一种油气管道风险评价方法、系统、存储介质和电子设备与流程

1.本发明涉及风险评价技术领域，尤其涉及一种油气管道风险评价方法、系统、存储介质和电子设备。


背景技术：

2.近年来，随着对油气资源的需求越来越大，越来越多的油气管道进入到了城市周边，甚至进入城区。管道在运行中可能面临各种风险，一旦发生事故，可能会对周边的人员、环境及财产造成重大威胁。
3.管道风险评价通过识别管道危害因素，对事故发生的可能性和后果大小进行评价，综合得到管道风险高低，并针对性的提出风险控制措施。一方面，近年来基于打分法的半定量风险评价方法在国内外得到广泛应用，积累了大量风险评价案例。但该方法操作简单，对数据及评价人员的要求较低，且并未深入挖掘风险案例数据价值，对风险评价经验进行固化推广。另一方面，管道企业人员更新较快，新员工由于缺乏风险评价及风险管控经验，对于同一管段，不同人员评价结果往往不同。综上所述，基于打分法的半定量风险评价方法评价过程过于依赖评价人员经验，评价过不够全面，评价结果的主观性较强，并不能满足管道风险管控精细化的需求。
4.因此，亟需提供一种技术方案，用于弥补人在分析和评价过程主观性强及人员更替带来的问题，提高对于油气管道风险评价的客观性及准确性。


技术实现要素：

5.为解决上述技术问题，本发明提供了一种油气管道风险评价方法、系统、存储介质和电子设备。
6.本发明的一种油气管道风险评价方法的技术方案如下：
7.基于多个包含第一管道基础数据、第一风险因素数据和第一风险等级的油气管道风险评价样本所构建的数据样本集，对用于预测油气管道风险等级的预设神经网络模型进行训练，得到目标风险评价模型；
8.将待测油气管道的目标管道基础数据和目标风险因素数据输入至所述目标风险评价模型，得到所述待测油气管道的目标风险等级。
9.本发明的一种油气管道风险评价方法的有益效果如下：
10.本发明的方法通过构建油气管道风险评价的数据样本集，并利用机器学习的方式建立油气管道的风险评价模型，降低了对油气管道的风险评价的主观性，增强了风险评价结果的客观性、科学性和准确性。
11.在上述方案的基础上，本发明的一种油气管道风险评价方法还可以做如下改进。
12.进一步，还包括：
13.采集多个符合预设样本条件的原始油气管道风险案例数据，并对每个原始油气管道风险案例数据分别进行修正，得到所有的第一油气管道风险案例数据；
14.分别对每个第一油气管道风险案例数据中的第一管道基础数据、第一风险因素数据和第一风险等级进行提取并标注，得到多个油气管道风险评价样本。
15.进一步，所述基于多个包含第一管道基础数据、第一风险因素数据和第一风险等级的油气管道风险评价样本所构建的数据样本集，对用于预测油气管道风险等级的预设神经网络模型进行训练，得到目标风险评价模型的步骤，包括：
16.将所述数据样本集的每个油气管道风险评价样本中的第一管道基础数据和第一风险因素数据分别输入至所述预设神经网络模型，得到每个油气管道风险评价样本对应的预测风险等级；
17.基于每个油气管道风险评价样本的第一风险等级与预测风险等级之间的损失值，对所述预设神经网络模型的网络参数进行优化，得到并将优化后的神经网络模型作为所述预设神经网络模型，并返回执行所述将每个油气管道风险评价样本中的第一管道基础数据和第一风险因素数据分别输入至所述预设神经网络模型的步骤，直至所述优化后的神经网络模型满足预设迭代训练条件时，将所述优化后的神经网络模型确定为所述目标风险评价模型。
18.进一步，还包括：
19.基于所有的油气管道风险评价样本，获取所述目标风险等级对应的目标风险管控措施，并将所述目标风险管控措施进行推送。
20.进一步，还包括：
21.将所述目标管道基础数据、所述目标风险因素数据和所述目标风险等级确定为一个油气管道风险评价样本，并对所述数据样本集进行更新，得到并将更新后的数据样本集确定为所述数据样本集，并返回执行对用于预测油气管道风险等级的预设神经网络模型进行训练，得到目标风险评价模型的步骤。
