一种基于气体监测的人工智能逆向溯源定漏方法

阅读：评论：0

1.本发明涉及天然气管道泄漏溯源技术领域，具体涉及一种基于气体监测的人工智能逆向溯源定漏方法。

背景技术：

2.我国天然气主要分布在西部地区，需要长距离管道输送，如果在运行过程中发生泄漏，不但会造成经济损失，还会导致天然气管道爆炸，造成不良的社会影响。通过有效的监测手段及时判断天然气管道的泄漏方位、强度，到泄漏位置，第一时间撤离人员、维修管道，尽可能避免管道爆炸事故的发生，也可以减少天然气资源的浪费，降低燃气企业的经济损失。
3.天然气管道泄漏监测定位方法有人工管道泄漏监测定位法，但人工的监测只能够发现很明显的管道泄漏问题，此时管道泄漏一般已经非常严重了，很难在第一时间对管道泄露问题进行修补，对泄漏管道的处理也很复杂；示踪剂管道泄漏监测定位法，是将放射性物质注入到天然气管道中，效果比较灵敏，判断准确，但是其操作周期长、维护成本高、环境污染风险较大，故应用很少；光线管道泄漏监测定位法，利用光缆测量管道中温度、压力的变化，并采用传感器传输信号，定位管道泄漏位置，步骤繁琐，其经济成本高；此外，还有物质平衡管道泄漏监测定位方法、压力管道泄漏监测定位方法、自动管道泄漏监测定位方法，均没有很多实际应用，存在经济成本高、操作繁琐、周期长的缺点。

