基于物理模型驱动机器学习的燃气管道泄漏速率预测方法
1.本发明属于燃气管道安全监测技术领域，尤其涉及一种基于物理模型驱动机器学习的燃气管道泄漏速率预测方法。
背景技术：
2.城镇天然气输送管网往往分布于人口和建筑物较集中的地方，这使得城镇燃气成为事故后果最严重、最频发的可燃可爆气体之一。事故调查表明：燃气公司因缺乏有效的燃气管道泄漏预测机制而无法准确预测管道运行的泄漏速率是燃气管网事故频发的主要原因。
3.据调查，对于燃气管道泄漏速率的研究，主要采用仿真模拟和实验两种方法。实验方面，在现有的专利中，中国专利cn114321741a《燃气管道泄漏检测装置》设计了一种对燃气管道进行泄漏检测的实验装置；cn114413180a《基于氖气示踪定位的埋地燃气管道泄漏检测方法》设计了一种通过检验氖气浓度来进行燃气管道泄漏检测的方法；cn209638792u《电容式燃气管道泄漏检测装置》设计了一种通过检测传感器电容信号来判断燃气管道泄漏的方法。但由于燃气管道的分布的复杂性以及所处环境因素的多样性甚至极端性等，目前对燃气管道泄漏检测的研究相对匮乏。
4.故提出一种燃气管道泄漏速率预测方法在燃气管道安全监测安全领域具有重要意义。
技术实现要素：
5.本发明的目的在于克服现有技术的不足，提供基于物理模型驱动机器学习的燃气管道泄漏速率预测方法，为企业监测和控制燃气管道泄漏提供科学指导。主要包括：(1)基于等熵阻塞模型建立可预测燃气管道泄漏速率的物理模型；(2)基于该物理模型产生大量管道泄漏数据；(3)采用粒子算法优化的支持向量机(pso-svm)和简化处理的卷积神经网络(cnn)分别对物理模型生成的大量数据进行学习；(4)得到基于机器学习模型的燃气管道泄漏速率预测方法；(5)进一步对机器学习模型的适应性进行研究；(6)进行模型参数选择以及模型预测分析；(7)测试模型的泛化能力并进行实验验证；(8)根据实验数据和模拟结果的对比，对模型进行修正，最终确定实用性模型。其实现了更精确预测燃气管道泄漏速率的预测方法。
6.本发明具体采用以下技术方案：
7.一种基于物理模型驱动机器学习的燃气管道泄漏速率预测方法，其特征在于，包括以下步骤：
8.步骤s1：基于等熵阻塞模型建立可预测燃气管道泄漏速率的物理模型，包括高压储罐和下游管道的参数及计算区域；
9.步骤s2：基于所述物理模型生成多组管道泄漏数据，推算质量守恒方程、能量守恒方程和动量守恒方程，获得泄漏速率的主要影响因素；
10.步骤s3：采用粒子算法优化的支持向量机(pso-svm)和简化处理的卷积神经网络(cnn)分别对所述物理模型生成的大量数据进行学习﹔以获得基于机器学习模型的燃气管道泄漏速率预测模型；
11.步骤s4：进行模型参数选择以及模型预测分析；并测试模型的泛化能力并进行实验验证；
12.步骤s5：根据实验数据和模拟结果的对比，对模型进行修正，最终确定实用性模型，以进行燃气管道泄漏速率预测。
13.进一步地，步骤s2具体为：
14.(1)质量守恒方程，即连续方程为：
[0015][0016]
其中，ρ表示密度，表示速度矢量；
[0017]
(2)能量守恒方程为：
[0018][0019]
其中，e表示总能量，k
eff
表示有效热导系数，t表示温度，h表示比焓，表示扩散通量，表示有效粘性切应力张量；下标i表示是第i种物质；
[0020]
其中，总能量e表示为：
[0021][0022]
(3)动量方程即navier-stokes方程：
[0023][0024]
其中，p表示压力，表示粘性应力张量，表示重力加速度，运算中忽略重力的影响；
[0025]
其中，粘性应力张量表示为：
[0026][0027]
其中，μ表示气体粘度，i表示单位张量；
[0028]
由于管内初始压力较高，发生泄漏时泄漏口处流速较大，忽略泄漏过程管内外热量交换，设泄漏口处为等熵流动状态；
[0029][0030]
