有的计算介数中心性的经典算法,由ulrik brandes于2001年提出,被广泛收录于图论教材和算法库中。
25、优选地,s5中,对数据驱动关联网络中的每个节点,生成每个节点的环境模式嵌入向量,如下:采用图表示学习算法将数据驱动关联网络中的每个节点映射为一个具有固定维度的特征向量,作为该节点的环境模式嵌入向量;
26、作为说明,环境模式嵌入向量,并非简单罗列或复制关系矩阵中的时空相关性值,而是通过图表示学习算法,对数据驱动关联网络的整体拓扑结构与连接权重进行编码学习后,生成的更高层次的特征表示。它不仅蕴含了节点间的直接关联强度,更综合表征了每个节点在整个数据驱动关联网络中的结构角色及其所处的时空演化模式上下文,结构角色如枢纽性、社区归属,从而形成了比原始时间序列或时空相关性值更为稳健和富有信息量的环境暴露特征。
27、优选地,s5中,图表示学习算法为图神经网络算法。
28、优选地,s5中,对数据驱动关联网络中的每个节点,生成每个节点的环境模式嵌入向量,如下:
29、s51、对数据驱动关联网络中的每个节点,计算每个节点的第一邻域汇聚特征;
30、对数据驱动关联网络中的每个节点,计算每个节点的第一邻域汇聚特征,如下:
31、对于某一节点,以数据驱动关联网络中通过一条边直接连接到该节点上的其他节点作为该节点的一跳节点;
32、获取该节点与所有一跳节点的边的权重,形成第一边权重集合;通过统计分析法获取第一边权重集合中所有边的权重的最大值、平均值和标准差作为该节点的第一邻域汇聚特征;
33、s52、对数据驱动关联网络中的每个节点,计算每个节点的第二邻域汇聚特征;
34、对数据驱动关联网络中的每个节点,计算每个节点的第二邻域汇聚特征,如下:
35、对于某一节点,以数据驱动关联网络中经过该节点的一跳节点通过两条连续的边间接连接到该节点上的其他节点作为该节点的二跳节点;
36、获取该节点对应的所有二跳节点与一跳节点之间的边的权重,形成第二边权重集合;通过统计分析法获取第二边权重集合中所有边的权重的最大值、平均值和标准差作为该节点的第二邻域汇聚特征;
37、s53、对数据驱动关联网络中的每个节点,计算每个节点的网络结构角色特征;
38、对数据驱动关联网络中的每个节点,计算每个节点的网络结构角色特征,如下:
39、对于某一节点,通过统计分析法获取该节点对应第一边权重集合中所有边的权重之和作为该节点的度中心性;
40、获取该节点对应的社区,作为目标社区,获取目标社区中节点的数量作为节点所属社区的规模,得到该节点所属社区的规模倒数;
41、以该节点的度中心性、该节点所属社区的规模倒数形成该节点的网络结构角色特征;
42、s54、将每个节点的第一邻域汇聚特征、第二邻域汇聚特征与网络结构角色特征按顺序拼接,并进行归一化处理,得到该节点的环境模式嵌入向量。
43、优选地,s8中,根据老化预测模型,生成目标管廊段的老化状态空间分布图,如下:
44、获取目标管廊段内任意非关键节点的空间位置;
45、根据每个非关键节点的空间位置、关键节点的空间位置、关键节点的环境模式嵌入向量,采用空间插值法获取每个非关键节点的环境模式嵌入向量;
46、作为说明,关键节点的空间位置可通过先获取关键节点在数据驱动关联网络中对应的节点,节点对应的监测点,监测点的空间位置反向推理得到。
47、将每个非关键节点的环境模式嵌入向量输入老化预测模型,得到该非关键节点的预测材料老化状态向量;
48、根据所有非关键节点的预测材料老化状态向量和所有关键节点所对应的材料老化状态向量形成目标管廊段的老化状态空间分布图。
49、一种基于空间关联分析的管廊管道布局运维系统,包括:
50、数据采集模块:获取目标管廊段内多个监测点的空间位置;采集监测点的环境监测数据,生成监测点对应的环境参数时间序列集合;
51、关系矩阵生成模块:计算任意两个监测点对应的环境参数时间序列集合的时空相关性值,形成表征监测点间环境演化关联强度的关系矩阵;
52、数据驱动关联网络生成模块:根据关系矩阵,形成一个以监测点为节点、以关系矩阵中对应两个节点的时空相关性值为连接该两个节点的边的权重的数据驱动关联网络;
53、关键节点生成模块:根据数据驱动关联网络,识别数据驱动关联网络中的关键节点与脆弱链路;
54、节点环境模式嵌入向量生成模块:对数据驱动关联网络中的每个节点,生成每个节点的环境模式嵌入向量;
55、关键节点材料老化状态向量生成模块:在关键节点所对应的空间位置处,进行管道壁材料取样,得到关键节点所对应的管道壁材料样本;获取管道壁材料样本的材料老化状态向量作为关键节点所对应的材料老化状态向量;
56、老化预测模型生成模块:获取所有关键节点所对应的环境模式嵌入向量和所有关键节点所对应的材料老化状态向量,采用机器学习算法以关键节点所对应的环境模式嵌入向量为输入,以关键节点所对应的材料老化状态向量为输出,得到一老化预测模型;
57、老化状态空间分布图生成模块:根据老化预测模型,生成目标管廊段的老化状态空间分布图。
58、本发明中,所提出的基于空间关联分析的管廊管道布局运维方法及系统,具有如下有益的技术效果:
59、本技术通过采用基于监测点的环境监测数据,构建数据驱动关联网络,并利用数据驱动关联网络识别关键节点与脆弱链路,进而结合关键节点的环境模式嵌入向量与材料老化状态向量训练老化预测模型的设计,实现了仅依靠稀疏的环境监测数据与局部的材料取样,即可生成覆盖目标管廊段全范围的老化状态空间分布图,从而有效缓解了现有的因依赖复杂物理建模与均匀性假设而导致的时空非均匀老化场预测精度下降、评估成本高昂的问题。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com