【論文精選】基于燃氣安全風險的大數(shù)據(jù)預警模型研究
【論文精選】基于燃氣安全風險的大數(shù)據(jù)預警模型研究
GAS-HEAT1978
《煤氣與熱力》始于1978年，創(chuàng)刊于1981年，中國核心期刊，中國土木工程學會燃氣分會會刊。篩選燃氣供熱行業(yè)最有價值的技術信息，新聞分類整理、政策標準、熱點討論、投稿查詢、論文檢索、寫作指導、編委風采、精品會議……
官網(wǎng)注冊后
http://www.gasheat.cn
免費下載論文
作者：劉江濤，張濤，吳波，顧先凱，李春青，關鴻鵬，李夏喜，曹印峰，詹淑慧，甘穎濤，蔭東錦，任立坤
第一作者單位：北京市市政工程設計研究總院有限公司
摘自《煤氣與熱力》2018年12月刊
1 概述
21世紀，被稱為天然氣時代 ［1］ ，城市燃氣在給居民生活及經(jīng)濟發(fā)展帶來正向作用的同時，隨之而來的安全問題也影響著城市及社會的發(fā)展。由于管理跟不上發(fā)展的步伐，加之管道腐蝕以及第三方施工破壞， 燃氣泄漏 突發(fā)性大，可控性差，威脅著周邊環(huán)境中人員財產(chǎn)安全 ［2］ 。近年來，燃氣泄漏而導致的爆炸事故居高不下，據(jù)統(tǒng)計，2014— 2017 年度全國燃氣爆炸事故分別為693、825、908、950 起 ［3-4］ 。城市燃氣事故造成的人員傷亡及財產(chǎn)損失不可小覷，同時也造成了不良的社會影響，加之政府及社會對安全關注度有增無減，燃氣管網(wǎng)的安全管理問題，已成為相關管理者的首要問題。
作為城市能源的主要供應方式之一，燃氣管網(wǎng)的敷設遍布城市各個區(qū)域，在管網(wǎng)運行過程中，導致管道泄漏主要是發(fā)生了電流腐蝕、化學腐蝕和電化學腐蝕 ［ 5 ］ 。根據(jù)燃氣運行實際經(jīng)驗來看，燃氣管道的 腐蝕 不僅取決于管道本身，同時也受到外部環(huán)境因素的影響，即內部因素和外部因素。內部因素主要體現(xiàn)為管齡、管材、管徑、壓力級制、埋深、防腐措施、管理差異等引起的管道腐蝕情況多樣，該類因素相對具體、固定；外部因素主要體現(xiàn)為地質、水文引起的化學或電化學腐蝕，鐵路、地鐵等電氣化軌道輸電漏電造成的電流腐蝕，各種腐蝕的疊加，又將進一步降低燃氣管道的使用壽命。
隨著城市的發(fā)展，外部因素更加多樣，加之外部因素的難辨識，外部因素引起的管道泄漏的管控問題，是城市燃氣面臨的嚴峻挑戰(zhàn)。傳統(tǒng)燃氣管道檢測方法不僅有成本高、效率低、周期長并受領域知識和領域經(jīng)驗的限制等局限，且對外部因素尚無科學的動態(tài)管理、反饋機制，無法對全管網(wǎng)進行實時監(jiān)測。
隨著計算機以及人工智能的發(fā)展，燃氣行業(yè)的信息化程度得到進一步提高，管道基礎數(shù)據(jù)可以比較全面準確獲取，為燃氣行業(yè)的數(shù)據(jù)分析和模型構建提供了必要保障。故本文提出并嘗試采用基于人工智能和機器學習的智能檢測方法，通過運用大數(shù)據(jù)分析技術，建立指標間的關聯(lián)關系模型，通過易測的過程量去推斷難測的過程量，提升 燃氣管道 運行過程的整體可觀可控。
2 管道安全風險預警模型的研究方法
