CN112529273A - 一种城市埋地燃气管线隐患数量趋势预测的方法与*** - Google Patents
一种城市埋地燃气管线隐患数量趋势预测的方法与*** Download PDFInfo
- Publication number
- CN112529273A CN112529273A CN202011389009.8A CN202011389009A CN112529273A CN 112529273 A CN112529273 A CN 112529273A CN 202011389009 A CN202011389009 A CN 202011389009A CN 112529273 A CN112529273 A CN 112529273A
- Authority
- CN
- China
- Prior art keywords
- hidden danger
- hidden
- dangers
- prediction period
- increment
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000011282 treatment Methods 0.000 claims abstract description 91
- 239000007789 gas Substances 0.000 claims description 90
- 230000000694 effects Effects 0.000 claims description 30
- 238000005728 strengthening Methods 0.000 claims description 18
- 238000011161 development Methods 0.000 claims description 15
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 239000000126 substance Substances 0.000 claims description 11
- 230000009467 reduction Effects 0.000 claims description 9
- 238000012423 maintenance Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 239000000567 combustion gas Substances 0.000 claims description 5
- 238000010276 construction Methods 0.000 description 25
- 230000007797 corrosion Effects 0.000 description 14
- 238000005260 corrosion Methods 0.000 description 14
- 230000018109 developmental process Effects 0.000 description 11
- 238000005096 rolling process Methods 0.000 description 5
- 239000002689 soil Substances 0.000 description 5
- 230000032683 aging Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 4
- 239000011248 coating agent Substances 0.000 description 4
- 238000000576 coating method Methods 0.000 description 4
- 230000006378 damage Effects 0.000 description 4
- 230000007547 defect Effects 0.000 description 4
- 238000011835 investigation Methods 0.000 description 4
- 239000004927 clay Substances 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- BVKZGUZCCUSVTD-UHFFFAOYSA-M Bicarbonate Chemical compound OC([O-])=O BVKZGUZCCUSVTD-UHFFFAOYSA-M 0.000 description 1
- VEXZGXHMUGYJMC-UHFFFAOYSA-M Chloride anion Chemical compound [Cl-] VEXZGXHMUGYJMC-UHFFFAOYSA-M 0.000 description 1
- QAOWNCQODCNURD-UHFFFAOYSA-L Sulfate Chemical compound [O-]S([O-])(=O)=O QAOWNCQODCNURD-UHFFFAOYSA-L 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000005422 blasting Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 238000013278 delphi method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 238000006056 electrooxidation reaction Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003755 preservative agent Substances 0.000 description 1
