基于LightGBM的排水管道最大腐蚀深度预测方法

本发明涉及机器学习与管道工程交叉学科，特别是一种基于lightgbm的排水管道最大腐蚀深度预测方法。

背景技术：

1、排水管道是城市基础设施的重要组成部分，用于排放污水和废水，维护城市环境卫生。然而，由于长期使用和外部环境的影响，排水管道容易出现腐蚀、老化等问题，影响其使用寿命和正常排水功能，甚至造成严重的管道渗漏和坍塌事故，影响人民的正常生活。

2、排水管道腐蚀深度是衡量管道损伤程度的重要指标，管道腐蚀深度越大，管道的强度和密封性能都会降低，甚至会导致管道破裂、漏水等问题。因此，及时准确地预测排水管道的腐蚀深度，对于管道的安全运维和损伤修复都具有重要意义。

3、现有技术中，关于排水管道最大腐蚀深度的预测多采用有限元计算或者传统的bp神经网络进行建模，但是这些传统的算法误差较大，且计算复杂，易导致预测出的管道最大腐蚀深度比实际偏大或偏小过多，造成过早或者过迟检修管道，造成不必要的经济损失或者造成管道事故发生。

技术实现思路

1、本发明的目的是提供一种基于lightgbm的排水管道最大腐蚀深度预测方法，本发明利用一种新型的机器学习算法lightgbm进行建模，结合鲸鱼优化算法对超参数进行优化，极大提高了机器学习模型的预测精度，作为一种新的用于排水管道最大腐蚀深度预测方法解决上述问题。

2、为实现上述目的，本发明采用的技术方案是：一种基于lightgbm的排水管道最大腐蚀深度预测方法，包括：

3、获取服役的排水管道相关数据；

4、对采集的排水管道相关数据进行数据预处理，提升数据集的质量；

5、利用主成分分析算法pca对预处理之后的排水管道数据集进行特征降维，综合提炼出能够反映管道情况的特征；

6、基于lightgbm算法构建排水管道最大腐蚀深度预测的lightgbm模型；

7、利用鲸鱼优化算法woa对lightgbm模型的超参数进行优化选择，优选出使模型预测准确率最高的超参数组合；

8、利用优化之后的lightgbm模型预测管道最大腐蚀深度并对预测结果进行误差评估。

9、作为本发明的进一步改进，所述排水管道相关数据包括管道的建造和维护记录、基础数据、腐蚀数据、内部监测数据和外部环境数据，具体包括：

10、管道建造和维护记录：建造年份、材料、维修记录；

11、管道基础数据：管径、壁厚、埋深，设计使用寿命；

12、管道腐蚀数据：腐蚀长度、腐蚀宽度、最大腐蚀深度；

13、管道内部监测数据：设定时间内的水压、应变；

14、外部环境数据：设定时间内的温度、湿度、降雨量、地下水位。

15、作为本发明的进一步改进，对采集的排水管道相关数据进行数据预处理具体如下：

16、对采集的管道数据集进行初步分析处理，包括缺失值处理，离群值/异常值处理，数据标准化处理。

17、作为本发明的进一步改进，利用主成分分析算法pca对预处理之后的排水管道数据集进行特征降维具体如下：

18、在保证排水管道原始信息量不丢失的情况下，对管道相关特征变量进行降维，保留前n个最大的特征值对应的特征向量，将原始管道相关特征变量转换到这n个特征向量构建的新空间中，完成对数据集的降维。

19、作为本发明的进一步改进，基于lightgbm算法构建排水管道最大腐蚀深度预测的lightgbm模型具体如下：

20、将经过主成分分析算法pca降维后的管道数据集按照一定比例随机划分训练集和测试集；

21、利用lightgbm算法构建智能模型预测排水管道最大腐蚀深度。

22、作为本发明的进一步改进，利用鲸鱼优化算法woa对lightgbm模型的超参数进行优化选择具体如下：

23、利用鲸鱼优化算法搜索lightgbm的超参数：max_depth、learning_rate、n_estimators、num_leaves、feauture_fraction，找到使训练集上模型预测误差最小的超参数取值组合。

24、作为本发明的进一步改进，利用优化之后的lightgbm模型预测管道最大腐蚀深度并对预测结果进行误差评估具体如下：

25、在测试集上用搜索出的最优超参数组合进行排水管道最大腐蚀深度的预测；

26、对模型测试集的预测成果进行误差分析，计算6个误差指标，分别是可解释方差值ev、拟合优度r2、校正决定系数adjusted_r2、均方根误差rmse、平均绝对误差mae和平均绝对百分比误差mape。

