近年來,城市集群效應不斷增加,加劇了燃氣管道事故后果的災難性。因此,對其進行有效地安全評估顯得意義重大。本文從系統(tǒng)本質(zhì)安全著眼,以脆弱性削減為切入點,結合現(xiàn)代計算智能方法,構建城市燃氣管道脆弱性評估粗糙集（RS）支持向量機（SVM）模型,并基于此進行保護策略分析,探究管道安全管理新范式。在查閱大量文獻的基礎上,綜合分析脆弱性多元化內(nèi)涵,將城市群系統(tǒng)災害脆弱性引入傳統(tǒng)城市燃氣管道安全評估中,結合城市燃氣管道自身特點,從全新視角給出城市燃氣管道脆弱性新定義,并聯(lián)合構建評估指標體系,闡明量化賦值策略;將投影尋蹤聚類引入脆弱性評估之中,用以量化訓練集中決策屬性值,即各監(jiān)測管段的脆弱度�？紤]工程實踐中指標數(shù)據(jù)的非單調(diào)性,使用基于鄰域互信息熵的非單調(diào)屬性約簡算法進行指標集約簡,并使用FCM模型進行支持向量機參數(shù)優(yōu)選。使用約簡后的數(shù)據(jù)指標集作為訓練集,建立脆弱性評估函數(shù)模型。對西北某市三條不同情況的城市燃氣管線進行實例分析,并構建攻防博弈下的城市燃氣管網(wǎng)保護策略模型。研究結果表明,基于RS-SVM的城市燃氣管道脆弱性評估模型可對非線性高維數(shù)據(jù)集進行高效處理,在保證數(shù)據(jù)簡潔的同時又不失準確性,可在其他... 

【文章來源】：西安建筑科技大學陜西省

【文章頁數(shù)】：96 頁

【學位級別】：碩士

【部分圖文】：

管道事故統(tǒng)計分析圖

采用選取的最佳參數(shù)，將訓練集數(shù)據(jù)輸入支持向量機中用進行模型訓練。訓練完畢后，輸入檢驗集中各樣本數(shù)據(jù)，輸出檢測管段城市燃氣管道脆弱度。同時，使用 4.2 節(jié)中的模型一并求得檢測管段脆弱度期望值，與評估值進行對比。具體代碼見附錄 C。輸出檢驗集各管段脆弱度評價結果，如表 5.7 所示。表 5.7 檢驗集脆弱度評估結果檢驗集管段脆弱度監(jiān)測點編號 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監(jiān)測點編號 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監(jiān)測點編號 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監(jiān)測點編號 75 76 77 78 79 80 - -脆弱度 1.3230 1.2669 1.2339 1.3093 1.2956 1.2983 - -SVM 檢驗管段的期望值與評估值對比、評估結果的相對誤差以及總誤差如圖5.2、5.3 所示。

（a）SVM 評估相對誤差圖 （b）SVM 評估總誤差圖圖 5.3 訓練集訓練誤差圖可以看到，對支持向量機評估結果與期望輸出值進行對比，計算檢驗過程中預測模型的總誤差與相對誤差，得到總誤差 4.7%，最大相對誤差為 3.9%，因此使用經(jīng)過訓練的模型對檢驗集中的未知樣本進行評判，可以得到較準確的評判結果。此外，為驗證 RS-SVM 模型有效性和優(yōu)越性，在所有參數(shù)一致的情況下，將未經(jīng)粗糙集屬性約簡的所有指標屬性直接輸入算法，經(jīng)過和 RS-SVM 模型下一樣的操作過程進行訓練和測試[92]，測試結果如表 5.8 所示：表 5.8 SVM 模型和 RS-SVM 模型訓練檢驗結果對比模型 訓練時間（s） 預測成功率（%） 最大相對誤差（%）SVM 0.45 73.25 6.8RS-SVM 0.17 86.7 3.9表 5.7 表明，在相同的參數(shù)配置下，未經(jīng)屬性約簡的 SVM 模型的訓練時間時


本文編號：3350852