[发明专利]一种基于数据挖掘的在役油管柱腐蚀失效预测系统

说明书

技术领域

本发明属于一种决策支持系统，涉及人工智能和数据库领域研究，该发明 能够实现从大量历史数据中揭示出隐含的、先前未知的并有潜在价值的信息， 可用于检修人员预测当前环境对油管腐蚀速率的影响程度，并对其实用寿命进 行预测。

背景技术

随着油气田的开发,油气井下的高温高压多相流环境含有的硫化氢、二氧化 碳、氯离子、水及微生物等介质会作为伴生物质出现,使井下油管受到严重腐蚀, 不仅影响了油气井的正常生产,而且给试修井作业带来许多困难。

影响油管钢腐蚀的因素可分为材料因素、环境因素和力学因素等。钢材材 质因素包括钢材的化学成分(主要是合金元素)及其热处理状态(钢材的显微组 织)。环境因素包括温度、气体分压、腐蚀产物膜、pH值、流速、流型、溶液 过饱和度、细菌等。力学因素包括管材所承受的载荷大小、方向及分布情况等。 以上这些因素不同程度地影响着油管的腐蚀,因此得到油管腐蚀程度主要从这几 方面因素着手,从而对在役油管的使用寿命进行初步分级预警。

数据挖掘(DataMining，DM)又称数据库中的知识发现(KnowledgeDiscover inDatabase，KDD)，是目前人工智能和数据库领域研究的热点问题，所谓数据 挖掘是指从数据库的大量数据中揭示出隐含的、先前未知的并有潜在价值的信 息的非平凡过程。数据挖掘是一种决策支持过程，它主要基于人工智能、机器 学习、模式识别、统计学、数据库、可视化技术等，高度自动化地分析企业的 数据，做出归纳性的推理，从中挖掘出潜在的模式，帮助决策者调整市场策略， 减少风险，做出正确的决策。

数据挖掘是通过分析每个数据，从大量数据中寻找其规律的技术，主要有 数据准备、规律寻找和规律表示3个步骤。数据准备是从相关的数据源中选取 所需的数据并整合成用于数据挖掘的数据集；规律寻找是用某种方法将数据集 所含的规律找出来；规律表示是尽可能以用户可理解的方式(如可视化)将找 出的规律表示出来。

预测是通过分类或估值起作用的，也就是说，通过分类或估值得出模型， 该模型用于对未知变量的预言。从这种意义上说，预言其实没有必要分为一个 单独的类。预言其目的是对未来未知变量的预测，这种预测是需要时间来验证 的，即必须经过一定时间后，才知道预言准确性是多少。

数据挖掘的步骤会随不同领域的应用而有所变化，每一种数据挖掘技术也 会有各自的特性和使用步骤，针对不同问题和需求所制定的数据挖掘过程也会 存在差异。此外，数据的完整程度、专业人员支持的程度等都会对建立数据挖 掘过程有所影响。这些因素造成了数据挖掘在各不同领域中的运用、规划，以 及流程的差异性，即使同一产业，也会因为分析技术和专业知识的涉入程度不 同而不同，因此对于数据挖掘过程的系统化、标准化就显得格外重要。如此一 来，不仅可以较容易地跨领域应用，也可以结合不同的专业知识，发挥数据挖 掘的真正精神。数据挖掘完整的步骤如下：

①理解数据和数据的来源(understanding)。

②获取相关知识与技术(acquisition)。

③整合与检查数据(integrationandchecking)。

④去除错误或不一致的数据(datacleaning)。

⑤建立模型和假设(modelandhypothesisdevelopment)。

⑥实际数据挖掘工作(datamining)。

⑦测试和验证挖掘结果(testingandverification)。

⑧解释和应用(interpretationanduse)。

由上述步骤可看出，数据挖掘牵涉了大量的准备工作与规划工作，事实上 许多专家都认为整套数据挖掘的过程中，有80％的时间和精力是花费在数据预 处理阶段，其中包括数据的净化、数据格式转换、变量整合，以及数据表的链 接。可见，在进行数据挖掘技术的分析之前，还有许多准备工作要完成。

Composite模式是将对象组合成树形结构以表示“部分——整体”的层次结 构。Composite使得用户对单个对象操作和组合对象的操作使用具有一致性。想 到Composite就应该想到树形结构图。组合体内这些对象都有共同接口,当组合 体一个对象的方法被调用执行时，Composite将遍历整个树形结构,寻找同样包含 这个方法的对象并实现调用执行。