式中：h0为管内介质的初始焓值，kj/kg；h1为管道泄漏口处的介质焓值，kj/kg；uc为泄漏口处介质流速，m/s；u0为管内介质流速，由于管内流体速度较泄漏口处的流速小很多，因此可以忽略不计；由式(6)获得泄漏速度：
[0031][0032]
以上甲烷的物性参数包括：压力、温度、焓、熵，都采用gerg2008状态方程计算；泄
漏质量流量为：
[0033]
g＝ρcaucꢀꢀꢀ
(8)
[0034]
式中，g为管道泄漏质量流量；ρc为泄漏口处介质密度；a为泄漏口面积；
[0035]
通过物理模型确认，泄漏速率主要取决于管道输送条件，包括压力、温度，以及泄漏口尺寸。
[0036]
进一步地，在步骤s3中，采用粒子算法优化的支持向量机(pso-svm)和简化处理的卷积神经网络(cnn)分别对物理模型生成的大量数据进行学习；
[0037]
其中，支持向量机超平面的最优化问题转化为：
[0038][0039][0040]
式中，ω为超平面法向向量，c为惩罚因子，ξi为松弛因子，φ(x)为非线性映射函数，b为偏置系数；引入拉格朗日算法将最优化问题转化为对偶问题；
[0041][0042]
k(xi，xj)为核函数，使用的核函数为高斯核函数，如下式：
[0043][0044]
式中，σ为高斯核的带宽；
[0045]
cnn不需要精确的数学公式，只需用数据训练就能够实现输入到输出的映射；卷积层权重共享的特性也在很大程度上减少了参数，降低了卷积网络的复杂程度；由于cnn具有局部感知、权重共享等特点，所以cnn也可以用来解决回归问题；
[0046]
卷积计算公式为：
[0047]
z＝w
·
i+b
ꢀꢀꢀ
(13)
[0048]
式中，z为中间值，w为权重系数，i为输入的泄漏孔径、温度、压力，b为偏置系数；泄漏孔径、温度、压力经过卷积层进行特征提取，通过神经元的激活函数实现去线性；为了避免cnn反向传播时梯度消失，采用relu激活函数，其公式为：
[0049]
relu(z)＝max(0,z)
ꢀꢀꢀ
(14)
[0050]
通常卷积层输出非常多的参数量，所以常在卷积层后添加池化层，池化层能从卷积层的输出中提取最显著的特征，以减少数据和参数量。
[0051]
进一步地，在步骤s3中，训练得到基于机器学习模型的燃气管道泄漏速率预测模型；其中，使用该物理模型生成泄漏孔径范围为1
–
10mm，压力范围为7.5
–
12mpa，温度范围为305
–
325k的数据矩阵，将其中80％数据设为训练集，20％设为测试集；利用训练集训练机器
学习模型，通过测试集对训练好的模型进行测试；在小孔泄漏工况下两个机器学习模型的预测结果都比较理想；对比pso-svm模型与cnn模型发现，pso-svm模型的决定系数(r2)比cnn模型更接近1，说明pso-svm模型比cnn模型的拟合程度更好；如图5、图6所示；
[0052]
进一步地，对机器学习模型的适应性进行研究；cnn模型的均方误差mse和平均绝对误差mae都比pso-svm模型的结果低；进一步对比发现，pso-svm的均方误差约为cnn的30倍，说明pso-svm模型的数据变化程度比cnn模型大，但两者的平均绝对误差相差不大，说明两模型预测值误差大致相同；
[0053]
进一步地，在步骤s4中，进行模型参数选择以及模型预测分析；
[0054]
支持向量机的核函数选用高斯核函数rbf，将数据集分为10个交叉验证集，在pso中将设惩罚因子c的取值范围[10.0，500.0]，核函数参数g取值范围[0.01，0.1]，适应度函数选择均方误差(mse)函数，体搜索的最大迭代次数为1，搜索远离粒子最优位置的比例因子为10，搜索终止前体最优目标值的最小变化值设置为0.001；种的粒子数设置为200；最终经过pso优化之后到的最优惩罚因子c为476.248，核函数参数g为0.099048；
[0055]
卷积神经网络包括输入层、两个卷积层、一个全连接层以及输出层；先增加一列特征指标，使特征指标变成4列，然后对数据进行标准化处理，最后将每行特征指标变为2