目前城市燃氣施行的在役管道腐蝕泄漏管控的技術體系主要是依據(jù)行業(yè)和企業(yè)規(guī)范，但是，這種管控體系存在資源成本高、檢測有限、檢測參數(shù)多但數(shù)據(jù)又沒有得到很好的利用等問題，已有的腐蝕泄漏事件也沒有作為反饋數(shù)據(jù)以修正現(xiàn)有體系。如何緩解現(xiàn)有不足對燃氣管網(wǎng)腐蝕泄漏管控技術體系的影響，提升技術體系的管控效果，是本文構建的燃氣安全風險的大數(shù)據(jù)預警模型（以下簡稱預警模型）的主要目標。
本文以人工智能和機器學習的智能檢測方法為基礎，先對研究的應用場景進行科學抽象，然后采用合適的算法，運用基本的數(shù)據(jù)挖掘步驟，對所采集的原始數(shù)據(jù)進行預處理并形成可用特征變量文件，再進行建模、應用場景實驗、解釋和優(yōu)化，并不斷調整。
目前，有大量的機器學習工具可進行數(shù)據(jù)挖掘，本文所采用的是懷卡托智能分析環(huán)境，即weka。
①懷卡托智能分析環(huán)境
數(shù)據(jù)挖掘，也被稱為數(shù)據(jù)庫知識發(fā)現(xiàn)，是指從大量的、有噪聲的、不完全的、隨機的、模糊的實際應用數(shù)據(jù)中提取有效的、潛在有用的、新穎的知識過程。數(shù)據(jù)挖掘已在很多行業(yè)得到應用，如醫(yī)療、電子等，燃氣行業(yè)有所涉及，多用于負荷預測，暫時還沒有將該技術應用在腐蝕泄漏方面的研究 ［ 6-8 ］ ?？缧袠I(yè)數(shù)據(jù)挖掘標準流程（ Cross-Industry Standard Process for Data Mining ， CRISP-DM ［ 9 ］ ）是目前數(shù)據(jù)挖掘與商務智能領域使用最為廣泛的方法論，該模型將數(shù)據(jù)挖掘分為 6 個不同的階段，順序可按研究情況適當調整，階段之間可相互反饋，整個流程形成閉環(huán)。燃氣管道泄漏的跨行業(yè)數(shù)據(jù)挖掘標準流程見圖 1 。
圖 1 燃氣管道泄漏的跨行業(yè)數(shù)據(jù)挖掘標準流程
針對燃氣管道泄漏問題，收集內外部相關數(shù)據(jù)，并對數(shù)據(jù)進行處理和特征提取，建立weka可用的正負樣本數(shù)據(jù)集。利用決策樹、隨機森林等多種算法進行建模和驗證，找出最優(yōu)預警模型算法。
本文將燃氣管道泄漏問題形式化為有監(jiān)督學習中的預測問題，即y=f（ x ），其中 y 表示管道泄漏的可能性， x 是管道泄漏相關的因素與變量，既包括內部因素，也包括外部因素。當收集了大量的（ x ， y ）數(shù)據(jù)之后，利用這些數(shù)據(jù)訓練模型，學習得到 f （ x ），即預警模型。最后，根據(jù)燃氣管道的檢測數(shù)據(jù)，實現(xiàn)整個燃氣管網(wǎng)的風險預測。
關于數(shù)據(jù)的獲取，首先，根據(jù)管道運營方面的領域知識，采集了管齡、管材、管徑、壓力級制、埋深、管理單位等與 燃氣泄漏 密切相關的6類內部數(shù)據(jù)；其次，從多源數(shù)據(jù)融合角度，采集了水文、電氣化軌道、地標建筑分布等可能會對管道泄漏造成影響的大量外部因素數(shù)據(jù)。
②本文的研究內容
本文在懷卡托智能分析環(huán)境下，執(zhí)行標準的數(shù)據(jù)挖掘流程，將燃氣腐蝕破壞業(yè)務問題轉化為數(shù)據(jù)挖掘問題，利用機器學習技術，找到腐蝕破壞與內外部影響特征之間的關系。