- 230000002335 preservative effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Game Theory and Decision Science (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Computer Security & Cryptography (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种城市埋地燃气管线隐患数量趋势预测的方法与***，所述方法包括：获取当前各类隐患数量及当前隐患总量；获取预测期隐患治理数；获取预测期隐患增量；根据当前隐患总量、预测期隐患治理数以及预测期隐患增量获取预测期隐患总量；本发明的优点在于：隐患数量趋势预测较为准确。
Description
技术领域
本发明涉及燃气***技术领域，更具体涉及一种城市埋地燃气管线隐患数量趋势预测的方法与***。
背景技术
随着我国城市化进程明显加快，城市运行***日益复杂，安全风险不断增大，以燃气为例的风险尤为突出，城市燃气风险管控是安全管理的重要环节，管风险就必须管隐患，事故的发生是基于隐患演变而来的，因此对隐患的趋势把控能够让管理者了解燃气管线隐患随着时间推移的发展情况。与此同时，基于历史数据对未来隐患趋势发展的预测分析，能够实现在隐患治理上综合统筹，提前把控隐患点，做到未雨绸缪。
现如今预测的方法有很多，大多是基于原始数据进行预测，通过分析原始数据存在的趋势进行相关函数拟合等，根据拟合函数进行未来趋势预测。中国专利公开号CN110209999A，公开了一种车载设备故障趋势预测方法，其中描述的预测方法是通过多种故障数据进行拟合，形成回归模型，并对回归模型的适应性进行检验，最终使用回归模型进行设备故障的预测，其主要方式是通过原始数据进行综合分析，整体数据的预测往往会消除原始不同类型数据间的差异性，造成预测准确度大大降低。
发明内容
本发明所要解决的技术问题在于现有城市埋地燃气管线隐患数量趋势预测的方法与***存在预测准确度较低的问题。
本发明通过以下技术手段实现解决上述技术问题的：一种城市埋地燃气管线隐患数量趋势预测的方法，所述方法包括：
获取隐患集合，根据隐患集合对各个管段的所有隐患数量进行求和获取当前各类隐患数量及当前隐患总量；
对预测期每种隐患的治理数与每种隐患治理的强化系数求积，获取预测期隐患治理数；
对预测期内A类隐患增量与B类隐患增量求和，获取预测期隐患增量，其中，A类隐患为不可避免的或无需预测的隐患，B类隐患为需要预测的隐患；
根据当前隐患总量、预测期隐患治理数以及预测期隐患增量获取预测期隐患总量。
本发明通过获取当前各类隐患数量及当前隐患总量，以此为基础，通过预测期隐患治理数(也即隐患减量的预测)以及隐患增量的预测，最终通过隐患增量与减量的预测值结合现有隐患数量得出最终的隐患趋势预测结果，预测方式不是对原始数据进行综合分析，整体数据的预测不会消除原始不同类型数据间的差异性，因此能够有效提高预测的准确性。
进一步地，所述获取当前各类隐患数量及当前隐患总量包括：
获取隐患集合D＝{D1,D2,D3,D4,D5,D6,D7,...,Di}，其中Di表示第i种隐患；
通过公式De＝∑Dni获取当前隐患总量，其中，Dni表示第n个管段的第i种隐患。
更进一步地，所述获取预测期隐患治理数包括：
通过公式Dig＝Dig1×fi获取预测期第i种隐患的治理数，其中，Dig1表示第i种隐患计划治理数量，fi表示第i种隐患治理的强化系数；
通过公式fi＝1+Ze(Di,t)获取第i种隐患治理的强化系数，其中，Ze(Di,t)表示第e项政策的颁布、活动的开展对第i种隐患实际治理量的影响；
通过公式
获取第e项政策的颁布、活动的开展对第i种隐患实际治理量的影响，其中，
表示第e项政策的颁布、活动的开展期间实际治理隐患数量，
表示第e项政策的颁布、活动的开展期间计划治理隐患数量；
通过公式Dg＝∑Dig获取预测期隐患治理数。
更进一步地，所述获取预测期隐患增量包括：
通过公式Dn＝DA+DB获取预测期隐患增量，其中，表示预测期隐患增量，DA表示A类隐患增量，DB表示B类隐患增量。
再进一步地，所述A类隐患包括燃气管线与其他管线间距或埋设方式不符合国家标准要求、燃气管线穿越公路或铁路方式不符合国家相关规定隐患、违章圈占压隐患、安全间距不足隐患以及地质灾害隐患，A类隐患不具有时间特性或时间特性不明显，当管网普查或地质灾害普查时，发现存在隐患即获得A类隐患增量。
再进一步地，所述B类隐患增量的获取过程为：
获取与第i种隐患出现相关指标集合
其中，
表示第i种隐患的第b个影响指标；
利用粗糙集约简算法约简去除与第i种隐患出现相关指标集合中的冗余影响因素，形成与当地实际情况相符的影响指标简化集合
其中，
表示与当地实际情况相符的第i种隐患的第b个影响指标；
根据影响因素状态对影响指标简化集合去冗余形成子集合Di,y,o 
表示子集合中第m个元素；
通过公式
获取子集合对应隐患出现概率，其中，Di,y,o表示与第i种隐患出现相关指标集合的第o种状态，U为历史维修记录、突发事件记录统计年数，NDi,y,o为U年内符合第o种状态的燃气管段出现泄漏的数量，RDi,y,o表示符合第o种状态的燃气管段总体数量；
以与第i种隐患出现相关指标集合Di'以及子集合对应隐患出现概率PDi,y,o为BP神经网络的输入，隐患数量的期望为输出，通过前期预设数量的数据对BP神经网络进行训练，得到预期内燃气出现第i种隐患可能性预测模型；