×
2的矩阵；经过数据处理，输入层接收的是2
×2×
1的矩阵图像，其中1表示单通道；两个卷积层的步长都设置为1，卷积核尺寸设置为1
×
1，第一卷积层设置8个卷积核，输出的通道数为8，第二卷积层设置16个卷积核，输出的通道数为16；经过第一层卷积输出8个大小为2
×
2的特征图像，经过第二层卷积输出16个大小为2
×
2的特征图像；最终全连接层将16个2
×
2的图像变成含有2
×2×
16个元素的一维数组，对该行数据进行卷积，卷积核个数为64，得到含有64个元素的一维数组；在训练过程中，为了减少过拟合，采用dropout方法，保留数组中90％的元素；在预测过程中则全部保留，最后对该数组再进行卷积，卷积核个数为1，得到长度为1的数组。
[0056]
进一步地，测试模型的泛化能力并进行实验验证；由物理模型均匀产生5938组用于对比验证的数据集，该数据集中的参数范围为：d＝[10，100]mm，t＝[310，330]k，p＝[8.5，12]mpa；可以看出，该压力、温度、泄漏孔径的范围是对用于训练机器学习模型的小孔泄漏数据集范围的扩展，验证数据集的参数范围是所建立的机器学习模型之前没有接触过的；可以看出，pso-svm模型的均方误差(mse)、平均绝对误差(mae)均小于cnn，且决定系数(r2)大于cnn，说明svm模型的泛化能力较强；由此可见，pso-svm的泛化能力强于cnn；
[0057]
最后，根据实验数据和模拟结果的对比，对模型进行修正，最终确定实用性模型。
[0058]
一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如上所述的基于物理模型驱动机器学习的燃气管道泄漏速率预测方法。
[0059]
一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如上所述的基于物理模型驱动机器学习的燃气管道泄漏速率预测方法。
[0060]
本发明及其优选方案基于物理模型驱动的机器学习方法预测燃气管道泄漏速率的预测方法与实验测量结果更加吻合。本发明的仿真方法与实际情况更加相符，更加具有科学性，所以仿真准确性可有大幅提升。
附图说明
[0061]
以下结合附图和具体实施方式对本发明做进一步详细说明；
[0062]
图1为本发明实施例物理模型驱动的机器学习方法框架图；
[0063]
图2为本发明实施例pso-svm算法流程图；
[0064]
图3为本发明实施例所用卷积神经网络算法示意图；
[0065]
图4为本发明实施例泄漏速率计算框图；
[0066]
图5为本发明实施例pso-svm的预测结果示意图；
[0067]
图6为本发明实施例cnn的预测结果示意图。
具体实施方式
[0068]
为让本专利的特征和优点能更明显易懂，下文特举实施例，作详细说明如下：
[0069]
应该指出，以下详细说明都是例示性的，旨在对本技术提供进一步的说明。除非另有指明，本说明书使用的所有技术和科学术语具有与本技术所属技术领域的普通技术人员通常理解的相同含义。
[0070]
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本技术的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
[0071]
如图1-图6所示，本实施例公开了基于物理模型驱动的机器学习方法预测燃气管道泄漏速率的预测方法，其包括如下步骤：
[0072]
步骤sl：基于等熵阻塞模型建立可预测燃气管道泄漏速率的物理模型，包括高压储罐和下游管道的相关参数及计算区域；
[0073]
步骤s2：基于该物理模型产生大量管道泄漏数据，获得质量守恒方程、能量守恒方程和动量守恒方程；
[0074]
具体为：
[0075]
(1)质量守恒方程，即连续方程为：
