Die Diagnose des Zustands der Qualität von Kreisnahtschweißungen in Erdgasleitungen hängt hauptsächlich von der Methode der sequenziellen Grabung der Kreisnahtschweißdaten mit anschließender manueller Analyse ab, was nicht nur zu hohen Betriebskosten führt, sondern auch zu geringer Genauigkeit und Effizienz bei der Überprüfung, und nicht den Anforderungen an einen effizienten und sicheren Betrieb von Leitungen entspricht. Der Einsatz einer effizienten intelligenten Qualitätsdiagnosemethode zur Vorhersage der Qualität von eingegrabenen Kreisnahtschweißungen in Erdgasleitungen und zur gezielten Überprüfung hat eine wichtige technische Bedeutung, um die Betriebssicherheit der Leitungsabschnitte zu gewährleisten. Darauf basierend wurde eine Methode zur schnellen Diagnose und Vorhersage der Qualität von Erdgasleitungs-Kreisnahtschweißungen mit Hilfe künstlicher Intelligenz entwickelt, und zur Verbesserung der Berechnungseffizienz des Modells wurden 15 Hauptmerkmale von Kreisnahtschweißungen einschließlich Rohrlänge, Aggregate, Verriegelungsform, Abstand zwischen Stationen usw. mithilfe der Varianzselektionsmethode und des Korrelationskoeffizientendiagramms ausgewählt. Auf der Grundlage des Zufallsforstverfahrens wurde ein intelligentes Diagnosemodell für die Qualität von Kreisnahtschweißungen in Erdgasleitungen aufgebaut, und ein Bayes-Optimierer wurde zur Parameteroptimierung eingesetzt. Das Modell wurde an ungeschulten Ingenieurdokumenten validiert und mit der Leistung der Support-Vektor-Maschine, des Entscheidungsbaums und des k-nächsten-Nachbarn-Algorithmus verglichen. Die Ergebnisse zeigten, dass der Einsatz des Zufallsforstmodells zur Qualitätssicherung von Kreisnahtschweißungen in Ingenieursdaten eine hohe Genauigkeit aufweist und theoretische Richtlinien für den Grabungs- und Überprüfungsarbeit von in Betrieb befindlichen Erdgasleitungs-Kreisnahtschweißungen bieten kann.

Erdgasleitungen; Qualität von Kreisnahtschweißungen; intelligente Diagnosemethode; multiple Datenquellen; Zufallsforst; Bayes-Optimierung