具體的研究工作主要有數(shù)據(jù)預處理、預警模型訓練算法選擇、實驗。
3 數(shù)據(jù)預處理
數(shù)據(jù)預處理，是數(shù)據(jù)挖掘項目中耗時最長也是最重要的一個環(huán)節(jié)，不僅是節(jié)約時間成本的首要途徑，更是最后模型精確度的必要保障 ［ 10 ］ ，本研究中，數(shù)據(jù)預處理的流程見圖 2 。
圖 2 數(shù)據(jù)預處理流程
①原始數(shù)據(jù)的獲取
根據(jù)文獻調研和前期研究發(fā)現(xiàn)，數(shù)據(jù)源的質量差將引起數(shù)據(jù)挖掘結果的不準確甚至錯誤，因此保證原始數(shù)據(jù)的準確性至關重要。本文針對某燃氣集團的地下管道風險辨識困難，無法準確檢測造成的燃氣管道泄漏問題，擬采用數(shù)據(jù)挖掘建立預警模型。首先，需根據(jù)研究領域知識和情況，結合專家分析確定所需的數(shù)據(jù)項并通過嚴格、規(guī)范的過程獲取有較高影響因子的變量。
a.內部因素數(shù)據(jù)獲取
內部因素數(shù)據(jù)來源主要為某燃氣集團的應急事件數(shù)據(jù)、安全隱患數(shù)據(jù)、結構類技改大修數(shù)據(jù)、陰極保護數(shù)據(jù)、管道防腐檢測數(shù)據(jù)、壓力管道檢測數(shù)據(jù)和管網(wǎng)基礎數(shù)據(jù)。內部因素原始數(shù)據(jù)詳情見表1。
表 1 內部因素原始數(shù)據(jù)詳情
b.外部因素數(shù)據(jù)
外部因素數(shù)據(jù)主要來自開源的電子系統(tǒng)，包括分析區(qū)域的地鐵、鐵路、水系面、道路附屬設施等。外部因素原始數(shù)據(jù)詳情見表2。
表 2 外部因素原始數(shù)據(jù)詳情
利用計算機技術與人工結合的方式，將獲得的內外部因素數(shù)據(jù)進行整理并結構化，最終形成包括內外部因素數(shù)據(jù)的正負樣本數(shù)據(jù)庫（Database of Gas Internal and External Data， DGIED ）。正樣本指已發(fā)生事故的樣本，負樣本指未發(fā)生事故的樣本。
②數(shù)據(jù)清洗
在數(shù)據(jù)預處理過程中，數(shù)據(jù)清洗是耗時且較乏味的一項工作，但也是最重要的一項工作。數(shù)據(jù)的清洗保證了數(shù)據(jù)的準確性。在初始獲得的正負樣本數(shù)據(jù)庫中，可能包含噪聲數(shù)據(jù)、冗余數(shù)據(jù)、缺失數(shù)據(jù)甚至錯誤數(shù)據(jù)。
針對噪聲數(shù)據(jù)，本文結合專業(yè)知識，采用聚類技術以及計算機和人工相結合的方式進行處理。冗余數(shù)據(jù)，利用影響因子分析和經(jīng)驗進行整合，選擇其具有最大影響力的或足以反映問題信息的數(shù)據(jù)，刪除其余冗余或重復數(shù)據(jù)；缺失數(shù)據(jù)，通過計算機和人工結合的方式，刪除數(shù)據(jù)缺失較多的數(shù)據(jù)行；根據(jù)行業(yè)知識及實際情況，對獲取的數(shù)據(jù)元組中錯誤的數(shù)據(jù)，進行更改、刪除或忽略等操作。