[0076][0077]
其中，ρ(kg/m)表示密度，表示速度矢量。
[0078]
(2)能量守恒方程为：
[0079][0080]
其中，e(j)表示总能量，k
eff
(w/(m
·
k))表示有效热导系数，t(k)表示温度，h(j/kg)表示比焓，j表示扩散通量，表示有效粘性切应力张量。下标i表示是第i种物质。
[0081]
其中，总能量e可表示为：
[0082][0083]
(3)动量方程即navier-stokes方程：
[0084][0085]
其中，p(pa)表示压力，表示粘性应力张量，表示重力加速度，运算中忽略重力的影响
[0086]
其中，粘性应力张量表示为：
[0087][0088]
其中，μ表示气体粘度，i表示单位张量。
[0089]
由于管内初始压力较高，发生泄漏时泄漏口处流速较大，忽略泄漏过程管内外热量交换，可以假设泄漏口处为等熵流动状态。
[0090][0091]
式中：h0为管内介质的初始焓值，kj/kg；h1为管道泄漏口处的介质焓值，kj/kg；uc为泄漏口处介质流速，m/s；u0为管内介质流速，由于管内流体速度较泄漏口处的流速小很多，因此可以忽略不计。由式(6)可得泄漏速度：
[0092][0093]
以上甲烷的物性参数(压力、温度、焓、熵)都采用gerg2008状态方程计算。泄漏质量流量为：
[0094]
g＝ρcaucꢀꢀꢀ
(8)
[0095]
式中，g为管道泄漏质量流量，kg/s；ρc为泄漏口处介质密度，kg/m3；a为泄漏口面积，m2。
[0096]
图4为泄漏速率计算程序框图。由以上物理模型可见，泄漏速率主要取决于管道输送条件(压力、温度)以及泄漏口尺寸。
[0097]
步骤s3：采用粒子算法优化的支持向量机(pso-svm)和简化处理的卷积神经网络(cnn)分别对物理模型生成的大量数据进行学习，支持向量机超平面的最优化问题可转化为：
[0098][0099][0100]
式中，ω为超平面法向向量，c为惩罚因子，ξi为松弛因子，φ(x)为非线性映射函数，b为偏置系数。引入拉格朗日算法将最优化问题转化为对偶问题。
的矩阵；经过数据处理，输入层接收的是2
×2×
1的矩阵图像，其中1表示单通道。两个卷积层的步长都设置为1，卷积核尺寸设置为1
×
1，第一卷积层设置8个卷积核，输出的通道数为8，第二卷积层设置16个卷积核，输出的通道数为16。经过第一层卷积输出8个大小为2
×
2的特征图像，经过第二层卷积输出16个大小为2
×
2的特征图像。最终全连接层将16个2
×
2的图像变成含有2
×2×
16个元素的一维数组，对该行数据进行卷积，卷积核个数为64，得到含有64个元素的一维数组。在训练过程中，为了减少过拟合，采用dropout方法，保留数组中90％的元素；在预测过程中则全部保留，最后对该数组再进行卷积，卷积核个数为1，得到长度为1的数组。
[0115]
测试模型的泛化能力并进行实验验证。由物理模型均匀产生5938组用于对比验证的数据集，该数据集中的参数范围为：d＝[10，100]mm，t＝[310，330]k，p＝[8.5，12]mpa。可以看出，该压力、温度、泄漏孔径的范围是对用于训练机器学习模型的小孔泄漏数据集范围的扩展，验证数据集的参数范围是所建立的机器学习模型之前没有接触过的。可以看出，pso-svm模型的均方误差(mse)、平均绝对误差(mae)均小于cnn，且决定系数(r2)大于cnn，说明svm模型的泛化能力较强。由此可见，pso-svm的泛化能力强于cnn。
[0116]
最后，根据实验数据和模拟结果的对比，对模型进行修正，最终确定实用性模型。
[0117]
本发明采用以上技术方案，基于物理模型驱动的机器学习方法预测燃气管道泄漏速率的预测方法与实验测量结果更加吻合。本发明的仿真方法与实际情况更加相符，更加具有科学性，所以仿真准确性可有大幅提升。
[0118]