22.采用上述进一步技术方案的有益效果是：通过对油气管道的数据样本集进行更新，以对油气管道的风险评价模型进行优化，从而提高油气管道的风险评价模型的准确性。
23.本发明的一种油气管道风险评价系统的技术方案如下：
24.包括：训练模块和运行模块；
25.所述训练模块用于：基于多个包含第一管道基础数据、第一风险因素数据和第一风险等级的油气管道风险评价样本所构建的数据样本集，对用于预测油气管道风险等级的预设神经网络模型进行训练，得到目标风险评价模型；
26.所述运行模块用于：将待测油气管道的目标管道基础数据和目标风险因素数据输入至所述目标风险评价模型，得到所述待测油气管道的目标风险等级。
27.本发明的一种油气管道风险评价系统的有益效果如下：
28.本发明的系统通过构建油气管道风险评价的数据样本集，并利用机器学习的方式建立油气管道的风险评价模型，降低了对油气管道的风险评价的主观性，增强了风险评价结果的客观性、科学性和准确性。
29.在上述方案的基础上，本发明的一种油气管道风险评价系统还可以做如下改进。
30.进一步，还包括：预处理模块；所述预处理模块用于：
31.采集多个符合预设样本条件的原始油气管道风险案例数据，并对每个原始油气管道风险案例数据分别进行修正，得到所有的第一油气管道风险案例数据；
32.分别对每个第一油气管道风险案例数据中的第一管道基础数据、第一风险因素数据和第一风险等级进行提取并标注，得到多个油气管道风险评价样本。
33.进一步，所述训练模块具体用于：
34.将每个油气管道风险评价样本中的第一管道基础数据和第一风险因素数据分别输入至所述预设神经网络模型，得到每个油气管道风险评价样本对应的预测风险等级；
35.基于每个油气管道风险评价样本的第一风险等级与预测风险等级之间的损失值，对所述预设神经网络模型的网络参数进行优化，得到并将优化后的神经网络模型作为所述预设神经网络模型，并返回执行所述将每个油气管道风险评价样本中的第一管道基础数据和第一风险因素数据分别输入至所述预设神经网络模型的步骤，直至所述优化后的神经网络模型满足预设迭代训练条件时，将所述优化后的神经网络模型确定为所述目标风险评价模型。
36.本发明的一种存储介质的技术方案如下：
37.存储介质中存储有指令，当计算机读取所述指令时，使所述计算机执行如本发明的一种油气管道风险评价方法的步骤。
38.本发明的一种电子设备的技术方案如下：
39.包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时，使所述计算机执行如本发明的一种油气管道风险评价方法的步骤。
附图说明
40.图1示出了本发明提供的一种油气管道风险评价方法的第一实施例的流程示意图；
41.图2示出了本发明提供的一种油气管道风险评价方法的第一实施例中的步骤101-步骤102的流程示意图；
42.图3示出了本发明提供的一种油气管道风险评价方法的第一实施例中的步骤110的流程示意图；
43.图4为本发明提供的一种油气管道风险评价方法的第二实施例的流程示意图；
44.图5为本发明实施例的一种油气管道风险评价系统的结构示意图。
具体实施方式
45.如图1所示，在本发明提供的一种油气管道风险评价方法的第一实施例中，包括如下步骤：
46.步骤110：基于多个包含第一管道基础数据、第一风险因素数据和第一风险等级的油气管道风险评价样本所构建的数据样本集，对用于预测油气管道风险等级的预设神经网络模型进行训练，得到目标风险评价模型。
47.其中，
①
第一管道基础数据包括但不限于：管径、传输介质、壁厚、压力、钢级等。
②
第一风险因素数据主要是指主导风险因素，包括但不限于：第三方损坏、自然与地质灾害、腐蚀、制造与施工缺陷以及误操作等。
③
第一风险等级包括但不限于：高、较高、中、低。
④
每个气管道风险评价样本包括但不限于：第一管道基础数据、第一风险因素数据、第一风险等