③特征變量確定與提取
從清洗后的正負樣本數(shù)據(jù)庫中提取出對模型開發(fā)有效的數(shù)據(jù)項，即選擇對管道泄漏影響顯著的特征變量，又避免特征變量間的交叉重疊，是數(shù)據(jù)預處理中最為關鍵的一步。特征變量的質量，直接影響最終模型的分析效果和精確度。
結合跨行業(yè)數(shù)據(jù)挖掘標準流程第2步數(shù)據(jù)理解，內部數(shù)據(jù)確定為管齡、管材、管徑、壓力級制、埋深、管理單位等與燃氣泄漏密切相關的 6 類；外部因素數(shù)據(jù)確定為鐵路、地鐵等電氣化軌道、水系面（河流與湖泊）等影響管道腐蝕的 3 類。針對鐵路，將其數(shù)量、與正負樣本點之間的距離作為特征變量；對于地鐵，將地鐵數(shù)量、與正負樣本點之間的距離作為特征變量；對于河流與湖泊，考慮長度、距離、面積作為特征變量。最后從數(shù)據(jù)庫中隨機提取正樣本 1 份（ 855 個樣本點），負樣本 4 份（每份各 855 個樣本點）。
④缺失值填補
a.缺失值填補算法—— KNN 算法
KNN 算法 ［ 11 ］ 是數(shù)據(jù)挖掘中一種經(jīng)典的懶惰學習算法，利用已有的訓練數(shù)據(jù)實現(xiàn)分類和預測， k 表示最接近待分類或待預測樣本的 k 個數(shù)據(jù)樣本。該算法的核心思想是，在一個特征空間內，找到與數(shù)據(jù)樣本 A 最相似的 k 個已知數(shù)據(jù)標簽或值的數(shù)據(jù)樣本，獲取該 k 個訓練數(shù)據(jù)的標簽或值用于對樣本 A 的標簽或值的預測。
KNN算法具有良好的魯棒性，對數(shù)據(jù)的存儲要求簡單，操作方便， k 的合理選取能夠有效地避免或減小噪聲或缺失值對分類或預測結果的影響，即使在給定的訓練數(shù)據(jù)非常多時，也仍能保證算法的有效性，因此該算法很好地應用于許多領域。本文將運用該算法對特征變量的缺失值進行預測填充。
b.缺失值填補方法
數(shù)據(jù)缺失值的存在會降低模型的準確率，甚至使數(shù)據(jù)分析和建模的結果不準確，若直接忽視或刪除，則降低了數(shù)據(jù)的利用率，甚至使數(shù)據(jù)間的關聯(lián)性遭到破壞。因此，本文在獲取內外部特征變量數(shù)據(jù)后，對特征變量中數(shù)據(jù)缺失的部分運用KNN算法和人工整合方式進行填補。
在本文的研究中，僅內部因素數(shù)據(jù)埋深項缺失較多，其他特征變量缺失值較少或達到可用狀態(tài)。針對埋深項的缺失值填充，采用的是KNN算法。
在特征空間中，考慮了兩種距離（不涉及單位），即歐氏距離和曼哈頓距離。對于歐氏距離，考慮了k分別取集合 {5 ， 10 ， 15 ， 20 ， 25 ， 30} 各元素時預測情況。對于曼哈頓距離，考慮了 k 分別取集合 {5 ， 7 ， 9 ，… ， 19 ， 20 ， 22 ，…， 30} 各元素時的預測情況。預測精度判斷值計算如下：
R MSE 表征預測值偏離真實值的程度，值越小，偏離程度越小，即預測值越準確。KNN法預測 R MSE 值見圖3（橫坐標中 M05 表示曼哈頓距離 k 取 5 ，其他標值同理。 O05 表示歐氏距離 k 取 5 ，其他標值同理）。可以看出， M07 的預測結果與實際的埋深值最接近，準確率最高。故采用 M07 的預測數(shù)據(jù)填充埋深項的缺失值。