获取预测期内第n段燃气管段出现第i种隐患数量的期望，对所有种类隐患的期望进行累加获取第n段燃气管段在预测期内出现隐患数量期望累加值，对待分析区域内所有燃气管段对应预测隐患期望总数求和，即为待分析区域B类隐患增量。
进一步地，所述根据当前隐患总量、预测期隐患治理数以及预测期隐患增量获取预测期隐患总量包括：
通过公式Dp＝De-Dg+Dn获取预测期隐患总量，其中，Dp表示预测期隐患总量。
本发明还提供一种城市埋地燃气管线隐患数量趋势预测的***，所述***包括：
当前隐患总量获取模块，用于获取隐患集合，根据隐患集合对各个管段的所有隐患数量进行求和获取当前各类隐患数量及当前隐患总量；
预测期隐患治理数获取模块，用于对预测期每种隐患的治理数与每种隐患治理的强化系数求积，获取预测期隐患治理数；
预测期隐患增量获取模块，用于对预测期内A类隐患增量与B类隐患增量求和，获取预测期隐患增量，其中，A类隐患为不可避免的或无需预测的隐患，B类隐患为需要预测的隐患；
预测期隐患总量获取模块，用于根据当前隐患总量、预测期隐患治理数以及预测期隐患增量获取预测期隐患总量。
进一步地，所述当前隐患总量获取模块还用于：
获取隐患集合D＝{D1,D2,D3,D4,D5,D6,D7,...,Di}，其中Di表示第i种隐患；
通过公式De＝∑Dni获取当前隐患总量，其中，Dni表示第n个管段的第i种隐患。
更进一步地，所述预测期隐患治理数获取模块还用于：
通过公式Dig＝Dig1×fi获取预测期第i种隐患的治理数，其中，Dig1表示第i种隐患计划治理数量，fi表示第i种隐患治理的强化系数；
通过公式fi＝1+Ze(Di,t)获取第i种隐患治理的强化系数，其中，Ze(Di,t)表示第e项政策的颁布、活动的开展对第i种隐患实际治理量的影响；
通过公式
获取第e项政策的颁布、活动的开展对第i种隐患实际治理量的影响，其中，
表示第e项政策的颁布、活动的开展期间实际治理隐患数量，
表示第e项政策的颁布、活动的开展期间计划治理隐患数量；
通过公式Dg＝∑Dig获取预测期隐患治理数。
更进一步地，所述预测期隐患增量获取模块还用于：
通过公式Dn＝DA+DB获取预测期隐患增量，其中，表示预测期隐患增量，DA表示A类隐患增量，DB表示B类隐患增量。
再进一步地，所述A类隐患包括燃气管线与其他管线间距或埋设方式不符合国家标准要求、燃气管线穿越公路或铁路方式不符合国家相关规定隐患、违章圈占压隐患、安全间距不足隐患以及地质灾害隐患，A类隐患不具有时间特性或时间特性不明显，当管网普查或地质灾害普查时，发现存在隐患即获得A类隐患增量。
再进一步地，所述B类隐患增量的获取过程为：
获取与第i种隐患出现相关指标集合
其中，
表示第i种隐患的第b个影响指标；
利用粗糙集约简算法约简去除与第i种隐患出现相关指标集合中的冗余影响因素，形成与当地实际情况相符的影响指标简化集合
其中，
表示与当地实际情况相符的第i种隐患的第b个影响指标；
根据影响因素状态对影响指标简化集合去冗余形成子集合Di,y,o 
表示子集合中第m个元素；
通过公式
获取子集合对应隐患出现概率，其中，Di,y,o表示与第i种隐患出现相关指标集合的第o种状态，U为历史维修记录、突发事件记录统计年数，NDi,y,o为U年内符合第o种状态的燃气管段出现泄漏的数量，RDi,y,o表示符合第o种状态的燃气管段总体数量；
以与第i种隐患出现相关指标集合Di'以及子集合对应隐患出现概率PDi,y,o为BP神经网络的输入，隐患数量的期望为输出，通过前期预设数量的数据对BP神经网络进行训练，得到预期内燃气出现第i种隐患可能性预测模型；
获取预测期内第n段燃气管段出现第i种隐患数量的期望，对所有种类隐患的期望进行累加获取第n段燃气管段在预测期内出现隐患数量期望累加值，对待分析区域内所有燃气管段对应预测隐患期望总数求和，即为待分析区域B类隐患增量。
进一步地，所述预测期隐患总量获取模块还用于：
通过公式Dp＝De-Dg+Dn获取预测期隐患总量，其中，Dp表示预测期隐患总量。
本发明的优点在于：本发明通过获取当前各类隐患数量及当前隐患总量，以此为基础，通过预测期隐患治理数(也即隐患减量的预测)以及隐患增量的预测，最终通过隐患增量与减量的预测值结合现有隐患数量得出最终的隐患趋势预测结果，预测方式不是对原始数据进行综合分析，整体数据的预测不会消除原始不同类型数据间的差异性，因此能够有效提高预测的准确性。
附图说明
图1为本发明实施例1所公开的一种城市埋地燃气管线隐患数量趋势预测的方法的流程图；
图2为本发明实施例1所公开的一种城市埋地燃气管线隐患数量趋势预测的方法中隐患治理重视程度分析示意图；
图3为本发明实施例1所公开的一种城市埋地燃气管线隐患数量趋势预测的方法中B类隐患增量的获取流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1
如图1所示，一种城市埋地燃气管线隐患数量趋势预测的方法，所述方法包括：
获取隐患集合，根据隐患集合对各个管段的所有隐患数量进行求和获取当前各类隐患数量及当前隐患总量；
对预测期每种隐患的治理数与每种隐患治理的强化系数求积，获取预测期隐患治理数；
对预测期内A类隐患增量与B类隐患增量求和，获取预测期隐患增量，其中，A类隐患为不可避免的或无需预测的隐患，B类隐患为需要预测的隐患；
根据当前隐患总量、预测期隐患治理数以及预测期隐患增量获取预测期隐患总量。
步骤S1:获取当前各类隐患数量及当前隐患总量，包括：
将燃气管网分别按照压力级别、管材类型、埋设方式、服役年龄、防腐层种类等因素划分管段，用Ln表示，其中n代表第n个管段。