级、第一风险管控措施，第一风险管控措施是根据第一管道基础数据、第一风险因素数据、第一风险等级所确定的风险管控措施。
⑤
预设神经网络模型为：用于预测油气管道风险等级的神经网络模型，采用现有的神经网络模型结构，其输入为管道基础数据和风险因素数据，其输出为风险等级的预测值。
⑥
目标风险评价模型为：训练后的用于油气管道风险评价的神经网络模型。
48.步骤120：将待测油气管道的目标管道基础数据和目标风险因素数据输入至所述目标风险评价模型，得到所述待测油气管道的目标风险等级。
49.其中，
①
待测油气管道为：任意选取的油气管道。
②
目标管道基础数据为：待测油气管道的管道基础数据，目标管道基础数据所包含的数据类型与第一管道基础数据所包含的数据类型相同。
③
目标风险因素数据为：待测油气管道的风险因素数据，目标风险因素数据所包含的数据类型与第一风险因素数据所包含的数据类型相同。
④
目标风险等级为：待测油气管道对应的风险等级的预测值。
50.需要说明的是，任意选取的待测油气管道的相关管道信息如下表1所示。其中，目标管道基础数据为：管径(711mm)、输送介质(成品油)、壁厚(11mm)、压力(6mpa)、钢级(x65)、埋深(1.1m)；目标风险因素数据为：失效可能性(地质灾害—水毁)、后果(环境影响)。
51.表1：
[0052][0053]
较优地，如图2所示，在步骤110之前，还包括：
[0054]
步骤101：采集多个符合预设样本条件的原始油气管道风险案例数据，并对每个原始油气管道风险案例数据分别进行修正，得到所有的第一油气管道风险案例数据。
[0055]
其中，
①
原始油气管道风险案例数据为：对历年的油气管道风险评价案例及及油气管道的失效案例进行整理汇总所得到的数据。
②
预设样本条件为：风险评价结果为较高和高的油气管道，风险评价结果为低及中等，且某一风险评价因素得分较高的油气管道，立项治理的油气管道和失效的油气管道。
③
第一油气管道风险案例数据为：对原始油气管道风险案例数据进行修正后所得到的数据。
[0056]
具体地，从采集的所有的油气管道风险案例数据中筛选出符合预设样本条件的油气管道风险案例数据，并作为原始油气管道风险案例数据。采用评审会或者多人确认的方
式，对每个原始油气管道风险案例数据中的评价结果进行审核(修正)，以确保每个原始油气管道风险案例数据客观、公正，并得到每个原始油气管道风险案例数据对应的第一油气管道风险案例数据。
[0057]
步骤102：分别对每个第一油气管道风险案例数据中的第一管道基础数据、第一风险因素数据和第一风险等级进行提取并标注，得到多个油气管道风险评价样本。
[0058]
其中，
①
从每个第一油气管道风险案例数据中提取的数据包括但不限于：第一管道基础数据、第一风险因素数据和第一风险等级。
②
对相关数据进行标注的作用是：有利于预设神经网络模型根据标注内容进行监督学习。
[0059]
需要说明的是，任意一个第一油气管道风险案例数据的相关数据如下表2所示。其中，从该第一油气管道风险案例数据提取的第一管道基础数据包括：管径(1422mm)、输送介质(天然气)、壁厚(17mm)、压力(10mpa)、钢级(x80)和埋深(1.3m)；第一风险因素数据包括：失效可能性(第三方损坏—碾压)、后果(人口分布)；第一风险等级为：高。
[0060]
表2：
[0061][0062]
较优地，如图3所示，步骤110包括：
[0063]
步骤111：将所述数据样本集的每个油气管道风险评价样本中的第一管道基础数据和第一风险因素数据分别输入至所述预设神经网络模型，得到每个油气管道风险评价样本对应的预测风险等级。
[0064]
其中，预测风险等级为：预设神经网络模型根据输入的第一管道基础数据和第一风险因素数据，所输出的风险等级的预测值(概率值)。例如，预设风险等级为较高的概率为0.9。
[0065]
