摘 要：常規(guī)的新能源燃氣管道泄露檢測方法以管道泄露運行數(shù)據(jù)監(jiān)測為主，隱蔽性較強的泄露點存在檢測失誤的問題。因此，研究了人工智能在新能源燃氣管道泄露檢測中的運用這一課題。提取新能源燃氣管道泄露氣體流動特征，根據(jù)質(zhì)量守恒定律建立燃氣管道連續(xù)性方程，判斷管道氣體流動狀態(tài)?；谌斯ぶ悄軜嫿ㄈ細夤艿佬孤稒z測模型，通過深度學習、機器學習等人工智能算法形成燃氣管道泄露檢測框架，從而滿足泄露檢測的準確性需求。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)、高斯分布隨機噪聲，確定燃氣管道泄露位置，進一步實現(xiàn)管道泄露的精準檢測。采用對比試驗驗證了該方法的檢測準確性更高，能夠應用于實際生活中。

關鍵詞：人工智能；新能源；燃氣管道；管道泄露；檢測方法

中圖分類號：TN 911.7" " 文獻標志碼：A

新能源燃氣管道是一種輸送新型、清潔、可再生能源的管道，能夠根據(jù)新能源燃氣的特殊性質(zhì)進行設計，從而保障燃氣輸送的安全性和穩(wěn)定性。管道泄漏是指在輸送流體時受管道本身缺陷、老化、腐蝕的影響，流體從管道中泄露出來的現(xiàn)象。燃氣管道泄漏容易出現(xiàn)爆炸、火災等重大事故，威脅人們的生命安全。針對此類問題，研究人員設計了多種管道泄露檢測方法。

其中，文獻[1]基于機載LiDAR技術的新能源燃氣管道泄露檢測方法，主要是利用機載LiDAR系統(tǒng)對管道沿線進行高精度三維掃描，獲取管道及其周圍環(huán)境的詳細數(shù)據(jù)，確定泄露點的具體位置。然而，機載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[2]基于FUZZY-BN-FTA的新能源燃氣管道泄露檢測方法，利用模糊邏輯、貝葉斯網(wǎng)絡、故障樹分析等算法識別泄露檢測的各個類別，從而提高泄露檢測的準確性。但是，該方法存在計算量大、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，設計了新能源燃氣管道泄露檢測方法。

1 基于人工智能的新能源燃氣管道泄露檢測方法設計

1.1 提取新能源燃氣管道泄露氣體流動特征

管道泄露往往是一個瞬態(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確性[3]。本文根據(jù)質(zhì)量守恒定律建立燃氣管道連續(xù)性方程，判斷管道氣體流動狀態(tài)。已知，燃氣為一維流動狀態(tài)，管道傾斜度為定值，管道為剛體材料，那么燃氣管道的連續(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)新能源燃氣的密度；t為采樣時間；v為管道內(nèi)新能源燃氣的流速；x為管道的位置變量[4]。

燃氣的動量特征如公式（2）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)燃氣密度、溫度、壓力之間的關系，氣體狀態(tài)特征如公式（3）所示。

（3）

式中：P為管道內(nèi)燃氣壓力；Z為燃氣壓縮因子；R為燃氣氣體常數(shù)；T為燃氣溫度。

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行訓練，提高最終的檢測準確性。

1.2 基于人工智能構建燃氣管道泄露檢測模型

在人工智能檢測的過程中，選取檢測目標并劃分檢測候選區(qū)域，對檢測區(qū)域的泄露類別進行分類，從而提高管道泄露檢測的準確性[6]。本文將人工智能中的深度學習作為管道泄露檢測的基礎框架，對檢測區(qū)域進行全局搜索。再通過人工智能中的機器學習對檢測區(qū)域進行分類，構建泄露檢測模型，從而提高智能檢測的準確性。通過深度學習、機器學習等人工智能算法形成燃氣管道泄露檢測框架，能夠最大程度地滿足泄露檢測的準確性需求，為管道泄露提供安全保障[7]。在深度學習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)，對模型進行線性補償[8]。由此構建燃氣管道泄露檢測模型，如公式（5）所示。