根据当地燃气企业埋地燃气管道历史维修记录、应急处置记录、巡检记录等数据，获取当地燃气管线主要隐患类型，包括但不仅限于交叉穿越隐患D1、施工缺陷隐患D2、管道老化隐患D3、管道腐蚀隐患D4、第三方破坏隐患D5、安全间距不足隐患D6、自然灾害隐患D7等，
即隐患集合可表示为D＝{D1,D2,D3,D4,D5,D6,D7,...,Di}，其中Di表示第i种隐患；
通过公式De＝∑Dni获取当前隐患总量，其中，Dni表示第n个管段的第i种隐患。
步骤S2:获取预测期隐患治理数，包括：
通过公式Dig＝Dig1×fi获取预测期第i种隐患的治理数，其中，Dig1表示第i种隐患计划治理数量，fi表示第i种隐患治理的强化系数；
其中隐患计划治理数量可根据但不仅限于地质灾害治理计划、燃气管网改造计划、燃气集团安全工作计划等获取。例如当某地质灾害点治理完成，由地质灾害导致燃气管线泄漏的隐患产生环境消失，即该隐患被消除。又如，存在隐患的燃气管道废用，则该段燃气管道隐患被消除。
某项隐患治理的强化系数指当外部政策、活动开展时，对隐患治理数量的强化作用，受国务院、省、市、区、县、燃气公司与燃气相关的重要指示、安全生产会议、安全检查、隐患专项治理等政策的颁布、活动的开展影响，对隐患数量的减少起到正面作用。
通过公式fi＝1+Ze(Di,t)获取第i种隐患治理的强化系数，其中，Ze(Di,t)表示第e项政策的颁布、活动的开展对第i种隐患实际治理量的影响；
通过公式
获取第e项政策的颁布、活动的开展对第i种隐患实际治理量的影响，其中，
表示第e项政策的颁布、活动的开展期间实际治理隐患数量，
表示第e项政策的颁布、活动的开展期间计划治理隐患数量；如图2所示，为隐患治理重视程度分析示意图。
通过公式Dg＝∑Dig获取预测期隐患治理数。
步骤S3:获取预测期隐患增量，包括：
1)隐患分类
埋地燃气管线隐患增量指现在至预测时间点期间内新增隐患数量。燃气管线隐患主要包括：
1)交叉穿越隐患D1。主要分为两类，包括燃气管线与其他管线间距不足隐患D11以及燃气管线穿越公路或铁路方式不符合国家相关规定隐患D12。燃气管线与其他管线间距不足隐患分为两类，①燃气管线与其他管线间距或埋设方式不符合国家标准要求D111。②燃气管线与其他管线不满足安全要求，即埋地燃气管线泄漏后通过土壤扩散至相邻管线内聚集***隐患D112，当相邻管线因积水等原因充满则该类隐患消失。
2)施工缺陷隐患D2。主要指焊缝存在气孔或者沙眼，施工时涂层遭到破坏，防腐层未涂均匀、选材不符合采购标准等因素。
3)管道老化隐患D3。指管道已到服役末期，老化破损的隐患。
4)管道腐蚀隐患D4。管道腐蚀主要分为化学腐蚀与电化学腐蚀，其与土壤酸碱度、点位、管道材质、壁厚、防腐层类型等有关。
5)第三方破坏隐患D5。第三方破坏隐患包括车辆碾压隐患D51、违章圈占压隐患D52、第三方施工隐患D53。
车辆碾压隐患D51。①对于没有采用保护措施的管道，管道埋深小于0.5m时，机动车碾压管道；②管道埋深为0.5～0.8m时，载重货车、载重工程车碾压管道。
违章圈占压隐患D52。包括民房、围墙、棚圈占压管道；高度超过2m的垃圾占压埋深小于0.8m的管道；大型机械设备占压埋深小于0.8m的管道。
第三方施工隐患D53。第三方施工指在管道中心线两侧5m范围内存在的机械开挖、钻孔、***等第三方施工行为。
6)安全间距不足隐患D6。指按照国家标准，埋地燃气管道与民房、围墙、棚圈、杆塔牌的间距不足。
7)自然灾害隐患D7。指自然灾害对管道稳定造成影响，包括地质灾害影响隐患D71，极端天气影响隐患D72。具体参见表1埋地燃气管线隐患类型列表。
表1埋地燃气管线隐患类型列表
| 编号 | 隐患类型 | 性质 |
| D<sub>1</sub> | 交叉穿越隐患 | - |
| D<sub>11</sub> | 燃气管线与其他管线间距不足隐患 | - |
| D<sub>111</sub> | 燃气管线与其他管线间距或埋设方式不符合国家标准要求 | A |
| D<sub>112</sub> | 燃气管线与其他管线不满足安全要求 | B |
| D<sub>12</sub> | 燃气管线穿越公路或铁路方式不符合国家相关规定隐患 | A |
| D<sub>2</sub> | 施工缺陷隐患 | B |
| D<sub>3</sub> | 管道老化隐患 | B |
| D<sub>4</sub> | 管道腐蚀隐患 | B |
| D<sub>5</sub> | 第三方破坏隐患 | - |
| D<sub>51</sub> | 车辆碾压隐患 | B |
| D<sub>52</sub> | 违章圈占压隐患 | A |
| D<sub>53</sub> | 第三方施工隐患 | B |
| D<sub>6</sub> | 安全间距不足隐患 | A |
| D<sub>7</sub> | 自然灾害隐患 | - |
| D<sub>71</sub> | 地质灾害隐患 | A |
| D<sub>72</sub> | 极端天气隐患 | B |
综上可知，燃气管道隐患根据持续时间可分为A、B两类。
A类隐患称为不可避免的或无需预测的隐患，包括D111燃气管线与其他管线间距或埋设方式不符合国家标准要求，D12燃气管线穿越公路或铁路方式不符合国家相关规定隐患，D52违章圈占压隐患，D6安全间距不足隐患，D7地质灾害隐患等。这些隐患如燃气管线与其他管线间距或埋设方式不符合国家标准要求，此类隐患在管线规划、埋设时已经存在；或如地质灾害隐患，当当地政府相关部门识别出燃气管线位于地质灾害影响范围内则隐患出现，当地质灾害治理完成，隐患消失。即A类隐患不具有时间特性或时间特性不明显，当管网普查或地质灾害普查时，发现存在隐患即存在隐患增量。A类隐患的获取方式如表2所示。
表2 A类隐患增量的获取