27、本发明的有益效果是：

28、本发明采用“数据预处理+pca降维+lightgbm建模+鲸鱼优化算法+误差分析”的手段实现基于lightgbm的排水管道最大腐蚀深度的预测。本发明的目的在于基于数据预处理、主成分分析算法、lightgbm回归预测、鲸鱼优化算法和误差分析，设计一种能够准确预测埋地排水管道腐蚀状态、工作过程便于理解、全面评估管道工作状况、高效率、智能化的埋地排水管道最大腐蚀深度的高精度预测方法，弥补了当前埋地排水管道腐蚀预测方法的诸多短板和不足，基于此，本发明具有如下优点：

29、(1)工作过程简洁明了便于理解，计算量适中。基于lightgbm的排水管道最大腐蚀深度预测方法工作流程总共分为6步，每一步骤简洁明了，容易看懂，不需要繁琐的计算步骤和庞大的计算量。

30、(2)全面评估管道工作状况，收集排水管道多项数据，包括管道的建造和维护记录、基础数据、腐蚀数据、内部监测数据和外部环境数据，管道相关变量有管道的建造年份、材料、维修记录、管径、壁厚、埋深、设计使用寿命、腐蚀长度、腐蚀宽度、水压、应变、温度、湿度、降雨量、地下水位和最大腐蚀深度，涵盖了排水管道的各个方面。

31、(3)计算效率高，智能化。在采集完数据集之后，只需在python上对此模型进行建模及编程，数据预处理、pca降维、建立lightgbm模型、鲸鱼优化算法以及最终的误差分析均可通过编程实现，根本无需人为的进行繁琐的计算，实现了高效率智能化。

32、(4)预测精度高，泛化误差小。通过pca降维将原始数据投影到主成分上得到新的数据集，可以在保留信息量的同时降低数据集的维度，降低了数据的复杂性，在一定程度上提高了计算精度，采用了机器学习界先进的lightgbm算法建立埋地排水管道最大腐蚀深度预测模型，lightgbm算法诸多的优点使其在机器学习预测领域具有独特的优势，加上新兴的鲸鱼优化算法的加持，使得本模型可以达到极高的预测精度和极低的泛化误差。

技术特征：

1.一种基于lightgbm的排水管道最大腐蚀深度预测方法，其特征在于，包括：

2.根据权利要求1所述的基于lightgbm的排水管道最大腐蚀深度预测方法，其特征在于，所述排水管道相关数据包括管道的建造和维护记录、基础数据、腐蚀数据、内部监测数据和外部环境数据，具体包括：

3.根据权利要求1所述的基于lightgbm的排水管道最大腐蚀深度预测方法，其特征在于，对采集的排水管道相关数据进行数据预处理具体如下：

4.根据权利要求1所述的基于lightgbm的排水管道最大腐蚀深度预测方法，其特征在于，利用主成分分析算法pca对预处理之后的排水管道数据集进行特征降维具体如下：

5.根据权利要求1或4所述的基于lightgbm的排水管道最大腐蚀深度预测方法，其特征在于，基于lightgbm算法构建排水管道最大腐蚀深度预测的lightgbm模型具体如下：

6.根据权利要求5所述的基于lightgbm的排水管道最大腐蚀深度预测方法，其特征在于，利用鲸鱼优化算法woa对lightgbm模型的超参数进行优化选择具体如下：

7.根据权利要求6所述的基于lightgbm的排水管道最大腐蚀深度预测方法，其特征在于，利用优化之后的lightgbm模型预测管道最大腐蚀深度并对预测结果进行误差评估具体如下：

技术总结
本发明公开了一种基于LightGBM的排水管道最大腐蚀深度预测方法，包括：获取服役的排水管道相关数据；对采集的排水管道相关数据进行数据预处理，提升数据集的质量；利用主成分分析算法PCA对预处理之后的排水管道数据集进行特征降维，综合提炼出能够反映管道情况的特征；基于LightGBM算法构建排水管道最大腐蚀深度预测的LightGBM模型；利用鲸鱼优化算法WOA对LightGBM模型的超参数进行优化选择，优选出使模型预测准确率最高的超参数组合；利用优化之后的LightGBM模型预测管道最大腐蚀深度并对预测结果进行误差评估；本发明对排水管道的安全维护提供了技术支持。

技术研发人员：方宏远,王念念,宋留洋,李斌,翟科杰,杜威仪
受保护的技术使用者：郑州大学
技术研发日：
技术公布日：2024/1/15