Published February 2, 2023
| Version v1
Publication
Open
Interpretable machine learning for maximum corrosion depth and influence factor analysis
Creators
- 1. Southwest Petroleum University
- 2. Peking University
Description
Abstract We have employed interpretable methods to uncover the black-box model of the machine learning (ML) for predicting the maximum pitting depth ( dmax ) of oil and gas pipelines. Ensemble learning (EL) is found to have higher accuracy compared with several classical ML models, and the determination coefficient of the adaptive boosting (AdaBoost) model reaches 0.96 after optimizing the features and hyperparameters. In this work, the running framework of the model was clearly displayed by visualization tool, and Shapley Additive exPlanations (SHAP) values were used to visually interpret the model locally and globally to help understand the predictive logic and the contribution of features. Furthermore, the accumulated local effect (ALE) successfully explains how the features affect the corrosion depth and interact with one another.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
الملخص لقد استخدمنا طرقًا قابلة للتفسير للكشف عن نموذج الصندوق الأسود للتعلم الآلي (ML) للتنبؤ بالحد الأقصى لعمق الحفر ( dmax ) لخطوط أنابيب النفط والغاز. وجد أن التعلم الجماعي (EL) يتمتع بدقة أعلى مقارنة بالعديد من نماذج التعلم الآلي الكلاسيكية، ويصل معامل تحديد نموذج التعزيز التكيفي (AdaBoost) إلى 0.96 بعد تحسين الميزات والمعلمات الفائقة. في هذا العمل، تم عرض الإطار التشغيلي للنموذج بوضوح بواسطة أداة التصور، وتم استخدام قيم Shapley Additive exPlanations (SHAP) لتفسير النموذج بصريًا محليًا وعالميًا للمساعدة في فهم المنطق التنبئي ومساهمة الميزات. علاوة على ذلك، يشرح التأثير المحلي المتراكم (ALE) بنجاح كيف تؤثر الميزات على عمق التآكل وتتفاعل مع بعضها البعض.Translated Description (French)
Résumé Nous avons utilisé des méthodes interprétables pour découvrir le modèle de boîte noire de l'apprentissage automatique (ML) pour prédire la profondeur de piqûre maximale ( dmax ) des oléoducs et des gazoducs. L'apprentissage d'ensemble (EL) s'avère avoir une plus grande précision par rapport à plusieurs modèles ML classiques, et le coefficient de détermination du modèle d'amplification adaptative (AdaBoost) atteint 0,96 après optimisation des caractéristiques et des hyperparamètres. Dans ce travail, le cadre de fonctionnement du modèle a été clairement affiché par l'outil de visualisation, et les valeurs Shapley Additive exPlanations (SHAP) ont été utilisées pour interpréter visuellement le modèle localement et globalement pour aider à comprendre la logique prédictive et la contribution des caractéristiques. En outre, l'effet local accumulé (ALE) explique avec succès comment les caractéristiques affectent la profondeur de corrosion et interagissent les unes avec les autres.Translated Description (Spanish)
Resumen Hemos empleado métodos interpretables para descubrir el modelo de caja negra del aprendizaje automático (ML) para predecir la profundidad máxima de picadura ( dmax ) de los oleoductos y gasoductos. Se encuentra que el aprendizaje conjunto (EL) tiene una mayor precisión en comparación con varios modelos clásicos de ML, y el coeficiente de determinación del modelo de refuerzo adaptativo (AdaBoost) alcanza 0.96 después de optimizar las características y los hiperparámetros. En este trabajo, el marco de ejecución del modelo se mostró claramente mediante la herramienta de visualización, y los valores de exPlanaciones aditivas de Shapley (SHAP) se utilizaron para interpretar visualmente el modelo a nivel local y global para ayudar a comprender la lógica predictiva y la contribución de las características. Además, el efecto local acumulado (ALE) explica con éxito cómo las características afectan a la profundidad de corrosión e interactúan entre sí.Files
s41529-023-00324-x.pdf.pdf
Files
(3.5 MB)
| Name | Size | Download all |
|---|---|---|
|
md5:b3ffc7e7e12f747bc3aaafcd8eb718cc
|
3.5 MB | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- التعلم الآلي القابل للتفسير لأقصى عمق للتآكل وتحليل عامل التأثير
- Translated title (French)
- Apprentissage automatique interprétable pour une profondeur de corrosion maximale et une analyse des facteurs d'influence
- Translated title (Spanish)
- Aprendizaje automático interpretable para un análisis máximo de la profundidad de corrosión y del factor de influencia
Identifiers
- Other
- https://openalex.org/W4319790115
- DOI
- 10.1038/s41529-023-00324-x
References
- https://openalex.org/W1589972273
- https://openalex.org/W2004468798
- https://openalex.org/W2038212338
- https://openalex.org/W2045835205
- https://openalex.org/W2048515023
- https://openalex.org/W2106601745
- https://openalex.org/W2118168476
- https://openalex.org/W2186555952
- https://openalex.org/W2268633657
- https://openalex.org/W2313062321
- https://openalex.org/W2327035729
- https://openalex.org/W2432841566
- https://openalex.org/W2470320576
- https://openalex.org/W2571545195
- https://openalex.org/W2737347297
- https://openalex.org/W2794613038
- https://openalex.org/W2810092549
- https://openalex.org/W2885020646
- https://openalex.org/W2888651207
- https://openalex.org/W2945808641
- https://openalex.org/W2969752023
- https://openalex.org/W2975495759
- https://openalex.org/W2995092788
- https://openalex.org/W3001792270
- https://openalex.org/W3011125887
- https://openalex.org/W3035517615
- https://openalex.org/W3037496014
- https://openalex.org/W3042191814
- https://openalex.org/W3093849029
- https://openalex.org/W3131678448
- https://openalex.org/W3133841051
- https://openalex.org/W3139171345
- https://openalex.org/W3153759616
- https://openalex.org/W3165885920
- https://openalex.org/W3173631909
- https://openalex.org/W3215011231
- https://openalex.org/W39759363
- https://openalex.org/W4200128558
- https://openalex.org/W4200145223
- https://openalex.org/W4206227987
- https://openalex.org/W4206770842
- https://openalex.org/W4211131140
- https://openalex.org/W4220692784
- https://openalex.org/W4225124567
- https://openalex.org/W4229451923
- https://openalex.org/W4283077289