B类隐患称为可预测的隐患，如燃气管线与其他管线不满足安全要求D112，施工缺陷隐患D2，管道老化隐患D3，管道腐蚀隐患D4，车辆碾压隐患D51，第三方施工隐患D53，极端天气隐患D72等，此类隐患具有一定时间特性，可进行数量预测。
因此，通过公式Dn＝DA+DB获取预测期隐患增量，其中，表示预测期隐患增量，DA表示A类隐患增量，DB表示B类隐患增量。
其中，如图3所示，所述B类隐患增量的获取过程为：
通过德尔菲法、文献调研、现场调查或历史维修记录分析等方法获取与第i种隐患出现相关指标集合
其中，
表示第i种隐患的第b个影响指标；
对指标集合指标进行模糊化描述(如很好、很差、较差、较好等)，以隐患是否存在为决策属性；
利用粗糙集约简算法约简去除与第i种隐患出现相关指标集合中的冗余影响因素，形成与当地实际情况相符的影响指标简化集合
其中，
表示与当地实际情况相符的第i种隐患的第b个影响指标；
由于影响指标简化集合
内部部分指标可能无法获取，因此需要进行删减，这个删减即为去冗余，故根据影响因素状态对影响指标简化集合去冗余形成子集合
表示子集合中第m个元素；
通过公式
获取子集合对应隐患出现概率，其中，Di,y,o表示与第i种隐患出现相关指标集合的第o种状态，U为历史维修记录、突发事件记录统计年数，NDi,y,o为U年内符合第o种状态的燃气管段出现泄漏的数量，RDi,y,o表示符合第o种状态的燃气管段总体数量；
以与第i种隐患出现相关指标集合Di'以及子集合对应隐患出现概率PDi,y,o为BP神经网络的输入，隐患数量的期望为输出，通过前期预设数量的数据对BP神经网络进行训练，得到预期内燃气出现第i种隐患可能性预测模型，隐患可能性预测模型表现为黑匣子形式，无特定的映射关系数学方程，构建的BP神经网络，一旦构建成功，通过输入输入量即可得出输出量；
通过天气预报等可靠信息源，获取各燃气管道预测期内对应指标预测值。当预测期较长时，指标预测值可能存在多种结果(如晴天、小雨、暴雨等)，以与隐患出现正相关最大的指标预测值作为计算指标；
获取预测期内第n段燃气管段出现第i种隐患数量的期望，对所有种类隐患的期望进行累加获取第n段燃气管段在预测期内出现隐患数量期望累加值，对待分析区域内所有燃气管段对应预测隐患期望总数求和，即为待分析区域B类隐患增量。
另外，当影响隐患出现的指标为相对单一时，可通过对指标进行时间序列分析预测，获取隐患增量。
下面给出相关预测方法示例。
①管道腐蚀隐患数量的预测(理论公式法)
对于管道腐蚀隐患D4数量的预测可采用Velazquez构建的管道腐蚀深度增长预测幂函数模型：
d(T)＝k(t-t0)n
式中：t0为腐蚀坑开始出现时间(年)，对于黏土、粘壤土、砂质粘壤土该值分别取3.05、3.06、2.57，当土壤类型不可知时可取2.88。参数k和n为腐蚀经验常数。式中：
k＝0.608-0.00018rp-0.0654ph-0.00026re+0.000974cc-0.000639bc-0.000122sc (11)
n＝0.896+0.519pp+0.00465wc-0.0099bd+0.431ct
其中字母含义为氧化还原电位rp(mV)、ph、管地电位pp(mV)、土壤电阻率re(Ω·m)、含水量wc(％)、土壤容重bd(g/mL)、氯化物含量cc(ppm)、碳酸氢盐含量bc(ppm)、硫酸盐含量sc(ppm)和防腐层类型ct。
可将式d(T)＝k(t-t0)n转化为
式中d为管道壁厚，通过上式可实现管道腐蚀穿孔发生时间的预测。统计预测期内达到预计腐蚀穿孔时间管段数量，即为腐蚀隐患增量。
②第三方施工隐患数量(人工智能算法)
对于第三方施工隐患数量D53，影响参数为管线中心线两侧5m范围内第三方施工活动。短期内施工活动可通过统计政府施工活动管理***备案的预测期内开工的管线中心线两侧5m范围内第三方施工活动数量来计算第三方施工隐患增量。
长期隐患增量的预测可通过人工智能算法如Holt’winter进行预测。首先根据总体施工周期根据一个月内、半年内、超过半年将施工点划分为三个区间{sgy1}，{sgy2}，{sgy3},分别形成施工点时间序列，对原始数据进行一次平滑，使用平滑处理削弱数据间差距，再使用Holt’winter预测，处理后的效果如下。统计预测期内三个区间施工隐患点总数∑sgy。
则第三方施工隐患增量Δsg表示为
ΔD53＝∑sgx-∑sgy
其中∑sgx为现有施工点隐患点数量。
B类隐患增量还具有关联因素，一般B类隐患增量关联因素如表3所示。
表3 B类隐患增量关联因素
步骤S4：根据当前隐患总量、预测期隐患治理数以及预测期隐患增量获取预测期隐患总量，包括：
通过公式Dp＝De-Dg+Dn获取预测期隐患总量，其中，Dp表示预测期隐患总量。另外根据隐患增量和隐患减量可绘制隐患博弈曲线，来表征治理能力的变化，便于后期隐患治理工作的部署。
实施例2
与本发明实施例1相对应的，本发明实施例2还提供一种城市埋地燃气管线隐患数量趋势预测的***，所述***包括：
当前隐患总量获取模块，用于获取隐患集合，根据隐患集合对各个管段的所有隐患数量进行求和获取当前各类隐患数量及当前隐患总量；
预测期隐患治理数获取模块，用于对预测期每种隐患的治理数与每种隐患治理的强化系数求积，获取预测期隐患治理数；
预测期隐患增量获取模块，用于对预测期内A类隐患增量与B类隐患增量求和，获取预测期隐患增量，其中，A类隐患为不可避免的或无需预测的隐患，B类隐患为需要预测的隐患；
预测期隐患总量获取模块，用于根据当前隐患总量、预测期隐患治理数以及预测期隐患增量获取预测期隐患总量。
具体的，所述当前隐患总量获取模块还用于：
获取隐患集合D＝{D1,D2,D3,D4,D5,D6,D7,...,Di}，其中Di表示第i种隐患；
通过公式De＝∑Dni获取当前隐患总量，其中，Dni表示第n个管段的第i种隐患。
具体的，所述预测期隐患治理数获取模块还用于：