本领域内的技术人员应明白，本发明的实施例可提供为方法、装置、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0119]
本发明是参照根据本发明实施例的方法、设备(装置)、和计算机程序产品的流程图来描述的。应理解可由计算机程序指令实现流程图中的每一流程、以及流程图中的流程结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程中指定的功能的装置。
[0120]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程图中指定的功能。
[0121]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程中指定的功能的步骤。
[0122]
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。
[0123]
本专利不局限于上述最佳实施方式，任何人在本专利的启示下都可以得出其它各种形式的基于物理模型驱动机器学习的燃气管道泄漏速率预测方法，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本专利的涵盖范围。
技术特征：
1.一种基于物理模型驱动机器学习的燃气管道泄漏速率预测方法，其特征在于，包括以下步骤：步骤s1：基于等熵阻塞模型建立可预测燃气管道泄漏速率的物理模型，包括高压储罐和下游管道的参数及计算区域；步骤s2：基于所述物理模型生成多组管道泄漏数据，推算质量守恒方程、能量守恒方程和动量守恒方程，获得泄漏速率的主要影响因素；步骤s3：采用粒子算法优化的支持向量机pso-svm和简化处理的卷积神经网络cnn分别对所述物理模型生成的大量数据进行学习﹔以获得基于机器学习模型的燃气管道泄漏速率预测模型；步骤s4：进行模型参数选择以及模型预测分析；并测试模型的泛化能力并进行实验验证；步骤s5：根据实验数据和模拟结果的对比，对模型进行修正，最终确定实用性模型，以进行燃气管道泄漏速率预测。2.根据权利要求1所述的基于物理模型驱动机器学习的燃气管道泄漏速率预测方法，其特征在于：步骤s2具体为：(1)质量守恒方程，即连续方程为：其中，ρ表示密度，表示速度矢量；(2)能量守恒方程为：其中，e表示总能量，k
eff
表示有效热导系数，t表示温度，h表示比焓，表示扩散通量，表示有效粘性切应力张量；下标i表示是第i种物质；其中，总能量e表示为：(3)动量方程即navier-stokes方程：其中，p表示压力，表示粘性应力张量，表示重力加速度，运算中忽略重力的影响；其中，粘性应力张量表示为：其中，μ表示气体粘度，i表示单位张量；由于管内初始压力较高，发生泄漏时泄漏口处流速较大，忽略泄漏过程管内外热量交换，设泄漏口处为等熵流动状态；
式中：h0为管内介质的初始焓值，kj/kg；h1为管道泄漏口处的介质焓值，kj/kg；u
c
为泄漏口处介质流速，m/s；u0为管内介质流速，由于管内流体速度较泄漏口处的流速小很多，因此可以忽略不计；由式(6)获得泄漏速度：以上甲烷的物性参数包括：压力、温度、焓、熵，都采用gerg2008状态方程计算；泄漏质量流量为：g＝ρ
c
au
c
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)式中，g为管道泄漏质量流量；ρ
c
为泄漏口处介质密度；a为泄漏口面积；通过物理模型确认，泄漏速率取决于管道输送条件，包括压力、温度，以及泄漏口尺寸。3.根据权利要求2所述的基于物理模型驱动机器学习的燃气管道泄漏速率预测方法，其特征在于：在步骤s3中，采用粒子算法优化的支持向量机pso-svm和简化处理的卷积神经网络cnn分别对物理模型生成的大量数据进行学习具体为；支持向量机超平面的最优化问题转化为：支持向量机超平面的最优化问题转化为：式中，ω为超平面法向向量，c为惩罚因子，ξ