具体地，分别将数据样本集中的每个油气管道风险评价样本对应的第一管道基础数据和第一风险因素数据作为预设神经网络模型的输入进行预测，得到每个油气管道风险评价样本对应的预测风险等级。
[0066]
步骤112：基于每个油气管道风险评价样本的第一风险等级与预测风险等级之间的损失值，对所述预设神经网络模型的网络参数进行优化，得到并将优化后的神经网络模型作为所述预设神经网络模型，并返回执行所述将每个油气管道风险评价样本中的第一管道基础数据和第一风险因素数据分别输入至所述预设神经网络模型的步骤，直至所述优化后的神经网络模型满足预设迭代训练条件时，将所述优化后的神经网络模型确定为所述目标风险评价模型。
[0067]
其中，
①
损失值是根据预设神经网络模型的损失函数计算得到的，损失函数的具体类型在本实施例中不设限制。
②
根据损失值(损失函数)对神经网络模型的参数进行优化的过程为现有技术，其具体过程在此不设限制。
③
将优化后的神经网络模型作为预设神经网络模型并返回进行迭代训练的过程为深度学习中的现有技术，本实施例的侧重点不在模型的训练过程，而在于根据训练的模型对任意油气管道进行风险评价。
[0068]
需要说明的是，在预设神经网络模型的训练过程中，将数据样本集中的所有油气管道风险评价样本随机分成3类，60％作为训练样本集，用于机器训练，20％作为测试样本集，用于测试网络泛化能力，20％作为验证样本集，用于验证训练效果。
[0069]
本实施例的技术方案通过构建油气管道风险评价的数据样本集，并利用机器学习的方式建立油气管道的风险评价模型，降低了对油气管道的风险评价的主观性，增强了风险评价结果的客观性、科学性和准确性。
[0070]
如图4所示在本发明提供的一种油气管道风险评价方法的第二实施例中，包括如下步骤：
[0071]
步骤210：基于多个包含第一管道基础数据、第一风险因素数据和第一风险等级的油气管道风险评价样本所构建的数据样本集，对用于预测油气管道风险等级的预设神经网络模型进行训练，得到目标风险评价模型。
[0072]
步骤220：将待测油气管道的目标管道基础数据和目标风险因素数据输入至所述目标风险评价模型，得到所述待测油气管道的目标风险等级。
[0073]
步骤230：基于所有的油气管道风险评价样本，获取所述目标风险等级对应的目标风险管控措施，并将所述目标风险管控措施进行推送。
[0074]
其中，
①
目标风险管控措施包括三个方面的措施，如：工程措施、技术措施和管理措施。目标风险管控措施是根据管道基础数据、风险因素数据以及风险等级所确定的。
②
任意一个油气管道风险评价样本中均包括第一风险管控措施，当待测油气管道确定了目标风险等级后，可根据待测油气管道的相关信息从所有的油气管道风险评价样本中获取对应的风险管控措施，并将该风险管控措施推送至相关终端。
[0075]
需要说明的是，待测油气管道的目标风险管控措施的具体内容如下表3所示。其中，待测油气管道的目标风险管控措施包括：
①
管理措施：加密巡线频次，训前训后排查；
②
技术措施：安装视频摄像头及雨量计；
③
工程措施：水工保护。
[0076]
表3：
[0077]
风险管控措施具体内容管理措施加密巡线频次，训前训后排查技术措施安装视频摄像头及雨量计工程措施水工保护
[0078]
本实施例的技术方案进一步通过结合风险评价等级风险评价结果和数据样本集，以实现自动推送相关风险减缓建议措施。
[0079]
在上述任意实施例的基础上，还包括：
[0080]
将所述目标管道基础数据、所述目标风险因素数据和所述目标风险等级确定为一个油气管道风险评价样本，并对所述数据样本集进行更新，得到并将更新后的数据样本集确定为所述数据样本集，并返回执行对用于预测油气管道风险等级的预设神经网络模型进行训练，得到目标风险评价模型的步骤。
[0081]
其中，
①
一个标准的油气管道风险评价样本包括：[管道基础数据，风险因素数据，风险等级]。
②
