基于SOM聚类算法的核级管道支吊架根部智能选型研究

发布时间：2021-09-06 17:20

　　基于数据挖掘技术,对核级管道支吊架根部智能选型数据预处理方法开展了研究,研究了根部选型预处理的分类方法,设计了数据预处理流程,确定了支吊架根部选型的优先级顺序;基于自组织映射网络（SOM）聚类算法,研究了支吊架根部智能选型数据的计算流程;设计了实验平台,基于实际工程数据,验证了算法的可行性和有效性,证明了数据的预处理及聚类效果明显。 

【文章来源】：核动力工程. 2020,41(03)北大核心EICSCD

【文章页数】：4 页

【部分图文】：

SOM算法流程图

将浏览器作为客户端，构建基于一种快速、通用、可扩展的大数据分析引擎（Spark平台）的支吊架根部选型智能挖掘系统模型，将预处理流程及SOM算法移植到Spark平台上[6]。图3为该实验设计的方案图。用实例验证基于Spark平台的预处理流程及数据挖掘技术在智能支吊架根部选型中的有效性。实验数据由5000条支吊架布置数据组成，包含了3个实际工程的设计数据，每个数据包含4个属性，分别为根部型式（A）、权值（B）、应力计算结果（C）、逻辑支吊架管部形式（D）。

图4反映了3种支吊架根部型式（G31、G32及G33）在A、B、C、D 4个属性中的聚类效果，其中G31为简支梁两端支撑点位于已存在结构梁的底部；G32为简支梁两端支撑点位于已存在结构梁的中部和底部；G33为简支梁两端支撑点位于已存在结构梁的中部。聚簇1、2、3和4分别为A、B、C、D 4个属性的聚簇。经过数据预处理和SOM数据挖掘的结果，可以看出各个工程中的设计人员在类似环境下根部选择习惯的不同。在各个聚簇中，G33都是占比最多，适用性最广；G32受到实际环境影响，设计人员使用较少。图5反映了3种根部型式（G31、G32及G33）在实际工程中的聚类分布情况。在对设计人员经验及习惯的数据挖掘中，在规范允许范围内，根部型式G33使用的频率最高，根部型式G32使用频率最低，所以可以得出支吊架根部选型的优先级顺序为：G33>G31>G32，达到了预期效果。

【参考文献】：
期刊论文
[1]火力发电厂支吊架数字化设计方法研究[J]. 蒋贵丰,李建鹏,严旭.  电力工程技术. 2018(05)
[2]火电厂工程设计中基于PDMS的三维支吊架设计应用[J]. 马慧娟.  工程技术研究. 2017(03)
[3]一种融合SOM与K-means算法的动态信用评价方法及应用[J]. 张发明.  运筹与管理. 2014(06)
[4]基于PDMS的三维支吊架设计在火电厂工程设计中的应用[J]. 黄燕华.  轻工科技. 2013(08)
[5]基于SOM聚类的电网可视化数据挖掘模型[J]. 郭晓利,曲朝阳,李晓栋,张加玲,孟凡奇.  情报科学. 2012(02)

硕士论文
[1]基于SOM聚类的WEB文本挖掘及其结果的可视化研究[D]. 薛浩.南京航空航天大学 2010



本文编号：3387865