通过公式Dig＝Dig1×fi获取预测期第i种隐患的治理数，其中，Dig1表示第i种隐患计划治理数量，fi表示第i种隐患治理的强化系数；
通过公式fi＝1+Ze(Di,t)获取第i种隐患治理的强化系数，其中，Ze(Di,t)表示第e项政策的颁布、活动的开展对第i种隐患实际治理量的影响；
通过公式
获取第e项政策的颁布、活动的开展对第i种隐患实际治理量的影响，其中，
表示第e项政策的颁布、活动的开展期间实际治理隐患数量，
表示第e项政策的颁布、活动的开展期间计划治理隐患数量；
通过公式Dg＝∑Dig获取预测期隐患治理数。
具体的，所述预测期隐患增量获取模块还用于：
通过公式Dn＝DA+DB获取预测期隐患增量，其中，表示预测期隐患增量，DA表示A类隐患增量，DB表示B类隐患增量。
具体的，所述A类隐患包括燃气管线与其他管线间距或埋设方式不符合国家标准要求、燃气管线穿越公路或铁路方式不符合国家相关规定隐患、违章圈占压隐患、安全间距不足隐患以及地质灾害隐患，A类隐患不具有时间特性或时间特性不明显，当管网普查或地质灾害普查时，发现存在隐患即获得A类隐患增量。
具体的，所述B类隐患增量的获取过程为：
获取与第i种隐患出现相关指标集合
其中，
表示第i种隐患的第b个影响指标；
利用粗糙集约简算法约简去除与第i种隐患出现相关指标集合中的冗余影响因素，形成与当地实际情况相符的影响指标简化集合
其中，
表示与当地实际情况相符的第i种隐患的第b个影响指标；
根据影响因素状态对影响指标简化集合去冗余形成子集合Di,y,o 
表示子集合中第m个元素；
通过公式
获取子集合对应隐患出现概率，其中，Di,y,o表示与第i种隐患出现相关指标集合的第o种状态，U为历史维修记录、突发事件记录统计年数，NDi,y,o为U年内符合第o种状态的燃气管段出现泄漏的数量，RDi,y,o表示符合第o种状态的燃气管段总体数量；
以与第i种隐患出现相关指标集合Di'以及子集合对应隐患出现概率PDi,y,o为BP神经网络的输入，隐患数量的期望为输出，通过前期预设数量的数据对BP神经网络进行训练，得到预期内燃气出现第i种隐患可能性预测模型；
获取预测期内第n段燃气管段出现第i种隐患数量的期望，对所有种类隐患的期望进行累加获取第n段燃气管段在预测期内出现隐患数量期望累加值，对待分析区域内所有燃气管段对应预测隐患期望总数求和，即为待分析区域B类隐患增量。
具体的，所述预测期隐患总量获取模块还用于：
通过公式Dp＝De-Dg+Dn获取预测期隐患总量，其中，Dp表示预测期隐患总量。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种城市埋地燃气管线隐患数量趋势预测的方法，其特征在于，所述方法包括：
获取隐患集合，根据隐患集合对各个管段的所有隐患数量进行求和获取当前各类隐患数量及当前隐患总量；
对预测期每种隐患的治理数与每种隐患治理的强化系数求积，获取预测期隐患治理数；
对预测期内A类隐患增量与B类隐患增量求和，获取预测期隐患增量，其中，A类隐患为不可避免的或无需预测的隐患，B类隐患为需要预测的隐患；
根据当前隐患总量、预测期隐患治理数以及预测期隐患增量获取预测期隐患总量。
2.根据权利要求1所述的一种城市埋地燃气管线隐患数量趋势预测的方法，其特征在于，所述获取当前各类隐患数量及当前隐患总量包括：
获取隐患集合D＝{D1,D2,D3,D4,D5,D6,D7,...,Di}，其中Di表示第i种隐患；
通过公式De＝∑Dni获取当前隐患总量，其中，Dni表示第n个管段的第i种隐患。
3.根据权利要求2所述的一种城市埋地燃气管线隐患数量趋势预测的方法，其特征在于，所述获取预测期隐患治理数包括：
通过公式Dig＝Dig1×fi获取预测期第i种隐患的治理数，其中，Dig1表示第i种隐患计划治理数量，fi表示第i种隐患治理的强化系数；
通过公式fi＝1+Ze(Di,t)获取第i种隐患治理的强化系数，其中，Ze(Di,t)表示第e项政策的颁布、活动的开展对第i种隐患实际治理量的影响；
通过公式
获取第e项政策的颁布、活动的开展对第i种隐患实际治理量的影响，其中，
表示第e项政策的颁布、活动的开展期间实际治理隐患数量，
表示第e项政策的颁布、活动的开展期间计划治理隐患数量；
通过公式Dg＝∑Dig获取预测期隐患治理数。
4.根据权利要求3所述的一种城市埋地燃气管线隐患数量趋势预测的方法，其特征在于，所述获取预测期隐患增量包括：
通过公式Dn＝DA+DB获取预测期隐患增量，其中，表示预测期隐患增量，DA表示A类隐患增量，DB表示B类隐患增量。
5.根据权利要求4所述的一种城市埋地燃气管线隐患数量趋势预测的方法，其特征在于，所述A类隐患包括燃气管线与其他管线间距或埋设方式不符合国家标准要求、燃气管线穿越公路或铁路方式不符合国家相关规定隐患、违章圈占压隐患、安全间距不足隐患以及地质灾害隐患，A类隐患不具有时间特性或时间特性不明显，当管网普查或地质灾害普查时，发现存在隐患即获得A类隐患增量。
6.根据权利要求4所述的一种城市埋地燃气管线隐患数量趋势预测的方法，其特征在于，所述B类隐患增量的获取过程为：
获取与第i种隐患出现相关指标集合
其中，
表示第i种隐患的第b个影响指标；
利用粗糙集约简算法约简去除与第i种隐患出现相关指标集合中的冗余影响因素，形成与当地实际情况相符的影响指标简化集合
其中，
表示与当地实际情况相符的第i种隐患的第b个影响指标；
根据影响因素状态对影响指标简化集合去冗余形成子集合Di,y,o 
表示子集合中第m个元素；
通过公式
获取子集合对应隐患出现概率，其中，Di,y,o表示与第i种隐患出现相关指标集合的第o种状态，U为历史维修记录、突发事件记录统计年数，NDi,y,o为U年内符合第o种状态的燃气管段出现泄漏的数量，RDi,y,o表示符合第o种状态的燃气管段总体数量；