圖 3 KNN 法預測的預測精度判斷值
對于各樣本的管齡、管材、壓力級制等內部因素特征值，正樣本數(shù)據(jù)基本完全，負樣本數(shù)據(jù)存在少量缺失，本文將負樣本4作為填充集，尋找除需填補的特征項之外的其他特征項最接近的樣本點數(shù)據(jù)，來填充負樣本 1 、 2 、 3 ，最終得到 3 個負樣本集。
⑤訓練樣本的選取
通過前面步驟獲得的數(shù)據(jù)，是數(shù)據(jù)庫中相關項的全部數(shù)據(jù)，數(shù)據(jù)量很龐大，若全部考慮不僅增加了工作量，降低模型訓練效率，而且對模型效果的影響不顯著甚至產(chǎn)生負面影響，因此合理縮小數(shù)據(jù)范圍非常必要。
根據(jù)正負樣本點的坐標，選取距離樣本點2 km內的外部因素數(shù)據(jù)的特征變量。例如，以鐵路為例，分別以各個樣本點為參考點，獲得離該樣本點最近的鐵路的距離， 700 m 范圍內是否含有鐵路以及 2 000 m 范圍內鐵路數(shù)量。水系面、地鐵與其類似。外部因素數(shù)據(jù)的特征變量見表 3 。
表 3 外部因素數(shù)據(jù)的特征變量
將獲取的外部特征變量結合內部特征變量整理成一張“正負樣本數(shù)據(jù)點—內外部特征變量”表格，進而轉換成 .arff 的數(shù)據(jù)集，并進行數(shù)據(jù)缺失填補的操作。本研究中，將訓練數(shù)據(jù)集分成 3 組：訓練樣本 1 、訓練樣本 2 、訓練樣本 3 ，組成分別為正樣本 + 負樣本 1 ，正樣本 + 負樣本 2 ，正樣本 + 負樣本 3 。
4 預警模型訓練算法選擇
通過數(shù)據(jù)預處理步驟獲得訓練樣本后，便可選擇合適算法進行預警模型的訓練 ［ 12 ］ 。
①決策樹算法
決策樹算法 ［ 13 ］ 提出時間較早，是開展數(shù)據(jù)研究的重要算法之一，是通過節(jié)點和有向邊，在實例分類過程中形成的一種樹形結構，根據(jù)預先設置好的邏輯，自上而下對數(shù)據(jù)庫中存儲的無規(guī)律且不可控的大量數(shù)據(jù)進行學習，繼而歸納出分類規(guī)則。
C4.5是決策樹算法中的一種，以采用局部最優(yōu)策略的 Hunt 算法為基礎，構造簡單，分類規(guī)則便于按需轉化，且能夠獲得較高的分類準確率。但也有一定的缺點，即缺乏伸縮性，因為該算法需要對數(shù)據(jù)進行深度優(yōu)先搜索。
②隨機森林算法
隨機森林算法 ［ 14 ］ 通過在訓練集 N 中有放回地隨機抽取 m 個樣本生成新的訓練樣本集合，根據(jù)新的樣本集合生成 m 個分類樹，即決策樹，進而形成一片“森林”，森林中各決策樹之間相互獨立。森林形成后，輸入一個樣本數(shù)據(jù)，森林中的每一棵決策樹對其進行判斷，并確定其屬于哪一類別，哪一種類別出現(xiàn)最多，則該樣本屬于哪一類。
隨機森林在沒有明顯擴增運算量的情況下提高了預測準確率，被視為目前最好的算法之一。與其他算法相比，隨機森林對數(shù)據(jù)的適應性較好，能夠很好地處理高緯度數(shù)據(jù)；抗噪聲能力較強，對缺失值和異常值敏感度低；樹的節(jié)點層級可表示變量的重要性。但當需要區(qū)分的類別太多時，隨機森林的表現(xiàn)差些。
