城市燃气管道脆弱性评估及保护策略研究
发布时间：2021-08-18 23:43
近年来,城市集群效应不断增加,加剧了燃气管道事故后果的灾难性。因此,对其进行有效地安全评估显得意义重大。本文从系统本质安全着眼,以脆弱性削减为切入点,结合现代计算智能方法,构建城市燃气管道脆弱性评估粗糙集（RS）支持向量机（SVM）模型,并基于此进行保护策略分析,探究管道安全管理新范式。在查阅大量文献的基础上,综合分析脆弱性多元化内涵,将城市群系统灾害脆弱性引入传统城市燃气管道安全评估中,结合城市燃气管道自身特点,从全新视角给出城市燃气管道脆弱性新定义,并联合构建评估指标体系,阐明量化赋值策略;将投影寻踪聚类引入脆弱性评估之中,用以量化训练集中决策属性值,即各监测管段的脆弱度。考虑工程实践中指标数据的非单调性,使用基于邻域互信息熵的非单调属性约简算法进行指标集约简,并使用FCM模型进行支持向量机参数优选。使用约简后的数据指标集作为训练集,建立脆弱性评估函数模型。对西北某市三条不同情况的城市燃气管线进行实例分析,并构建攻防博弈下的城市燃气管网保护策略模型。研究结果表明,基于RS-SVM的城市燃气管道脆弱性评估模型可对非线性高维数据集进行高效处理,在保证数据简洁的同时又不失准确性,可在其他...
【文章来源】：西安建筑科技大学陕西省
【文章页数】：96 页
【学位级别】：硕士
【部分图文】：
管道事故统计分析图
采用选取的最佳参数，将训练集数据输入支持向量机中用进行模型训练。训练完毕后，输入检验集中各样本数据，输出检测管段城市燃气管道脆弱度。同时，使用 4.2 节中的模型一并求得检测管段脆弱度期望值，与评估值进行对比。具体代码见附录 C。输出检验集各管段脆弱度评价结果，如表 5.7 所示。表 5.7 检验集脆弱度评估结果检验集管段脆弱度监测点编号 51 52 53 54 55 56 57 58脆弱度 1.3524 1.2701 1.2859 1.2760 1.3295 1.2887 1.2513 1.2581监测点编号 59 60 61 62 63 64 65 66脆弱度 1.2906 1.2730 1.2515 1.2894 1.4784 1.4204 1.3997 1.3232监测点编号 67 68 69 70 71 72 73 74脆弱度 1.4000 1.3572 1.3053 1.4403 1.3949 1.3487 1.2290 1.2816监测点编号 75 76 77 78 79 80 - -脆弱度 1.3230 1.2669 1.2339 1.3093 1.2956 1.2983 - -SVM 检验管段的期望值与评估值对比、评估结果的相对误差以及总误差如图5.2、5.3 所示。
（a）SVM 评估相对误差图 （b）SVM 评估总误差图图 5.3 训练集训练误差图可以看到，对支持向量机评估结果与期望输出值进行对比，计算检验过程中预测模型的总误差与相对误差，得到总误差 4.7%，最大相对误差为 3.9%，因此使用经过训练的模型对检验集中的未知样本进行评判，可以得到较准确的评判结果。此外，为验证 RS-SVM 模型有效性和优越性，在所有参数一致的情况下，将未经粗糙集属性约简的所有指标属性直接输入算法，经过和 RS-SVM 模型下一样的操作过程进行训练和测试[92]，测试结果如表 5.8 所示：表 5.8 SVM 模型和 RS-SVM 模型训练检验结果对比模型 训练时间（s） 预测成功率（%） 最大相对误差（%）SVM 0.45 73.25 6.8RS-SVM 0.17 86.7 3.9表 5.7 表明，在相同的参数配置下，未经属性约简的 SVM 模型的训练时间时
本文编号：3350852
【文章来源】：西安建筑科技大学陕西省
【文章页数】：96 页
【学位级别】：硕士
【部分图文】：
管道事故统计分析图
采用选取的最佳参数，将训练集数据输入支持向量机中用进行模型训练。训练完毕后，输入检验集中各样本数据，输出检测管段城市燃气管道脆弱度。同时，使用 4.2 节中的模型一并求得检测管段脆弱度期望值，与评估值进行对比。具体代码见附录 C。输出检验集各管段脆弱度评价结果，如表 5.7 所示。表 5.7 检验集脆弱度评估结果检验集管段脆弱度监测点编号 51 52 53 54 55 56 57 58脆弱度 1.3524 1.2701 1.2859 1.2760 1.3295 1.2887 1.2513 1.2581监测点编号 59 60 61 62 63 64 65 66脆弱度 1.2906 1.2730 1.2515 1.2894 1.4784 1.4204 1.3997 1.3232监测点编号 67 68 69 70 71 72 73 74脆弱度 1.4000 1.3572 1.3053 1.4403 1.3949 1.3487 1.2290 1.2816监测点编号 75 76 77 78 79 80 - -脆弱度 1.3230 1.2669 1.2339 1.3093 1.2956 1.2983 - -SVM 检验管段的期望值与评估值对比、评估结果的相对误差以及总误差如图5.2、5.3 所示。
（a）SVM 评估相对误差图 （b）SVM 评估总误差图图 5.3 训练集训练误差图可以看到，对支持向量机评估结果与期望输出值进行对比，计算检验过程中预测模型的总误差与相对误差，得到总误差 4.7%，最大相对误差为 3.9%，因此使用经过训练的模型对检验集中的未知样本进行评判，可以得到较准确的评判结果。此外，为验证 RS-SVM 模型有效性和优越性，在所有参数一致的情况下，将未经粗糙集属性约简的所有指标属性直接输入算法，经过和 RS-SVM 模型下一样的操作过程进行训练和测试[92]，测试结果如表 5.8 所示：表 5.8 SVM 模型和 RS-SVM 模型训练检验结果对比模型 训练时间（s） 预测成功率（%） 最大相对误差（%）SVM 0.45 73.25 6.8RS-SVM 0.17 86.7 3.9表 5.7 表明，在相同的参数配置下，未经属性约简的 SVM 模型的训练时间时
本文编号：3350852
本文链接：https://www.wllwen.com/kejilunwen/sgjslw/3350852.html
