文献

J-GLOBAL ID：202202286553900915   整理番号：22A0839367

油とガスパイプラインの内部腐食速度の予測:アンサンブル学習技術の実行【JST・京大機械翻訳】

Prediction of the internal corrosion rate for oil and gas pipeline: Implementation of ensemble learning techniques

著者 (5件)： Ben Seghier Mohamed El Amine (Laboratory of Applied Physics, Science and Technology Advanced Institute, Van Lang University, Ho Chi Minh City, Viet Nam) ,  Ben Seghier Mohamed El Amine (Faculty of Technology, Van Lang University, Ho Chi Minh City, Viet Nam) ,  Hoche Daniel (Institute of Surface Science, Helmholtz-Zentrum Hereon, Geesthacht, 21502, Germany) ,  Zheludkevich Mikhail (Institute of Surface Science, Helmholtz-Zentrum Hereon, Geesthacht, 21502, Germany) ,  Zheludkevich Mikhail (Institute for Materials Science, Faculty of Engineering, Kiel University, Kiel, 24103, Germany)
資料名： Journal of Natural Gas Science and Engineering  (Journal of Natural Gas Science and Engineering)
巻： 99  ページ： Null  発行年： 2022年 
JST資料番号： W3282A  ISSN： 1875-5100  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 本論文では,石油およびガスパイプラインにおける内部腐食速度の正確な予測のためのロバストアンサンブル学習モデルの実用的な実装を提案した。流体流動油とガスパイプラインの腐食速度の正しい評価は,システムの安全性と運転を制御する能力に著しい影響を与える。開発した予測データ駆動モデルは4つのアンサンブル学習手法,すなわちランダムフォレスト,採用ブースティング,勾配ブースティング回帰ツリー,および極端な勾配ブースティングを含む。これらの予測モデルの実装手続きは,文献から抽出した8つのシステム記述子の包括的なデータベースを統合し,一方,k倍交差検証を用いて,高性能と一般化を保証した。さらに,内部腐食速度の得られた結果を厳密な統計的およびグラフィカル解析に供し,モデル性能を評価し,それらの能力を比較した。極端な勾配ブースティングモデルは,内部腐食速度0.031mm/yおよび性能指数,PI=0.61の数学的RMSE値を有する,計算した単一および大域的計量に基づく油およびガスパイプラインにおける内部腐食速度の予測において最高の性能を示した。さらに,入力変数の重要性は,特徴重要度基準を用いて感度解析により決定し,一方,適用したデータセットに対して,温度に対する最強の腐食速度依存性と圧力は,CO_2の寄与の側面を示した。全体として,アンサンブル学習モデルは内部腐食速度予測において顕著な性能を示し,一方,極端な勾配ブースティングモデルは,その高性能のため,油およびガスパイプラインにおける内部腐食速度をモデル化するのに有益である。Copyright 2022 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 速度 ,  *腐食 ,  石油 ,  データベース ,  感度解析 ,  *腐食速度 ,  速度依存性 ,  モデリング ,  計算機アルゴリズム ,  ロバスト性 ,  *機械学習 ,  予測モデル
準シソーラス用語： *ガスパイプライン ,  *アンサンブル学習 ,  ブースティング ,  ランダムフォレスト ,  データ駆動 , 【Automatic Indexing@JST】

著者キーワード (6件)： 石油とガスパイプライン ,  内部腐食速度 ,  アンサンブル学習技術 ,  予測 ,  XGBoost ,  特徴の重要性

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (5件)： 油 ,  ガスパイプライン ,  腐食速度 ,  予測 ,  アンサンブル学習