技术实现要素：

4.针对现有技术中存在的天然气管道泄漏源的隐蔽性问题，本发明提供一种基于气体监测的人工智能逆向溯源定漏方法，安全性高且经济成本低，能及时判断泄漏源的位置，最大限度的保障人民的生命安全并降低企业的经济损失。
5.本发明通过以下技术方案实现：
6.一种基于气体监测的人工智能逆向溯源定漏方法，包括以下步骤：
7.s1，建立天然气管道泄漏后天然气在大气中扩散的二维模型，并利用二维模型进行cfd数值模拟，获得多个不同泄漏点模拟值对应的扩散特征值，作为样本数据；通过试验测量泄漏数据，利用泄漏数据验证cfd数值模拟的可靠性；若验证结果可靠，则进入s2；
8.s2，将样本数据带入到神经网络中，建立目标函数，训练神经网络，以求解目标函数的全局最优解，将代入全局最优解神经网络作为气体扩散模型；
9.s3，将现场测量的扩散特征值带入气体扩散传输模型中，预测泄漏点位置。
10.优选的，s1具体包括：
11.(1)采用建模软件建立天然气管道泄露后天然气在大气中扩散的二维模型；
12.(2)将二维模型导入模拟软件中，进行cfd数值模拟；
13.(3)对cfd数值模拟得到的数据进行后处理，获得泄漏点模拟值对应的扩散特征值；
14.(4)通过试验测量泄漏数据，并利用泄漏数据校核cfd数值模拟得到的扩散特征值，验证数值模拟的可靠性，若验证结果可靠，则进行步骤(5)；
15.(5)重复步骤(2)-(3)，得到多个不同泄漏点模拟值对应的扩散特征值，作为样本数据。
16.进一步的，步骤(1)具体为：利用icem在计算域划分模型网格，在计算域下面设置泄漏口inlet，泄露口所处的平面设置为wall，计算域的上、左、右三边为pressure-out，得到二维模型。
17.进一步的，步骤(1)中，建模软件为cad。
18.进一步的，步骤(2)中，采用有限体积法进行cfd数值模拟。
19.进一步的，步骤(2)中，在进行cfd数值模拟时，启动能量方程，选择组分传输模型，并定义混合组分为甲烷-空气。
20.进一步的，步骤(2)中，模拟软件为fluent.
21.进一步的，步骤(3)中，采用tecplot软件对cfd数值模拟得到的数据进行后处理。
22.优选的，s2具体包括：
23.(1)构建神经网络，随机初始化参数θ；
24.(2)将样本数据代入神经网络，采用向前传播算法，得到每一个样本数据x(i)对应的泄漏点预测值h
θ
(x(i))；
25.(3)计算目标函数：
[0026][0027]
其中，m为样本数据的数量，θ为参数，y(i)为第i个样本数据对应的泄漏点模拟值，i＝1,2,3,
…
,m，h
θ
(x(i))为第i个样本数据对应的泄漏点预测值；
[0028]
(4)采用反向传播算法，将泄漏点预测值与泄漏点模拟值之间的差值反馈给神经网络的倒数第一个隐藏层，调整该层的参数θ，将当前得到的该层神经元的值与前向传播算法得到的该层神经元的值的差反馈给前一层，再调节前一层参数θ，直至第一个隐藏层的参数θ调节完毕，更新神经网络；
[0029]
(5)重复进行步骤(2)-(4)，当目标函数最小时，得到的参数θ为全局最优解，将代入全局最优解的神经网络作为气体扩散传输模型。
[0030]
优选的，s1和s3中，扩散特征值包括：天然气浓度、泄漏强度、管道压强、环境温度和风速信息。
[0031]
与现有技术相比，本发明具有如下的有益效果：
[0032]
本发明基于试验测量、cfd数值模拟和人工智能快速逆向预测三位一体的气体泄漏逆向溯源方法，通过cfd数值模拟得到大量样本数据，将样本数据带入到神经网络中进行有效的训练，不断优化特征值与泄漏源之间的非线性关系，获得特征值与泄漏源之间的参数关系，得到气体扩散模型，采用气体扩散模型预测泄漏源情况。本发明与现有技术相比具有以下优点：(1)安全、高效且节约试验成本。天然气管道泄漏的甲烷易燃易爆，当浓度过高时，会使人感觉头痛、头晕、乏力，甚至窒息死亡；cfd数值模拟可以获得不同工况下天然气泄漏的大量样本数据，安全可靠，经济高效，节约了试验成本，且对有毒有害气体不便进行
大量试验研究。(2)在线实时智能监测，快速逆向溯源。采用无线智能传感器布置在气体管道周围，通过云端服务发送现场先验信息(即现场测量的扩散特征值)，通过气体扩散模型快速预测泄漏源的位置，判断有害气体泄漏源的具体方位和状况，为管道维修与防护作好充分准备，及时疏散人，降低经济损失。(3)泄漏实时监测和预防。通过试验测量、先进的cfd数值模拟与人工智能快速逆向预测定漏的三位一体技术，有机地将甲烷减排、泄漏实时监测和预防集成在一个系统里，能够同时、同步、准确、快速地实现减排、监测与预警。综上，本发明设计安全性高且经济成本低，能在有限空间场内通过cfd数值模拟、人工神经网络进行快速的溯源定漏，及时判断泄漏方位，到泄漏源的位置，最大限度的保障人民的生命安全并降低企业的经济损失，并且有助于天然气行业实现甲烷的控排。
[0033]
进一步的，cfd数值模拟采用有限体积法，精确模拟天然气泄漏后在大气中的浓度分布情况。
附图说明
[0034]
图1为本发明基于试验测量、先进的cfd数值模拟与人工智能快速逆向预测的三位一体技术的整体流程图。