i
为松弛因子，φ(x)为非线性映射函数，b为偏置系数；引入拉格朗日算法将最优化问题转化为对偶问题；k(x
i
，x
j
)为核函数，使用的核函数为高斯核函数，如下式：式中，σ为高斯核的带宽；卷积神经网络cnn采用的卷积计算公式为：z＝w
·
i+b
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(13)式中，z为中间值，w为权重系数，i为输入的泄漏孔径、温度、压力，b为偏置系数；泄漏孔径、温度、压力经过卷积层进行特征提取，通过神经元的激活函数实现去线性；为了避免cnn反向传播时梯度消失，采用relu激活函数，其公式为：
relu(z)＝max(0,z)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(14)在卷积层后添加池化层，池化层能从卷积层的输出中提取最显著的特征，以减少数据和参数量。4.根据权利要求3所述的基于物理模型驱动机器学习的燃气管道泄漏速率预测方法，其特征在于：在步骤s3中，训练得到基于机器学习模型的燃气管道泄漏速率预测模型；其中，使用该物理模型生成泄漏孔径范围为1
–
10mm，压力范围为7.5
–
12mpa，温度范围为305
–
325k的数据矩阵，将其中80％数据设为训练集，20％设为测试集；利用训练集训练机器学习模型，通过测试集对训练好的模型进行测试。5.根据权利要求4所述的基于物理模型驱动机器学习的燃气管道泄漏速率预测方法，其特征在于：在步骤s4中，进行模型参数选择以及模型预测分析具体为：支持向量机的核函数选用高斯核函数rbf，将数据集分为10个交叉验证集，在pso中将设惩罚因子c的取值范围[10.0，500.0]，核函数参数g取值范围[0.01，0.1]，适应度函数选择均方误差(mse)函数，体搜索的最大迭代次数为1，搜索远离粒子最优位置的比例因子为10，搜索终止前体最优目标值的最小变化值设置为0.001；种的粒子数设置为200；最终经过pso优化之后到的最优惩罚因子c为476.248，核函数参数g为0.099048；卷积神经网络包括输入层、两个卷积层、一个全连接层以及输出层；先增加一列特征指标，使特征指标变成4列，然后对数据进行标准化处理，最后将每行特征指标变为2
×
2的矩阵；经过数据处理，输入层接收的是2
×2×
1的矩阵图像，其中1表示单通道；两个卷积层的步长都设置为1，卷积核尺寸设置为1
×
1，第一卷积层设置8个卷积核，输出的通道数为8，第二卷积层设置16个卷积核，输出的通道数为16；经过第一层卷积输出8个大小为2
×
2的特征图像，经过第二层卷积输出16个大小为2
×
2的特征图像；最终全连接层将16个2
×
2的图像变成含有2
×2×
16个元素的一维数组，对该行数据进行卷积，卷积核个数为64，得到含有64个元素的一维数组；在训练过程中，为了减少过拟合，采用dropout方法，保留数组中90％的元素；在预测过程中则全部保留，最后对该数组再进行卷积，卷积核个数为1，得到长度为1的数组。
技术总结
本发明提出一种基于物理模型驱动机器学习的燃气管道泄漏速率预测方法，包括：(1)基于等熵阻塞模型建立可预测燃气管道泄漏速率的物理模型；(2)基于该物理模型产生大量管道泄漏数据；(3)采用粒子算法优化的支持向量机（PSO-SVM）和简化处理的卷积神经网络（C）分别对物理模型生成的大量数据进行学习；(4)得到基于机器学习模型的燃气管道泄漏速率预测方法；(5)进一步对机器学习模型的适应性进行研究；(6)进行模型参数选择以及模型预测分析；(7)测试模型的泛化能力并进行实验验证；(8)根据实验数据和模拟结果的对比，对模型进行修正，最终确定实用性模型。其实现了更精确预测燃气管道泄漏速率的预测方法。燃气管道泄漏速率的预测方法。燃气管道泄漏速率的预测方法。