③其他算法
貝葉斯網(wǎng)絡和樸素貝葉斯 ［ 13 ］ 都是以貝葉斯定理為基礎的算法，本質是通過條件概率實現(xiàn)分類。支持向量機（ SVM ）通過構造支持向量尋找樣本點間最大間隔的分割面，即最優(yōu)超平面，對數(shù)據(jù)進行分類。神經(jīng)網(wǎng)絡模擬生物神經(jīng)系統(tǒng)處理信息的過程，是通過神經(jīng)元間的互聯(lián)關系表示的網(wǎng)絡。邏輯回歸的本質是利用最大似然估計，通過離散化手段進行分類。
根據(jù)預警模型特點，本文選擇了決策樹C4.5、隨機森林、貝葉斯網(wǎng)絡、樸素貝葉斯、 SVM 和邏輯回歸 6 種算法進行預警模型訓練。
5 實驗
根據(jù)選擇的算法，同時考慮內外部因素的影響，進行預警模型訓練。3個訓練集同時考慮內外部因素的預警模型訓練結果見圖 4 ， 3 個訓練集僅考慮內部因素的預警模型訓練結果見圖 5 。
圖 4 3 個訓練集同時考慮內外部因素的預警模型訓練結果
圖 5 3 個訓練集僅考慮內部因素的預警模型訓練結果
通過圖4、 5 可以看出，無論是同時考慮內外部因素還是只考慮內部因素，隨機森林算法所得預警模型準確率最高，決策樹 C4.5 算法所得預警模型準確率次之，其他 4 個算法所得預警模型準確率明顯偏低。
同時考慮內外部因素與只考慮內部因素準確率對比見圖6（圖中準確率取 3 個訓練集準確率的平均值）?？梢钥闯?，除樸素貝葉斯和 SVM 算法外，其他算法同時考慮內外部因素后，所得預警模型準確率都有所提高，決策樹 C4.5 和隨機森林算法所得預警模型準確率提高明顯。
圖 6 同時考慮內外部因素與只考慮內部因素準確率對比
根據(jù)實驗結果比較分析，選出隨機森林為最優(yōu)算法，同時考慮內外部因素相比于僅考慮內部因素，模型準確率提高了5.07%。
6 結論
①確定燃氣管道安全風險大數(shù)據(jù)預警模型采用懷卡托智能分析環(huán)境。
②確定數(shù)據(jù)預處理流程，包含原始數(shù)據(jù)的獲取、數(shù)據(jù)清洗、特征變量確定與提取、缺失值填補、訓練樣本的選取。指出內部因素數(shù)據(jù)為管齡、管材、管徑、壓力級制、埋深、管理單位，外部因素數(shù)據(jù)為鐵路、地鐵等電氣化軌道、水系面（河流與湖泊）等影響管道腐蝕的 3 類。從數(shù)據(jù)庫中隨機提取正樣本 1 份，負樣本 4 份，每份各 855 個樣本點。將訓練數(shù)據(jù)集分成 3 組：訓練樣本 1 、訓練樣本 2 、訓練樣本 3 ，組成分別為正樣本 + 負樣本 1 ，正樣本 + 負樣本 2 ，正樣本 + 負樣本 3 。確定缺失值填補采用 KNN 算法。
③選擇決策樹 C4.5 、隨機森林、貝葉斯網(wǎng)絡、樸素貝葉斯、支持向量機和邏輯回歸 6 種算法作為預警模型訓練算法。
④根據(jù)選擇的算法，同時考慮內外部因素的影響，進行預警模型訓練（即實驗）。根據(jù)實驗結果比較分析，選出隨機森林為最優(yōu)算法。同時考慮內外部因素比僅考慮內部因素，模型準確率提高 5.07% 。
參考文獻：
［1］邊正東 . PDA 技術應用與燃氣管網(wǎng)安全技術研究（碩士學位論文）［ D ］ . 北京：北京建筑大學， 2016 ： 12-18.
