人工智能在新能源燃?xì)夤艿佬孤稒z測中的運(yùn)用研究

摘 要：常規(guī)的新能源燃?xì)夤艿佬孤稒z測方法以管道泄露運(yùn)行數(shù)據(jù)監(jiān)測為主，隱蔽性較強(qiáng)的泄露點(diǎn)存在檢測失誤的問題。因此，研究了人工智能在新能源燃?xì)夤艿佬孤稒z測中的運(yùn)用這一課題。提取新能源燃?xì)夤艿佬孤稓怏w流動特征，根據(jù)質(zhì)量守恒定律建立燃?xì)夤艿肋B續(xù)性方程，判斷管道氣體流動狀態(tài)?；谌斯ぶ悄軜?gòu)建燃?xì)夤艿佬孤稒z測模型，通過深度學(xué)習(xí)、機(jī)器學(xué)習(xí)等人工智能算法形成燃?xì)夤艿佬孤稒z測框架，從而滿足泄露檢測的準(zhǔn)確性需求。定位管道泄露檢測區(qū)間，求解衰減RSSI值、泄露信號的動態(tài)衰減指數(shù)、高斯分布隨機(jī)噪聲，確定燃?xì)夤艿佬孤段恢?，進(jìn)一步實(shí)現(xiàn)管道泄露的精準(zhǔn)檢測。采用對比試驗(yàn)驗(yàn)證了該方法的檢測準(zhǔn)確性更高，能夠應(yīng)用于實(shí)際生活中。

關(guān)鍵詞：人工智能；新能源；燃?xì)夤艿?；管道泄露；檢測方法

中圖分類號：TN 911.7" " 文獻(xiàn)標(biāo)志碼：A

新能源燃?xì)夤艿朗且环N輸送新型、清潔、可再生能源的管道，能夠根據(jù)新能源燃?xì)獾奶厥庑再|(zhì)進(jìn)行設(shè)計(jì)，從而保障燃?xì)廨斔偷陌踩院头€(wěn)定性。管道泄漏是指在輸送流體時(shí)受管道本身缺陷、老化、腐蝕的影響，流體從管道中泄露出來的現(xiàn)象。燃?xì)夤艿佬孤┤菀壮霈F(xiàn)爆炸、火災(zāi)等重大事故，威脅人們的生命安全。針對此類問題，研究人員設(shè)計(jì)了多種管道泄露檢測方法。

其中，文獻(xiàn)[1]基于機(jī)載LiDAR技術(shù)的新能源燃?xì)夤艿佬孤稒z測方法，主要是利用機(jī)載LiDAR系統(tǒng)對管道沿線進(jìn)行高精度三維掃描，獲取管道及其周圍環(huán)境的詳細(xì)數(shù)據(jù)，確定泄露點(diǎn)的具體位置。然而，機(jī)載LiDAR系統(tǒng)受天氣和地形影響較大，在惡劣環(huán)境下，管道泄露檢測存在失誤的問題。文獻(xiàn)[2]基于FUZZY-BN-FTA的新能源燃?xì)夤艿佬孤稒z測方法，利用模糊邏輯、貝葉斯網(wǎng)絡(luò)、故障樹分析等算法識別泄露檢測的各個(gè)類別，從而提高泄露檢測的準(zhǔn)確性。但是，該方法存在計(jì)算量大、數(shù)據(jù)收集困難等問題，仍可能存在檢測失誤的問題。因此，本文結(jié)合人工智能的優(yōu)勢，設(shè)計(jì)了新能源燃?xì)夤艿佬孤稒z測方法。

1 基于人工智能的新能源燃?xì)夤艿佬孤稒z測方法設(shè)計(jì)

1.1 提取新能源燃?xì)夤艿佬孤稓怏w流動特征

管道泄露往往是一個(gè)瞬態(tài)變化的過程，通過連續(xù)性方程、動量方程、狀態(tài)方程確定氣體的流動特征，能夠確保管道泄露檢測的準(zhǔn)確性[3]。本文根據(jù)質(zhì)量守恒定律建立燃?xì)夤艿肋B續(xù)性方程，判斷管道氣體流動狀態(tài)。已知，燃?xì)鉃橐痪S流動狀態(tài)，管道傾斜度為定值，管道為剛體材料，那么燃?xì)夤艿赖倪B續(xù)性特征如公式（1）所示。

