El diagnóstico del estado de la calidad de las soldaduras circulares de gasoductos de gas natural depende principalmente del método de excavación secuencial de los datos de soldadura circular seguido de un análisis manual, lo que no solo conlleva costos operativos elevados, sino también baja precisión y eficiencia de verificación, no satisfaciendo las necesidades de operación eficiente y segura de los gasoductos. El uso de un método de diagnóstico de calidad inteligente y eficaz para predecir la calidad de las soldaduras de gasoductos enterrados de gas natural y realizar trabajos de inspección dirigidos tiene una importante importancia de ingeniería para garantizar la seguridad en el servicio de los tramos de gasoductos. En base a ello, se desarrolló un método de diagnóstico rápido y de previsión de la calidad de las soldaduras de gasoductos naturales utilizando métodos de inteligencia artificial, y para mejorar la eficiencia del cálculo del modelo, se seleccionaron 15 características principales de soldadura circular utilizando el método de selección de variación y el diagrama de coeficientes de correlación, incluyendo longitud de tubo, equipo, forma de encaje, separación inter-estación, etc. Se construyó un modelo de diagnóstico inteligente de calidad de soldaduras circulares de gasoductos de gas natural basado en el método de bosque aleatorio, y se utilizó un optimizador bayesiano para la optimización de parámetros. El modelo se validó con datos de ingeniería no entrenados y se comparó con el desempeño de la máquina de vectores de soporte, el árbol de decisiones y el algoritmo de vecinos k más cercanos. Los resultados mostraron que el uso del modelo de bosque aleatorio para el diagnóstico de calidad de las soldaduras de gasoductos de ingeniería tiene una alta precisión y puede proporcionar orientación teórica para el trabajo de excavación e inspección de las soldaduras de gasoductos de gas natural en servicio.

gasoductos de gas natural; calidad de las soldaduras circulares; método de diagnóstico inteligente; datos de múltiples fuentes; bosque aleatorio; optimización bayesiana