以与第i种隐患出现相关指标集合Di'以及子集合对应隐患出现概率PDi,y,o为BP神经网络的输入，隐患数量的期望为输出，通过前期预设数量的数据对BP神经网络进行训练，得到预期内燃气出现第i种隐患可能性预测模型；
获取预测期内第n段燃气管段出现第i种隐患数量的期望，对所有种类隐患的期望进行累加获取第n段燃气管段在预测期内出现隐患数量期望累加值，对待分析区域内所有燃气管段对应预测隐患期望总数求和，即为待分析区域B类隐患增量。
7.根据权利要求4所述的一种城市埋地燃气管线隐患数量趋势预测的方法，其特征在于，所述根据当前隐患总量、预测期隐患治理数以及预测期隐患增量获取预测期隐患总量包括：
通过公式Dp＝De-Dg+Dn获取预测期隐患总量，其中，Dp表示预测期隐患总量。
8.一种城市埋地燃气管线隐患数量趋势预测的***，其特征在于，所述***包括：
当前隐患总量获取模块，用于获取隐患集合，根据隐患集合对各个管段的所有隐患数量进行求和获取当前各类隐患数量及当前隐患总量；
预测期隐患治理数获取模块，用于对预测期每种隐患的治理数与每种隐患治理的强化系数求积，获取预测期隐患治理数；
预测期隐患增量获取模块，用于对预测期内A类隐患增量与B类隐患增量求和，获取预测期隐患增量，其中，A类隐患为不可避免的或无需预测的隐患，B类隐患为需要预测的隐患；
预测期隐患总量获取模块，用于根据当前隐患总量、预测期隐患治理数以及预测期隐患增量获取预测期隐患总量。
9.根据权利要求8所述的一种城市埋地燃气管线隐患数量趋势预测的***，其特征在于，所述当前隐患总量获取模块还用于：
获取隐患集合D＝{D1,D2,D3,D4,D5,D6,D7,...,Di}，其中Di表示第i种隐患；
通过公式De＝∑Dni获取当前隐患总量，其中，Dni表示第n个管段的第i种隐患。
10.根据权利要求9所述的一种城市埋地燃气管线隐患数量趋势预测的方法，其特征在于，所述预测期隐患治理数获取模块还用于：
通过公式Dig＝Dig1×fi获取预测期第i种隐患的治理数，其中，Dig1表示第i种隐患计划治理数量，fi表示第i种隐患治理的强化系数；
通过公式fi＝1+Ze(Di,t)获取第i种隐患治理的强化系数，其中，Ze(Di,t)表示第e项政策的颁布、活动的开展对第i种隐患实际治理量的影响；
通过公式
获取第e项政策的颁布、活动的开展对第i种隐患实际治理量的影响，其中，
表示第e项政策的颁布、活动的开展期间实际治理隐患数量，
表示第e项政策的颁布、活动的开展期间计划治理隐患数量；
通过公式Dg＝∑Dig获取预测期隐患治理数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011389009.8A CN112529273B (zh) | 2020-12-01 | 2020-12-01 | 一种城市埋地燃气管线隐患数量趋势预测的方法与*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011389009.8A CN112529273B (zh) | 2020-12-01 | 2020-12-01 | 一种城市埋地燃气管线隐患数量趋势预测的方法与*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112529273A true CN112529273A (zh) | 2021-03-19 |
| CN112529273B CN112529273B (zh) | 2022-02-22 |
Family
ID=74996153
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011389009.8A Active CN112529273B (zh) | 2020-12-01 | 2020-12-01 | 一种城市埋地燃气管线隐患数量趋势预测的方法与*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112529273B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104700179A (zh) * | 2013-12-06 | 2015-06-10 | 大连灵动科技发展有限公司 | 基于企业地理信息的隐患风险管理方法 |
| CN106446033A (zh) * | 2016-08-31 | 2017-02-22 | 青岛市勘察测绘研究院 | 地下管线安全隐患信息管理***及方法 |
| CN106485396A (zh) * | 2016-09-09 | 2017-03-08 | 北京科技大学 | 一种安全生产隐患排查*** |
| CN109242170A (zh) * | 2018-08-28 | 2019-01-18 | 浙江大学城市学院 | 一种基于数据挖掘技术的城市道路管理***及方法 |
| US10740437B1 (en) * | 2017-07-28 | 2020-08-11 | Express Scripts Strategic Development, Inc. | Systems and methods for predictive data analytics |
| CN111950994A (zh) * | 2020-09-03 | 2020-11-17 | 深圳市不动产评估中心(深圳市地质环境监测中心) | 一种地质环境及监测信息管理方法、***、终端及存储介质 |
-
2020
- 2020-12-01 CN CN202011389009.8A patent/CN112529273B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104700179A (zh) * | 2013-12-06 | 2015-06-10 | 大连灵动科技发展有限公司 | 基于企业地理信息的隐患风险管理方法 |