（1）

式中：A為管道橫截面積；ρ為管道內(nèi)新能源燃?xì)獾拿芏?；t為采樣時(shí)間；v為管道內(nèi)新能源燃?xì)獾牧魉?；x為管道的位置變量[4]。

燃?xì)獾膭恿刻卣魅绻剑?）所示。

（2）

式中：f為管道的摩擦系數(shù)；g為重力加速度；θ為管道與水平面之間的夾角。

氣體狀態(tài)方程體現(xiàn)了管道內(nèi)燃?xì)饷芏?、溫度、壓力之間的關(guān)系，氣體狀態(tài)特征如公式（3）所示。

（3）

式中：P為管道內(nèi)燃?xì)鈮毫?；Z為燃?xì)鈮嚎s因子；R為燃?xì)鈿怏w常數(shù)；T為燃?xì)鉁囟取?/p>

根據(jù)連續(xù)性方程、動量方程、狀態(tài)方程提取了連續(xù)性特征、動量特征、狀態(tài)特征[5]，將其設(shè)置為特征集合r。將其作為輸入特征，輸入管道泄露檢測模型中進(jìn)行訓(xùn)練，提高最終的檢測準(zhǔn)確性。

1.2 基于人工智能構(gòu)建燃?xì)夤艿佬孤稒z測模型

在人工智能檢測的過程中，選取檢測目標(biāo)并劃分檢測候選區(qū)域，對檢測區(qū)域的泄露類別進(jìn)行分類，從而提高管道泄露檢測的準(zhǔn)確性[6]。本文將人工智能中的深度學(xué)習(xí)作為管道泄露檢測的基礎(chǔ)框架，對檢測區(qū)域進(jìn)行全局搜索。再通過人工智能中的機(jī)器學(xué)習(xí)對檢測區(qū)域進(jìn)行分類，構(gòu)建泄露檢測模型，從而提高智能檢測的準(zhǔn)確性。通過深度學(xué)習(xí)、機(jī)器學(xué)習(xí)等人工智能算法形成燃?xì)夤艿佬孤稒z測框架，能夠最大程度地滿足泄露檢測的準(zhǔn)確性需求，為管道泄露提供安全保障[7]。在深度學(xué)習(xí)的人工智能檢測框架中，檢測區(qū)域的輸出特征如公式（4）所示。

y=xi*（r，j） （4）

式中：y為檢測區(qū)域的管道泄露輸出特征；xi為第i個(gè)特征的索引值；r為連續(xù)性特征、動量特征、狀態(tài)特征等輸入特征的集合。

將建模誤差、未知因素等情況考慮在內(nèi)，對模型進(jìn)行線性補(bǔ)償[8]。由此構(gòu)建燃?xì)夤艿佬孤稒z測模型，如公式（5）所示。

（5）

式中：xi+1為第i+1個(gè)特征的索引值；Ak 、Bk 、Ck 為不同維度的燃?xì)夤艿佬孤短卣飨蛄浚籪（xi）為非線性補(bǔ)償函數(shù)；ω為檢測過程噪聲；vk為測量噪聲。

在新能源燃?xì)夤艿佬孤稒z測的過程中，非線性因素是影響檢測精準(zhǔn)度的關(guān)鍵問題[9]。通過f（xi）的非線性補(bǔ)償，使模型快速收斂，進(jìn)而實(shí)現(xiàn)更精準(zhǔn)的管道泄露檢測。

1.3 定位管道泄露檢測區(qū)間

在檢測模型的基礎(chǔ)上，定位管道泄露的檢測區(qū)間。求解出衰減RSSI值、泄露信號的動態(tài)衰減指數(shù)、高斯分布隨機(jī)噪聲，確定燃?xì)夤艿佬孤段恢茫M(jìn)一步實(shí)現(xiàn)管道泄露的精準(zhǔn)檢測。管道內(nèi)燃?xì)鈮毫ψ兓闆r見表1。