（5）

式中：xi+1為第i+1個特征的索引值；Ak 、Bk 、Ck 為不同維度的燃氣管道泄露特征向量；f（xi）為非線性補償函數(shù)；ω為檢測過程噪聲；vk為測量噪聲。

在新能源燃氣管道泄露檢測的過程中，非線性因素是影響檢測精準度的關鍵問題[9]。通過f（xi）的非線性補償，使模型快速收斂，進而實現(xiàn)更精準的管道泄露檢測。

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)、高斯分布隨機噪聲，確定燃氣管道泄露位置，進一步實現(xiàn)管道泄露的精準檢測。管道內(nèi)燃氣壓力變化情況見表1。

管道泄露可能性包括I～V共5個等級，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)、高斯分布隨機噪聲等參數(shù)，進一步提高檢測的準確性，如公式（6）所示。

（6）

式中：R（d0）為衰減RSSI值；S（di）為第i個管道泄露的位置；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為高斯分布隨機噪聲；ηi為第i個管道泄露信號的高斯分布隨機噪聲。

將S（di）～RS（di）作為檢測區(qū)間，λ、η作為參考節(jié)點。將R（d0）、λ、η輸入檢測模型中，進一步提高管道泄露檢測的準確性。

2 試驗

為了驗證本文設計的方法是否具有新能源燃氣管道泄露檢測需求，本文對上述方法進行試驗分析。最終的結(jié)果以文獻[1]基于機載LiDAR技術的管道泄露檢測方法、文獻[2]基于FUZZY-BN-FTA的管道泄露檢測方法以及本文設計的基于人工智能的管道泄露檢測方法進行對比的形式呈現(xiàn)。具體的試驗準備過程以及最終的檢測結(jié)果如下。

2.1 試驗過程

本次試驗使用的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，深度學習框架為Tenso rFlow 2.1.0。在此框架下，最大迭代值、學習率等參數(shù)的設置均能夠影響泄露檢測精度。本文將學習率設定為0.0001，最大迭代次數(shù)設置為100，能夠確保本次試驗數(shù)據(jù)的準確性。試驗流程如圖1所示。

本次試驗在高壓鋼瓶中添加了CO2，燃氣管道部分由復合塑料管代替，形成模擬新能源燃氣管道。通過在管子上鉆孔、腐蝕、振動、變形，模擬實際燃氣管道的缺陷。為了使試驗環(huán)境更真實，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 試驗結(jié)果

在上述試驗條件下，本文隨機選取12種燃氣管道泄露類別，對管道泄漏的特征進行分析。在其他條件均已知的情況下，對比文獻[1]基于機載LiDAR檢測方法的mAP值、文獻[2]基于FUZZY-BN-FTA檢測方法的mAP值以及本文設計的基于人工智能檢測方法的mAP值。試驗結(jié)果見表2。

在其他條件均一致的情況下，使用文獻[1]基于機載LiDAR技術的新能源燃氣管道泄露檢測方法之后，gdab2、gdab4存在檢測失誤的問題，mAP值相對較小，無法確保燃氣管道安全。使用文獻[2]基于FUZZY-BN-FTA的新能源燃氣管道泄露檢測方法之后，gdab7檢測失誤，mAP值在0.85～0.96變化，亟需對其進行優(yōu)化。而使用本文設計的基于人工智能的新能源燃氣管道泄露檢測方法之后，mAP值在0.98以上，管道泄露檢測準確性更高，符合本文的研究目的。

基于上述測試，為進一步驗證所提方法的有效性，現(xiàn)針對檢測響應時間進行測試，檢測響應時間是指從氣體泄漏到檢測發(fā)出警報所需的時間。由此，基于該指標，分別采用文獻[1]基于機載LiDAR檢測方法、文獻[2]基于FUZZY-BN-FTA檢測方法以及本文設計的基于人工智能檢測方法對上述12種燃氣管道泄露進行檢測，對其響應時間進行統(tǒng)計，其結(jié)果見表3。