| CN106446033A (zh) * | 2016-08-31 | 2017-02-22 | 青岛市勘察测绘研究院 | 地下管线安全隐患信息管理***及方法 |
| CN106485396A (zh) * | 2016-09-09 | 2017-03-08 | 北京科技大学 | 一种安全生产隐患排查*** |
| US10740437B1 (en) * | 2017-07-28 | 2020-08-11 | Express Scripts Strategic Development, Inc. | Systems and methods for predictive data analytics |
| CN109242170A (zh) * | 2018-08-28 | 2019-01-18 | 浙江大学城市学院 | 一种基于数据挖掘技术的城市道路管理***及方法 |
| CN111950994A (zh) * | 2020-09-03 | 2020-11-17 | 深圳市不动产评估中心(深圳市地质环境监测中心) | 一种地质环境及监测信息管理方法、***、终端及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| 尚秋谨等: "城市地下管线运行管理的德日经验", 《城市管理与科技》 * |
| 马明焕等: "基于数据挖掘技术的事故隐患预警方法研究", 《中国安全生产科学技术》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112529273B (zh) | 2022-02-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107610469B (zh) | 一种考虑多因素影响的日维度区域交通指数预测方法 | |
| Yan et al. | Risk assessment for construction of urban rail transit projects | |
| US7627491B2 (en) | Method for evaluating flood plain risks | |
| US20190303791A1 (en) | Predicting pipe failure | |
| CN108345976A (zh) | 一种长输油气管道动态风险评估方法及装置 | |
| CN116777223B (zh) | 一种城市地下管网安全综合风险评估方法及*** | |
| CN111611524B (zh) | 一种燃气风险评估与***资源匹配方法及装置 | |
| Jeong et al. | Prediction of flexible pavement deterioration in relation to climate change using fuzzy logic | |
| Lee et al. | Dynamic analysis of construction safety risk and visual tracking of key factors based on behavior-based safety and building information modeling | |
| CN103488907B (zh) | 天然气管道第三方破坏失效概率的计算方法 | |
| CN111859779B (zh) | 一种燃气管网防第三方施工破坏风险预警的方法及装置 | |
| CN112529265A (zh) | 一种燃气管线综合风险评估、预测方法及*** | |
| CN117809439B (zh) | 一种基于多种环境因素中河流流量异常预警*** | |
| CN111612301A (zh) | 基于权重自调节的燃气埋地管道泄漏风险评估方法及装置 | |
| CN115270527A (zh) | 道路塌陷风险实时评估方法、设备及存储介质 | |
| CN116523312A (zh) | 一种智慧城市数据管理方法及*** | |
| WO2024012552A1 (zh) | 尾矿库安全生产风险分级预警方法 | |
| CN117575319B (zh) | 一种评估城市洪涝灾害等级的方法及*** | |
| CN112529273B (zh) | 一种城市埋地燃气管线隐患数量趋势预测的方法与*** | |
| CN111612336A (zh) | 一种基于大数据的油气管道失效因素修正方法 | |
| CN115424426B (zh) | 一种提升区域地质灾害预警预报准确性的方法 | |
| CN116523296A (zh) | 燃气管网相邻地下空间风险评估方法及装置 | |
| Ibrahim et al. | Landslide’s analysis and Hazard mapping based on ANALYTIC HIERARCHY PROCESS (AHP) using GIS, in Lawas, Sabah-Sarawak | |
| CN111026790A (zh) | 一种基于数据挖掘的结构安全评估及预报方法 | |
| Zhang et al. | A new pre-assessment model for failure-probability-based-planning by neural network |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |