Ein datengestützter Ansatz zur Risikobewertung von Korrosion mittels maschinellem Lernen—Eine vergleichende Studie

Das Verständnis des Korrosionsrisikos einer Pipeline ist entscheidend für die Aufrechterhaltung von Gesundheit, Sicherheit und Umwelt. Diese Studie implementierte einen datengestützten Ansatz des maschinellen Lernens, der auf der Hauptkomponentenanalyse (PCA), Partikelschwarmoptimierung (PSO), Feed-Forward-Künstlichem Neuronalen Netzwerk (FFANN), Gradient Boosting Machine (GBM), Random Forest (RF) und Deep Neural Network (DNN) beruhte, um das Wachstum von Korrosionsfehlern in alten Pipelines zu schätzen. Durch die Modifizierung der Hyperparameter des FFANN-Algorithmus mit PSO und die Verwendung von PCA zur Transformation der Betriebsvariablen der Pipelines wurden verschiedene Modelle des maschinellen Lernens (ML) für die Pipeline der Klasse X52 entwickelt und getestet. Eine vergleichende Analyse der rechnerischen Genauigkeit des Wachstums von Korrosionsfehlern wurde für die PCA-transformierten und nicht-transformierten parametrischen Werte der Trainingsdaten durchgeführt, um den Einfluss der PCA-Transformation auf die Genauigkeit der Modelle zu ermitteln. Das Ergebnis der Analyse zeigte, dass das ML-Modell mit PCA-transformierten Daten eine Genauigkeit aufweist, die 3,52 bis 5,32 Mal besser ist als die, die ohne PCA-Transformation durchgeführt wurden. Darüber hinaus stellte sich heraus, dass das PCA-transformierte GBM-Modell unter den getesteten Algorithmen die beste Modellierungsgenauigkeit aufwies; daher wurde es zur Berechnung des zukünftigen Wachstums der Korrosionsfehler in den Pipelines verwendet. Dies half, die Korrosionsrisiken anhand der Ausfallwahrscheinlichkeiten in verschiedenen Lebenszyklusphasen des Vermögenswerts zu berechnen. Die Auszüge aus den Ergebnissen dieser Studie deuten darauf hin, dass meine Technik für das prognostische Gesundheitsmonitoring von Pipelines entscheidend ist, da sie Informationen zur Wartungs- und Inspektionsplanung bereitstellt.