人工智能在新能源燃气管道泄露检测中的运用研究

摘 要：常规的新能源燃气管道泄露检测方法以管道泄露运行数据监测为主，隐蔽性较强的泄露点存在检测失误的问题。因此，研究了人工智能在新能源燃气管道泄露检测中的运用这一课题。提取新能源燃气管道泄露气体流动特征，根据质量守恒定律建立燃气管道连续性方程，判断管道气体流动状态。基于人工智能构建燃气管道泄露检测模型，通过深度学习、机器学习等人工智能算法形成燃气管道泄露检测框架，从而满足泄露检测的准确性需求。定位管道泄露检测区间，求解衰减RSSI值、泄露信号的动态衰减指数、高斯分布随机噪声，确定燃气管道泄露位置，进一步实现管道泄露的精准检测。采用对比试验验证了该方法的检测准确性更高，能够应用于实际生活中。

关键词：人工智能；新能源；燃气管道；管道泄露；检测方法

中图分类号：TN 911.7" " 文献标志码：A

新能源燃气管道是一种输送新型、清洁、可再生能源的管道，能够根据新能源燃气的特殊性质进行设计，从而保障燃气输送的安全性和稳定性。管道泄漏是指在输送流体时受管道本身缺陷、老化、腐蚀的影响，流体从管道中泄露出来的现象。燃气管道泄漏容易出现爆炸、火灾等重大事故，威胁人们的生命安全。针对此类问题，研究人员设计了多种管道泄露检测方法。

其中，文献[1]基于机载LiDAR技术的新能源燃气管道泄露检测方法，主要是利用机载LiDAR系统对管道沿线进行高精度三维扫描，获取管道及其周围环境的详细数据，确定泄露点的具体位置。然而，机载LiDAR系统受天气和地形影响较大，在恶劣环境下，管道泄露检测存在失误的问题。文献[2]基于FUZZY-BN-FTA的新能源燃气管道泄露检测方法，利用模糊逻辑、贝叶斯网络、故障树分析等算法识别泄露检测的各个类别，从而提高泄露检测的准确性。但是，该方法存在计算量大、数据收集困难等问题，仍可能存在检测失误的问题。因此，本文结合人工智能的优势，设计了新能源燃气管道泄露检测方法。

1 基于人工智能的新能源燃气管道泄露检测方法设计

1.1 提取新能源燃气管道泄露气体流动特征

管道泄露往往是一个瞬态变化的过程，通过连续性方程、动量方程、状态方程确定气体的流动特征，能够确保管道泄露检测的准确性[3]。本文根据质量守恒定律建立燃气管道连续性方程，判断管道气体流动状态。已知，燃气为一维流动状态，管道倾斜度为定值，管道为刚体材料，那么燃气管道的连续性特征如公式（1）所示。

（1）

式中：A为管道横截面积；ρ为管道内新能源燃气的密度；t为采样时间；v为管道内新能源燃气的流速；x为管道的位置变量[4]。

燃气的动量特征如公式（2）所示。

（2）

式中：f为管道的摩擦系数；g为重力加速度；θ为管道与水平面之间的夹角。

气体状态方程体现了管道内燃气密度、温度、压力之间的关系，气体状态特征如公式（3）所示。

（3）

式中：P为管道内燃气压力；Z为燃气压缩因子；R为燃气气体常数；T为燃气温度。

根据连续性方程、动量方程、状态方程提取了连续性特征、动量特征、状态特征[5]，将其设置为特征集合r。将其作为输入特征，输入管道泄露检测模型中进行训练，提高最终的检测准确性。

1.2 基于人工智能构建燃气管道泄露检测模型

在人工智能检测的过程中，选取检测目标并划分检测候选区域，对检测区域的泄露类别进行分类，从而提高管道泄露检测的准确性[6]。本文将人工智能中的深度学习作为管道泄露检测的基础框架，对检测区域进行全局搜索。再通过人工智能中的机器学习对检测区域进行分类，构建泄露检测模型，从而提高智能检测的准确性。通过深度学习、机器学习等人工智能算法形成燃气管道泄露检测框架，能够最大程度地满足泄露检测的准确性需求，为管道泄露提供安全保障[7]。在深度学习的人工智能检测框架中，检测区域的输出特征如公式（4）所示。

y=xi*（r，j） （4）

式中：y为检测区域的管道泄露输出特征；xi为第i个特征的索引值；r为连续性特征、动量特征、状态特征等输入特征的集合。

将建模误差、未知因素等情况考虑在内，对模型进行线性补偿[8]。由此构建燃气管道泄露检测模型，如公式（5）所示。

（5）

式中：xi+1为第i+1个特征的索引值；Ak 、Bk 、Ck 为不同维度的燃气管道泄露特征向量；f（xi）为非线性补偿函数；ω为检测过程噪声；vk为测量噪声。

在新能源燃气管道泄露检测的过程中，非线性因素是影响检测精准度的关键问题[9]。通过f（xi）的非线性补偿，使模型快速收敛，进而实现更精准的管道泄露检测。

1.3 定位管道泄露检测区间

在检测模型的基础上，定位管道泄露的检测区间。求解出衰减RSSI值、泄露信号的动态衰减指数、高斯分布随机噪声，确定燃气管道泄露位置，进一步实现管道泄露的精准检测。管道内燃气压力变化情况见表1。

管道泄露可能性包括I～V共5个等级，I的泄露可能性较高；V的泄露可能性较低。在管道泄露检测模型的条件下，求解衰减RSSI值、泄露信号的动态衰减指数、高斯分布随机噪声等参数，进一步提高检测的准确性，如公式（6）所示。

（6）

式中：R（d0）为衰减RSSI值；S（di）为第i个管道泄露的位置；RS（di）为管道泄露检测区域；λ为泄露信号的动态衰减指数；λi为第i个管道泄露信号的衰减指数；n为常数；η为高斯分布随机噪声；ηi为第i个管道泄露信号的高斯分布随机噪声。

将S（di）～RS（di）作为检测区间，λ、η作为参考节点。将R（d0）、λ、η输入检测模型中，进一步提高管道泄露检测的准确性。

2 试验

为了验证本文设计的方法是否具有新能源燃气管道泄露检测需求，本文对上述方法进行试验分析。最终的结果以文献[1]基于机载LiDAR技术的管道泄露检测方法、文献[2]基于FUZZY-BN-FTA的管道泄露检测方法以及本文设计的基于人工智能的管道泄露检测方法进行对比的形式呈现。具体的试验准备过程以及最终的检测结果如下。

2.1 试验过程

本次试验使用的IDE为Py Charm Community Edition 2021.1，CPU为Intel（R） Core （TM） I5-8500，GPU为Intel （R） UHD Graphics 630，Python环境为Python 3.7.6 64-bit，深度学习框架为Tenso rFlow 2.1.0。在此框架下，最大迭代值、学习率等参数的设置均能够影响泄露检测精度。本文将学习率设定为0.0001，最大迭代次数设置为100，能够确保本次试验数据的准确性。试验流程如图1所示。

本次试验在高压钢瓶中添加了CO2，燃气管道部分由复合塑料管代替，形成模拟新能源燃气管道。通过在管子上钻孔、腐蚀、振动、变形，模拟实际燃气管道的缺陷。为了使试验环境更真实，将气体压力调至管道相同范围2.2kPa，避免气体压力不足影响检测结果的问题。

2.2 试验结果

在上述试验条件下，本文随机选取12种燃气管道泄露类别，对管道泄漏的特征进行分析。在其他条件均已知的情况下，对比文献[1]基于机载LiDAR检测方法的mAP值、文献[2]基于FUZZY-BN-FTA检测方法的mAP值以及本文设计的基于人工智能检测方法的mAP值。试验结果见表2。

在其他条件均一致的情况下，使用文献[1]基于机载LiDAR技术的新能源燃气管道泄露检测方法之后，gdab2、gdab4存在检测失误的问题，mAP值相对较小，无法确保燃气管道安全。使用文献[2]基于FUZZY-BN-FTA的新能源燃气管道泄露检测方法之后，gdab7检测失误，mAP值在0.85～0.96变化，亟需对其进行优化。而使用本文设计的基于人工智能的新能源燃气管道泄露检测方法之后，mAP值在0.98以上，管道泄露检测准确性更高，符合本文的研究目的。

基于上述测试，为进一步验证所提方法的有效性，现针对检测响应时间进行测试，检测响应时间是指从气体泄漏到检测发出警报所需的时间。由此，基于该指标，分别采用文献[1]基于机载LiDAR检测方法、文献[2]基于FUZZY-BN-FTA检测方法以及本文设计的基于人工智能检测方法对上述12种燃气管道泄露进行检测，对其响应时间进行统计，其结果见表3。