［2］郁永波，趙庭敏 . 城市燃氣管網(wǎng)安全問題及對策分析［ J ］ . 科技創(chuàng)新與應用， 2012 （ 2 ）： 254.
［3］劉愛華，黃檢，吳卓儒，等 . 城市燃氣管道狀況及燃氣事故統(tǒng)計分析［ J ］ . 煤氣與熱力， 2017 ， 37 （ 10 ）： B27-B33.
［4］張滿可，杜前洲，彭強，等 . 2011 — 2014 年我國城市燃氣事故統(tǒng)計分析［ J ］ . 煤氣與熱力， 2016 ， 36 （ 1 ）： B40-B46.
［5］梁成 . 影響城市燃氣管網(wǎng)安全運行的因素與對策［ J ］ . 中國新技術新產(chǎn)品， 2016 （ 2 ）： 180.
［6］梁海棟 . 數(shù)據(jù)挖掘技術在燃氣系統(tǒng)中的應用分析［ J ］ . 科技資訊， 2013 （ 9 ）： 32.
［7］譚羽非，陳家新，焦文玲，等 . 基于人工神經(jīng)網(wǎng)絡的城市煤氣短期負荷預測［ J ］ . 煤氣與熱力， 2001 ， 21 （ 3 ）： 199-202.
［8］苗艷姝，段常貴，張淑紅 . 數(shù)據(jù)挖掘技術在燃氣負荷預測的應用［ J ］ . 煤氣與熱力， 2005 ， 25 （ 11 ）： 1-4.
［9］高武奇，康鳳舉，鐘聯(lián)炯 . 數(shù)據(jù)挖掘的流程改進和模型應用［ J ］ . 微電子學與計算機， 2011 ， 28 （ 7 ）： 9-12.
［10］彭高輝，王志良 . 數(shù)據(jù)挖掘中的數(shù)據(jù)預處理方法［ J ］ . 華北水利水電大學學報（自然科學版）， 2008 ， 29 （ 6 ）： 63-65.
［11］李秀娟 . KNN 分類算法研究［ J ］ . 科技信息， 2009 （ 31 ）： 81.
［12］朱玉全，楊鶴標，孫蕾 . 數(shù)據(jù)挖掘技術［ M ］ . 南京：東南大學出版社， 2006 ： 212-222.
［13］劉夢依 . 基于不平衡數(shù)據(jù)集的數(shù)據(jù)挖掘分類算法研究（碩士學位論文）［ D ］ . 蘭州：蘭州理工大學， 2017 ： 14-16.
［14］王元坤 . 基于隨機森林—人工神經(jīng)網(wǎng)絡企業(yè)財務預警研究（碩士學位論文）［ D ］ . 濟南：山東大學， 2017 ： 38-45.
維普免費下載《煤氣與熱力》論文（現(xiàn)刊和過刊均可）
日前，《煤氣與熱力》雜志社有限公司在維普網(wǎng)站 http://cqvip.com/ 開通論文免費下載服務，論文刊出后兩個月后，可在維普網(wǎng)站查詢，并直接免費下載。在維普網(wǎng)站 免費下載《煤氣與熱力》論文 步驟如下：
1. 在維普網(wǎng)站注冊會員。
2. 搜索出《煤氣與熱力》論文，點擊進入。
3. 論文免費下載界面截圖見上圖。點擊“免費下載”，可直接下載該論文。
聲明：本文著作權（版權）歸《煤氣與熱力》雜志社所有，嚴禁任何微信號及媒體未經(jīng)授權許可隨意轉載。 PS: 當然歡迎大家轉發(fā)到朋友圈！
更多論文請登錄煤氣與熱力雜志官方網(wǎng)站，免費注冊會員閱讀電子期刊。閱讀步驟：登錄http://www.gasheat.cn/→頁面右上角注冊會員→注冊成功后點擊《煤氣與熱力》→期刊索引→點擊某期期刊封面即可閱讀當期文章。