Le diagnostic de l'état de la qualité des soudures circulaires de gazoducs naturels dépend principalement de la méthode de vérification séquentielle des données de soudure circulaire suivie d'une analyse manuelle, ce qui entraîne non seulement des coûts opérationnels élevés, mais aussi une faible précision et efficacité de vérification, ne répondant pas aux besoins d'exploitation efficace et sécuritaire des gazoducs. L'utilisation d'une méthode de diagnostic de qualité intelligente efficace pour prédire la qualité des soudures de gazoducs naturels enterrés et mener des vérifications ciblées a une importance technique majeure pour assurer la sécurité d'exploitation des tronçons de gazoducs. Sur la base de cela, une méthode de diagnostic rapide et de prévision de la qualité des soudures de gazoducs naturels a été développée à l'aide de méthodes d'intelligence artificielle, afin d'améliorer l'efficacité de calcul du modèle, différentes fonctionnalités environnementales de soudure, telles que la longueur de la section de tuyau, la machine, la forme de verrouillage, la division entre les stations, ont été sélectionnées à l'aide de la méthode de sélection de la variance et du coefficient de corrélation. Un modèle de diagnostic de qualité intelligent des soudures circulaires des gazoducs naturels a été établi sur la base de la méthode de forêt aléatoire et un optimiseur bayésien a été utilisé pour l'optimisation des paramètres. Le modèle a été validé à l'aide de données d'ingénierie non entraînées et comparé aux performances de la machine à vecteurs de support, de l'arbre de décision et de l'algorithme des k plus proches voisins. Les résultats ont montré que l'utilisation du modèle de forêt aléatoire pour le diagnostic de qualité des soudures de gazoducs naturels d'ingénierie possède une précision élevée et peut servir de guide théorique pour les travaux de fouille et de vérification des soudures de gazoducs naturels en service.

gazoducs naturels; qualité des soudures circulaires; méthode de diagnostic intelligent; données multi-sources; forêt aléatoire; optimisation bayésienne