研究目的
利用机器学习、热脉冲和红外热成像方法对电熔聚乙烯接头故障类型进行分类,以提高聚乙烯燃气管道的安全性。
研究成果
GLMNet以93.75%的分类准确率超越了k均值和随机森林算法。监督学习方法的性能优于无监督方法。扩大数据库规模提升了分类准确率。该研究凸显了机器学习技术在管道安全故障分类中的重要性。
研究不足
该研究的局限性在于样本量及所考虑的故障类型(椭圆度和不对中)。分类方法的准确性随样本数量和故障类型而变化。
研究目的
利用机器学习、热脉冲和红外热成像方法对电熔聚乙烯接头故障类型进行分类,以提高聚乙烯燃气管道的安全性。
研究成果
GLMNet以93.75%的分类准确率超越了k均值和随机森林算法。监督学习方法的性能优于无监督方法。扩大数据库规模提升了分类准确率。该研究凸显了机器学习技术在管道安全故障分类中的重要性。
研究不足
该研究的局限性在于样本量及所考虑的故障类型(椭圆度和不对中)。分类方法的准确性随样本数量和故障类型而变化。
加载中....
您正在对论文“结合机器学习、热脉冲和红外热成像方法的电熔聚乙烯接头故障分类——一项比较研究”进行纠错
纠错内容
联系方式(选填)
称呼
电话
单位名称
用途
期望交货周期
称呼
电话
单位名称
用途
期望交货周期