数据驱动的文献辅助管线钢产线落锤撕裂韧性内禀特征关联

SHANG Chun-lei, WANG Chuan-jun,LIU Wen-yue,ZHU De-xin,WANG Shui-ze,DONG Lin-shuo,WU Gui-lin,GAO Jun-heng, ZHAO Hai-tao,ZHANG Chao-lei,WU Hong-hui

Chinese Journal of Engineering（2023）

引用 0|浏览10

暂无评分

摘要

管道运输是当前长距离输送石油、天然气等能源最经济的方式之一,具有优异的低温韧性是保证管线钢安全运输的重要特征.落锤撕裂试验(Drop weight tear testing,DWTT)是衡量管线钢低温韧性的最有效的方法.在目前的工作中,根据钢厂提供的产线数据集和文献收集的管线钢数据集,建立了基于机器学习的DWTT剪切面积预测模型.基于纯产线数据和文献数据辅助的产线数据构造了两种机器学习策略方案,测试了不同机器学习算法,效果最好的均是随机森林模型,策略一的纯产线数据模型的性能指标皮尔逊相关系数(PCC)为0.64,策略二的文献数据辅助的产线数据模型的性能指标皮尔逊相关系数(PCC)为0.92,文献数据的增加有效提高了DWTT剪切面积预测精度.机器学习技术为优化和预测DWTT剪切面积提供了一种新的思路.

查看译文

关键词

pipeline steel,drop weight tear testing,machine learning,data-driven design,symbolic regression

AI 理解论文

溯源树

样例

生成溯源树，研究论文发展脉络

Chat Paper

正在生成论文摘要