由表3可知，采用文獻[1]基于機載LiDAR檢測方法、文獻[2]基于FUZZY-BN-FTA檢測方法以及本文設計的基于人工智能檢測方法對上述12種燃氣管道泄露進行檢測，其檢測響應時間結(jié)果存在較大的差異。其中，當利用文獻[1]基于機載LiDAR檢測方法和文獻[2]基于FUZZY-BN-FTA檢測方法進行檢測時，其響應時間較長，響應時間最短分別為5.18s和5.26s，與本文設計的基于人工智能檢測方法相比，其響應時間較長。這是因為文獻[1]基于機載LiDAR檢測方法中機載LiDAR系統(tǒng)需要收集大量數(shù)據(jù)，并經(jīng)過復雜的處理和分析才能得出結(jié)果。針對燃氣管道泄露這種需要迅速響應的情況，較長的響應時間意味潛在的安全風險。而文獻[2]基于FUZZY-BN-FTA檢測方法雖然結(jié)合了多種先進的分析技術，但該方法需要對燃氣管道系統(tǒng)進行全面的故障樹建模，并基于模糊貝葉斯網(wǎng)絡進行復雜的推理計算，導致檢測響應時間較長。而與2種對比方法相比，采用本文設計的基于人工智能檢測方法進行燃氣管道泄露檢測的響應時間較短，最長僅為1.63s，說明一旦發(fā)生燃氣管道泄露，該方法能夠迅速發(fā)現(xiàn)并及時報警，為后續(xù)的應急處理提供了寶貴的時間。這是因為本文設計的基于人工智能檢測方法通過利用深度學習、機器學習等先進技術，能夠有效實現(xiàn)對燃氣管道泄露的快速檢測。由此，經(jīng)上述結(jié)果可得出，本文設計的基于人工智能的燃氣管道泄露檢測方法在響應時間方面具有明顯的優(yōu)勢，應用該方法進行燃氣管道泄露檢測可以有效縮短檢測響應時間，無論是哪種燃氣管道泄露類別，均可以更快發(fā)現(xiàn)燃氣管道泄露，并及時對其進行處理。

綜上所述，在實際應用中，采用本文設計的檢測方法將有助于提高燃氣管道泄露檢測的準確性和效率，進一步保障人們的生命財產(chǎn)安全。

3 結(jié)語

人工智能技術已經(jīng)滲透到生活中的方方面面，在新能源燃氣管道的泄露檢測方面也展現(xiàn)了巨大的潛力和價值。因此，本文利用人工智能技術設計了新能源燃氣管道泄露檢測方法。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行維護，提高了新能源燃氣管道的使用安全。通過人工智能技術實時檢測管道運行狀態(tài)，不僅降低了人工巡檢風險，而且還提高了能源管理水平，為燃氣管道的運行提供了安全保障。

參考文獻

[1]修明軍，丁鴿，孫傲.基于機載LiDAR技術的城市地下排水管道泄露點檢測方法[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)架空燃氣管道泄漏可能性研究[J].中國安全生產(chǎn)科學技術，2024，20（2）：82-89.

[3]金友平，單克，李云濤，等.基于災害鏈及復雜網(wǎng)絡理論的城鎮(zhèn)燃氣管道泄漏災害演化過程分析[J].安全與環(huán)境工程，2024，31（2）：34-43.

[4]鄧兵兵，謝昱姝，鄧方，等.埋地燃氣管道在土壤中小孔泄漏擴散特性研究[J].中國安全科學學報，2023，33（10）：160-166.

[5]石杰紅，張西西，劉晶晶，等.燃氣管道泄漏爆炸下地鐵隧道動力響應及安全分析[J].中國安全生產(chǎn)科學技術，2023，19（增刊1）：172-176.

[6]孫逸林，鄭小強，劉險峰，等.重大城市燃氣管道泄漏爆炸事故定量分析方法研究——以湖北十堰“6·13”事故為例[J].安全與環(huán)境學報，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)燃氣泄漏情景模擬及泄爆優(yōu)化研究[J].高壓物理學報，2023，37（6）：164-180.

[8]宋曉燕，李嘯然，梁忠秋，等.燃氣管道泄漏爆炸應急救援物資需求及救援點優(yōu)化選址研究[J].安全與環(huán)境學報，2024，24（3）：1136-1142.

[9]孫逸林，鄭小強，劉險峰，等.基于AcciMap模型的燃氣管道泄漏爆炸事故分析[J].中國安全科學學報，2023，33（7）：140-146.