祝贺获奖作者Haile Woldesellasse, Solomon Tesfamariam。
内容简介
Data augmentation using conditional generative adversarial network (cGAN): Application for prediction of corrosion pit depth and testing using neural network
条件对抗网络数据增强技术在腐蚀坑深度预测和神经网络试验中的应用
Haile Woldesellasse, Solomon Tesfamariam
加拿大不列颠哥伦比亚大学工程学院
基于机器学习的各类算法具有非线性和复杂关系的建模能力，已被应用于油气管道腐蚀坑深度的预测。类不平衡和数据缺乏是训练机器学习模型时面临的挑战。针对该问题，利用条件对抗网络（Conditional Generative Adversarial Network，cGAN）生成新样本以解决腐蚀数据集中的类不平衡问题，通过训练人工神经网络（Artificial Neural Network，ANN）模型评估cGAN的数据增强效果，并采用随机过采样和Borderline-SMOTE数据生成技术与cGAN对比。结果表明：当ANN模型被cGAN增强数据集训练之后其测试精度大幅提高，该模型的性能改进对管道完整性管理大有裨益。
文章详细解读：
J. Pipeline Sci. Eng. 好文推荐：条件对抗网络数据增强技术在腐蚀坑深度预测和神经网络试验中的应用
期刊简介
Journal of Pipeline Science and Engineering （IF: 4.8, CiteScore: 7.5）是在黄维和院士、国家石油天然气管网集团有限公司领导、《油气储运》编委的共同倡导下，由国家石油天然气管网集团有限公司主办的开放获取型国际期刊，期刊主编由加拿大卡尔加里大学程玉峰教授和国家石油天然气管网集团有研究总院副院长陈朋超共同担任。
Journal of Pipeline Science and Engineering旨在为石油、天然气和非常规化石燃料等能源管道领域提供国际水准的交流平台、促进领域内最新研究成果的交流以及推动相关产业的快速发展。Scopus数据库的CiteScore 2023指标达到7.5，首获JCR影响因子4.8。
目前，期刊已被ESCI、CAS、INSPEC、Ei Compendex、Scopus、DOAJ、EBSCOhost等重要数据库收录。
推荐阅读
转载本文请联系原作者获取授权，同时请注明本文来自科爱KeAi科学网博客。
链接地址：https://wap.sciencenet.cn/blog-3496796-1447252.html?mobile=1
收藏