管道泄露可能性包括I～V共5個(gè)等級，I的泄露可能性較高；V的泄露可能性較低。在管道泄露檢測模型的條件下，求解衰減RSSI值、泄露信號的動態(tài)衰減指數(shù)、高斯分布隨機(jī)噪聲等參數(shù)，進(jìn)一步提高檢測的準(zhǔn)確性，如公式（6）所示。

（6）

式中：R（d0）為衰減RSSI值；S（di）為第i個(gè)管道泄露的位置；RS（di）為管道泄露檢測區(qū)域；λ為泄露信號的動態(tài)衰減指數(shù)；λi為第i個(gè)管道泄露信號的衰減指數(shù)；n為常數(shù)；η為高斯分布隨機(jī)噪聲；ηi為第i個(gè)管道泄露信號的高斯分布隨機(jī)噪聲。

將S（di）～RS（di）作為檢測區(qū)間，λ、η作為參考節(jié)點(diǎn)。將R（d0）、λ、η輸入檢測模型中，進(jìn)一步提高管道泄露檢測的準(zhǔn)確性。

2 試驗(yàn)

為了驗(yàn)證本文設(shè)計(jì)的方法是否具有新能源燃?xì)夤艿佬孤稒z測需求，本文對上述方法進(jìn)行試驗(yàn)分析。最終的結(jié)果以文獻(xiàn)[1]基于機(jī)載LiDAR技術(shù)的管道泄露檢測方法、文獻(xiàn)[2]基于FUZZY-BN-FTA的管道泄露檢測方法以及本文設(shè)計(jì)的基于人工智能的管道泄露檢測方法進(jìn)行對比的形式呈現(xiàn)。具體的試驗(yàn)準(zhǔn)備過程以及最終的檢測結(jié)果如下。

2.1 試驗(yàn)過程

本次試驗(yàn)使用的IDE為Py Charm Community Edition 2021.1，CPU為Intel（R） Core （TM） I5-8500，GPU為Intel （R） UHD Graphics 630，Python環(huán)境為Python 3.7.6 64-bit，深度學(xué)習(xí)框架為Tenso rFlow 2.1.0。在此框架下，最大迭代值、學(xué)習(xí)率等參數(shù)的設(shè)置均能夠影響泄露檢測精度。本文將學(xué)習(xí)率設(shè)定為0.0001，最大迭代次數(shù)設(shè)置為100，能夠確保本次試驗(yàn)數(shù)據(jù)的準(zhǔn)確性。試驗(yàn)流程如圖1所示。

本次試驗(yàn)在高壓鋼瓶中添加了CO2，燃?xì)夤艿啦糠钟蓮?fù)合塑料管代替，形成模擬新能源燃?xì)夤艿?。通過在管子上鉆孔、腐蝕、振動、變形，模擬實(shí)際燃?xì)夤艿赖娜毕?。為了使試?yàn)環(huán)境更真實(shí)，將氣體壓力調(diào)至管道相同范圍2.2kPa，避免氣體壓力不足影響檢測結(jié)果的問題。

2.2 試驗(yàn)結(jié)果

在上述試驗(yàn)條件下，本文隨機(jī)選取12種燃?xì)夤艿佬孤额悇e，對管道泄漏的特征進(jìn)行分析。在其他條件均已知的情況下，對比文獻(xiàn)[1]基于機(jī)載LiDAR檢測方法的mAP值、文獻(xiàn)[2]基于FUZZY-BN-FTA檢測方法的mAP值以及本文設(shè)計(jì)的基于人工智能檢測方法的mAP值。試驗(yàn)結(jié)果見表2。