由表3可知，采用文献[1]基于机载LiDAR检测方法、文献[2]基于FUZZY-BN-FTA检测方法以及本文设计的基于人工智能检测方法对上述12种燃气管道泄露进行检测，其检测响应时间结果存在较大的差异。其中，当利用文献[1]基于机载LiDAR检测方法和文献[2]基于FUZZY-BN-FTA检测方法进行检测时，其响应时间较长，响应时间最短分别为5.18s和5.26s，与本文设计的基于人工智能检测方法相比，其响应时间较长。这是因为文献[1]基于机载LiDAR检测方法中机载LiDAR系统需要收集大量数据，并经过复杂的处理和分析才能得出结果。针对燃气管道泄露这种需要迅速响应的情况，较长的响应时间意味潜在的安全风险。而文献[2]基于FUZZY-BN-FTA检测方法虽然结合了多种先进的分析技术，但该方法需要对燃气管道系统进行全面的故障树建模，并基于模糊贝叶斯网络进行复杂的推理计算，导致检测响应时间较长。而与2种对比方法相比，采用本文设计的基于人工智能检测方法进行燃气管道泄露检测的响应时间较短，最长仅为1.63s，说明一旦发生燃气管道泄露，该方法能够迅速发现并及时报警，为后续的应急处理提供了宝贵的时间。这是因为本文设计的基于人工智能检测方法通过利用深度学习、机器学习等先进技术，能够有效实现对燃气管道泄露的快速检测。由此，经上述结果可得出，本文设计的基于人工智能的燃气管道泄露检测方法在响应时间方面具有明显的优势，应用该方法进行燃气管道泄露检测可以有效缩短检测响应时间，无论是哪种燃气管道泄露类别，均可以更快发现燃气管道泄露，并及时对其进行处理。

综上所述，在实际应用中，采用本文设计的检测方法将有助于提高燃气管道泄露检测的准确性和效率，进一步保障人们的生命财产安全。

3 结语

人工智能技术已经渗透到生活中的方方面面，在新能源燃气管道的泄露检测方面也展现了巨大的潜力和价值。因此，本文利用人工智能技术设计了新能源燃气管道泄露检测方法。从流动特征、检测模型、检测区间等方面确定管道泄漏类别和区域，从而有针对性地对其进行维护，提高了新能源燃气管道的使用安全。通过人工智能技术实时检测管道运行状态，不仅降低了人工巡检风险，而且还提高了能源管理水平，为燃气管道的运行提供了安全保障。

参考文献

[1]修明军，丁鸽，孙傲.基于机载LiDAR技术的城市地下排水管道泄露点检测方法[J].城市勘测，2023（5）：170-174.

[2]杨斯涵，许开立.基于FUZZY-BN-FTA的厂区架空燃气管道泄漏可能性研究[J].中国安全生产科学技术，2024，20（2）：82-89.

[3]金友平，单克，李云涛，等.基于灾害链及复杂网络理论的城镇燃气管道泄漏灾害演化过程分析[J].安全与环境工程，2024，31（2）：34-43.

[4]邓兵兵，谢昱姝，邓方，等.埋地燃气管道在土壤中小孔泄漏扩散特性研究[J].中国安全科学学报，2023，33（10）：160-166.

[5]石杰红，张西西，刘晶晶，等.燃气管道泄漏爆炸下地铁隧道动力响应及安全分析[J].中国安全生产科学技术，2023，19（增刊1）：172-176.

[6]孙逸林，郑小强，刘险峰，等.重大城市燃气管道泄漏爆炸事故定量分析方法研究——以湖北十堰“6·13”事故为例[J].安全与环境学报，2022，22（6）：3312-3320.

[7]金友平，帅健，王文想，等.基于重大事故场景的受限空间内燃气泄漏情景模拟及泄爆优化研究[J].高压物理学报，2023，37（6）：164-180.

[8]宋晓燕，李啸然，梁忠秋，等.燃气管道泄漏爆炸应急救援物资需求及救援点优化选址研究[J].安全与环境学报，2024，24（3）：1136-1142.

[9]孙逸林，郑小强，刘险峰，等.基于AcciMap模型的燃气管道泄漏爆炸事故分析[J].中国安全科学学报，2023，33（7）：140-146.