更新后的数据样本集包括：原有的多个气管道风险评价样本和根据待测管道的相关数据(管道基础数据，风险因素数据，风险等级)新增的油气管道风险评价样本。
[0082]
本实施例的技术方案进一步通过对油气管道的数据样本集进行更新，以对油气管道的风险评价模型进行优化，从而提高油气管道的风险评价模型的准确性。
[0083]
图5示出了本发明提供的一种油气管道风险评价系统的第一实施例的结构示意图。如图5所示，该系统300包括：训练模块310和运行模块320。
[0084]
所述训练模块310用于：基于多个包含第一管道基础数据、第一风险因素数据和第一风险等级的油气管道风险评价样本所构建的数据样本集，对用于预测油气管道风险等级的预设神经网络模型进行训练，得到目标风险评价模型；
[0085]
所述运行模块320用于：将待测油气管道的目标管道基础数据和目标风险因素数据输入至所述目标风险评价模型，得到所述待测油气管道的目标风险等级。
[0086]
较优地，还包括：预处理模块；所述预处理模块用于：
[0087]
采集多个符合预设样本条件的原始油气管道风险案例数据，并对每个原始油气管道风险案例数据分别进行修正，得到所有的第一油气管道风险案例数据；
[0088]
分别对每个第一油气管道风险案例数据中的第一管道基础数据、第一风险因素数据和第一风险等级进行提取并标注，得到多个油气管道风险评价样本。
[0089]
较优地，所述训练模块310具体用于：
[0090]
将每个油气管道风险评价样本中的第一管道基础数据和第一风险因素数据分别输入至所述预设神经网络模型，得到每个油气管道风险评价样本对应的预测风险等级；
[0091]
基于每个油气管道风险评价样本的第一风险等级与预测风险等级之间的损失值，对所述预设神经网络模型的网络参数进行优化，得到并将优化后的神经网络模型作为所述预设神经网络模型，并返回执行所述将每个油气管道风险评价样本中的第一管道基础数据和第一风险因素数据分别输入至所述预设神经网络模型的步骤，直至所述优化后的神经网络模型满足预设迭代训练条件时，将所述优化后的神经网络模型确定为所述目标风险评价模型。
[0092]
本实施例的技术方案通过构建油气管道风险评价的数据样本集，并利用机器学习的方式建立油气管道的风险评价模型，降低了对油气管道的风险评价的主观性，增强了风险评价结果的客观性、科学性和准确性。
[0093]
上述关于本实施例的一种油气管道风险评价系统300中的各参数和各个模块实现相应功能的步骤，可参考上文中关于一种油气管道风险评价方法的实施例中的各参数和步骤，在此不做赘述。
[0094]
本发明实施例提供的一种存储介质，包括：存储介质中存储有指令，当计算机读取所述指令时，使所述计算机执行如一种油气管道风险评价方法的步骤，具体可参考上文中一种油气管道风险评价方法的实施例中的各参数和步骤，在此不做赘述。
[0095]
计算机存储介质例如：优盘、移动硬盘等。
[0096]
本发明实施例提供的一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时，使所述计算机执行如一种油气管道风险评价方法的步骤，具体可参考上文中的一种油气管道风险评价方法的实施例中的各参数和步骤，在此不做赘述。
[0097]
所属技术领域的技术人员知道，本发明可以实现为方法、系统、存储介质和电子设备。
[0098]
因此，本发明可以具体实现为以下形式，即：可以是完全的硬件、也可以是完全的软件(包括固件、驻留软件、微代码等)，还可以是硬件和软件结合的形式，本文一般称为“电路”、“模块”或“系统”。此外，在一些实施例中，本发明还可以实现为在一个或多个计算机可读介质中的计算机程序产品的形式，该计算机可读介质中包含计算机可读的程序代码。可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(ram)，只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。