在其他條件均一致的情況下，使用文獻(xiàn)[1]基于機(jī)載LiDAR技術(shù)的新能源燃?xì)夤艿佬孤稒z測方法之后，gdab2、gdab4存在檢測失誤的問題，mAP值相對較小，無法確保燃?xì)夤艿腊踩?。使用文獻(xiàn)[2]基于FUZZY-BN-FTA的新能源燃?xì)夤艿佬孤稒z測方法之后，gdab7檢測失誤，mAP值在0.85～0.96變化，亟需對其進(jìn)行優(yōu)化。而使用本文設(shè)計(jì)的基于人工智能的新能源燃?xì)夤艿佬孤稒z測方法之后，mAP值在0.98以上，管道泄露檢測準(zhǔn)確性更高，符合本文的研究目的。

基于上述測試，為進(jìn)一步驗(yàn)證所提方法的有效性，現(xiàn)針對檢測響應(yīng)時(shí)間進(jìn)行測試，檢測響應(yīng)時(shí)間是指從氣體泄漏到檢測發(fā)出警報(bào)所需的時(shí)間。由此，基于該指標(biāo)，分別采用文獻(xiàn)[1]基于機(jī)載LiDAR檢測方法、文獻(xiàn)[2]基于FUZZY-BN-FTA檢測方法以及本文設(shè)計(jì)的基于人工智能檢測方法對上述12種燃?xì)夤艿佬孤哆M(jìn)行檢測，對其響應(yīng)時(shí)間進(jìn)行統(tǒng)計(jì)，其結(jié)果見表3。

由表3可知，采用文獻(xiàn)[1]基于機(jī)載LiDAR檢測方法、文獻(xiàn)[2]基于FUZZY-BN-FTA檢測方法以及本文設(shè)計(jì)的基于人工智能檢測方法對上述12種燃?xì)夤艿佬孤哆M(jìn)行檢測，其檢測響應(yīng)時(shí)間結(jié)果存在較大的差異。其中，當(dāng)利用文獻(xiàn)[1]基于機(jī)載LiDAR檢測方法和文獻(xiàn)[2]基于FUZZY-BN-FTA檢測方法進(jìn)行檢測時(shí)，其響應(yīng)時(shí)間較長，響應(yīng)時(shí)間最短分別為5.18s和5.26s，與本文設(shè)計(jì)的基于人工智能檢測方法相比，其響應(yīng)時(shí)間較長。這是因?yàn)槲墨I(xiàn)[1]基于機(jī)載LiDAR檢測方法中機(jī)載LiDAR系統(tǒng)需要收集大量數(shù)據(jù)，并經(jīng)過復(fù)雜的處理和分析才能得出結(jié)果。針對燃?xì)夤艿佬孤哆@種需要迅速響應(yīng)的情況，較長的響應(yīng)時(shí)間意味潛在的安全風(fēng)險(xiǎn)。而文獻(xiàn)[2]基于FUZZY-BN-FTA檢測方法雖然結(jié)合了多種先進(jìn)的分析技術(shù)，但該方法需要對燃?xì)夤艿老到y(tǒng)進(jìn)行全面的故障樹建模，并基于模糊貝葉斯網(wǎng)絡(luò)進(jìn)行復(fù)雜的推理計(jì)算，導(dǎo)致檢測響應(yīng)時(shí)間較長。而與2種對比方法相比，采用本文設(shè)計(jì)的基于人工智能檢測方法進(jìn)行燃?xì)夤艿佬孤稒z測的響應(yīng)時(shí)間較短，最長僅為1.63s，說明一旦發(fā)生燃?xì)夤艿佬孤?，該方法能夠迅速發(fā)現(xiàn)并及時(shí)報(bào)警，為后續(xù)的應(yīng)急處理提供了寶貴的時(shí)間。這是因?yàn)楸疚脑O(shè)計(jì)的基于人工智能檢測方法通過利用深度學(xué)習(xí)、機(jī)器學(xué)習(xí)等先進(jìn)技術(shù)，能夠有效實(shí)現(xiàn)對燃?xì)夤艿佬孤兜目焖贆z測。由此，經(jīng)上述結(jié)果可得出，本文設(shè)計(jì)的基于人工智能的燃?xì)夤艿佬孤稒z測方法在響應(yīng)時(shí)間方面具有明顯的優(yōu)勢，應(yīng)用該方法進(jìn)行燃?xì)夤艿佬孤稒z測可以有效縮短檢測響應(yīng)時(shí)間，無論是哪種燃?xì)夤艿佬孤额悇e，均可以更快發(fā)現(xiàn)燃?xì)夤艿佬孤?，并及時(shí)對其進(jìn)行處理。

