排序方式： 共有1条查询结果，搜索用时 0 毫秒
1
1.
在油气管道系统中，受数据保密性高、数据采集技术不完善、异常工况发生频率低等因素制约，利用管输数据集进行机器学习模型训练，效果不理想。基于此，以某原油管道为例，分析管输能耗，利用Pipeline Studio TLNET软件对输油泵机组耗电量进行仿真，扩充训练数据集。针对管输仿真样本无真实值对照、特征关联、高维等特点，提出一种基于马氏距离的DBSCAN(Density-Based Spatial Clustering of Applications with Noise)算法，用于评价仿真样本的可靠度，识别异常仿真数据。基于仿真样本与现场数据样本的机器学习模型训练结果表明，剔除异常数据的仿真样本能够提升模型的拟合能力，由此为管输数据仿真样本的生成与验证提供了新的思路。（图5，表5，参25） 相似文献
1