綜上所述，在實(shí)際應(yīng)用中，采用本文設(shè)計(jì)的檢測方法將有助于提高燃?xì)夤艿佬孤稒z測的準(zhǔn)確性和效率，進(jìn)一步保障人們的生命財(cái)產(chǎn)安全。

3 結(jié)語

人工智能技術(shù)已經(jīng)滲透到生活中的方方面面，在新能源燃?xì)夤艿赖男孤稒z測方面也展現(xiàn)了巨大的潛力和價(jià)值。因此，本文利用人工智能技術(shù)設(shè)計(jì)了新能源燃?xì)夤艿佬孤稒z測方法。從流動特征、檢測模型、檢測區(qū)間等方面確定管道泄漏類別和區(qū)域，從而有針對性地對其進(jìn)行維護(hù)，提高了新能源燃?xì)夤艿赖氖褂冒踩?。通過人工智能技術(shù)實(shí)時(shí)檢測管道運(yùn)行狀態(tài)，不僅降低了人工巡檢風(fēng)險(xiǎn)，而且還提高了能源管理水平，為燃?xì)夤艿赖倪\(yùn)行提供了安全保障。

參考文獻(xiàn)

[1]修明軍，丁鴿，孫傲.基于機(jī)載LiDAR技術(shù)的城市地下排水管道泄露點(diǎn)檢測方法[J].城市勘測，2023（5）：170-174.

[2]楊斯涵，許開立.基于FUZZY-BN-FTA的廠區(qū)架空燃?xì)夤艿佬孤┛赡苄匝芯縖J].中國安全生產(chǎn)科學(xué)技術(shù)，2024，20（2）：82-89.

[3]金友平，單克，李云濤，等.基于災(zāi)害鏈及復(fù)雜網(wǎng)絡(luò)理論的城鎮(zhèn)燃?xì)夤艿佬孤?zāi)害演化過程分析[J].安全與環(huán)境工程，2024，31（2）：34-43.

[4]鄧兵兵，謝昱姝，鄧方，等.埋地燃?xì)夤艿涝谕寥乐行】仔孤U(kuò)散特性研究[J].中國安全科學(xué)學(xué)報(bào)，2023，33（10）：160-166.

[5]石杰紅，張西西，劉晶晶，等.燃?xì)夤艿佬孤┍ㄏ碌罔F隧道動力響應(yīng)及安全分析[J].中國安全生產(chǎn)科學(xué)技術(shù)，2023，19（增刊1）：172-176.

[6]孫逸林，鄭小強(qiáng)，劉險(xiǎn)峰，等.重大城市燃?xì)夤艿佬孤┍ㄊ鹿识糠治龇椒ㄑ芯俊院笔摺?·13”事故為例[J].安全與環(huán)境學(xué)報(bào)，2022，22（6）：3312-3320.

[7]金友平，帥健，王文想，等.基于重大事故場景的受限空間內(nèi)燃?xì)庑孤┣榫澳M及泄爆優(yōu)化研究[J].高壓物理學(xué)報(bào)，2023，37（6）：164-180.

[8]宋曉燕，李嘯然，梁忠秋，等.燃?xì)夤艿佬孤┍☉?yīng)急救援物資需求及救援點(diǎn)優(yōu)化選址研究[J].安全與環(huán)境學(xué)報(bào)，2024，24（3）：1136-1142.

[9]孫逸林，鄭小強(qiáng)，劉險(xiǎn)峰，等.基于AcciMap模型的燃?xì)夤艿佬孤┍ㄊ鹿史治鯷J].中國安全科學(xué)學(xué)報(bào)，2023，33（7）：140-146.