[0035]
图2为本发明基于cfd数值模拟与人工神经网络逆向溯源定漏法的具体流程示意图。
[0036]
图3为本发明基于人工神经网络向前传播算法的具体流程图。
[0037]
图4为本发明基于人工神经网络反向传播的具体流程图。
具体实施方式
[0038]
为了进一步理解本发明，下面结合实施例对本发明进行描述，这些描述只是进一步解释本发明的特征和优点，并非用于限制本发明的权利要求。
[0039]
本发明一种基于气体监测的人工智能逆向溯源定漏方法，参照图1和图2，包括以下步骤：
[0040]
s1，建立天然气管道泄漏后天然气在大气中扩散的二维模型，并利用二维模型进行扩散过程的数值模拟，获得不同泄漏点模拟值对应的扩散特征值；试验测量采集数据验证数值模拟的可靠性。具体步骤如下：
[0041]
(1)采用建模软件cad建立天然气管道泄露后天然气在大气中扩散的二维模型，具体是：利用前处理软件icem在计算域划分模型网格，所采用的模型网格为结构性网格；在计算域下面设置泄漏口inlet，泄露口所处的平面设置为wall，计算域的上、左、右三边为pressure-out，得到二维模型。
[0042]
(2)将二维模型导入模拟软件fluent中，采用有限体积法进行计算流体动力学(cfd)数值模拟。对于气体扩散需要考虑传热，打开能量方程；天然气泄漏扩散过程实际上是甲烷在空气中的运动过程，应该选择组分传输模型，并定义混合组分为methane-air。初始化时，计算域中只有空气，泄露口处气体浓度为0，设置操作压力为标准大气压101.325kpa(绝对压力)，操作温度为300k。
[0043]
(3)cfd数值模拟得到的数据采用tecplot软件进行后处理，获得不同泄漏点模拟值对应的扩散特征值；具体实施例中，每隔20m取一个点，共选取16个点，提取16个点的扩散
特征值，并记录对应的泄漏点模拟值，从而得到不同泄漏点模拟值的扩散特征值。
[0044]
通过试验测量泄漏数据并校核cfd数值模拟得到的扩散特征值，验证数值模拟的可靠性；当验证结果为可靠后，进行大量的气体泄漏工况的cfd数值模拟，得到大量的样本数据，每个样本数据包括一个泄漏点模拟值对应的扩散特征值，例如天然气浓度，还可以优选包括泄漏强度、管道压强、环境温度、风速信息。
[0045]
s2，将样本数据带入到神经网络中，建立目标函数并训练神经网络，求解目标函数的最优解，从而得到最优的气体扩散模型。具体步骤如下：
[0046]
(1)构建神经网络，随机初始化参数θ。选择一个网络构架，确定神经元之间的连接方式，采用函数randn()*0.01，随机生成一个很小的数值作为初始权重值；
[0047]
(2)将样本数据代入神经网络，采用向前传播算法，得到每一个样本数据x(i)对应的泄漏点预测值h
θ
(x(i))，具体步骤如图3；
[0048]
(3)利用各个泄漏点预测值与泄漏点模拟值的误差平方和作为目标函数，计算目标函数，即cost function：
[0049][0050]
其中，m为样本数据的数量，θ为参数，y(i)为第i个样本数据对应的泄漏点模拟值，i＝1,2,3,
…
,m，h
θ
(x(i))为第i个样本数据对应的泄漏点预测值。
[0051]
(4)反向传播算法，将泄漏点预测值与泄漏点模拟值之间的差值反馈给倒数第一个隐藏层，调整该层的参数θ，将当前得到的该层神经元的值与前向传播得到的该层神经元的值的差反馈给前一层，再调节前一层参数θ，直至第一个隐藏层的参数θ调节完毕，更新神经网络，如图4；
[0052]
(5)重复进行步骤(2)-(4)，通过逐步迭代向全局最优解靠近，以此来得到扩散特征值与泄漏点模拟值之间的非线性参数值θ，当目标函数最小时，得到的参数θ为全局最优解，将代入全局最优解的神经网络作为气体扩散传输模型。
[0053]
s3，将现场测量的扩散特征值带入气体扩散传输模型中，预测泄漏点位置。扩散特征值包括气体浓度、泄漏强度、管道压强、风速、环境温度等先验信息。
[0054]
本发明采用气体监测的人工智能逆向溯源定漏方法，融合试验测量、cfd数值模拟和人工智能快速逆向预测的三位一体技术，设计简单且容易实施，经济成本低，能在有限空间场内通过流场计算进行快速的溯源定漏分析，探究气体发生泄漏的气体扩散模型，在天然气管道发生泄露后，根据现场布置的传感器采集的特征值结合气体扩散模型，预测泄漏位置，及时撤离周边人员、维修管道，保障生命安全的同时降低企业经济损失。
[0055]
以上所述的仅仅是本发明的较佳实施例，并不用以对本发明的技术方案进行任何限制，本领域技术人员应当理解的是，在不脱离本发明精神和原则的前提下，该技术方案还可以进行若干简单的修改和替换，这些修改和替换也均属于权利要求书所涵盖的保护范围之内。

技术特征：

1.一种基于气体监测的人工智能逆向溯源定漏方法，其特征在于，包括以下步骤：s1，建立天然气管道泄漏后天然气在大气中扩散的二维模型，并利用二维模型进行cfd数值模拟，获得多个不同泄漏点模拟值对应的扩散特征值，作为样本数据；通过试验测量泄漏数据，利用泄漏数据验证cfd数值模拟的可靠性；若验证结果可靠，则进入s2；s2，将样本数据带入到神经网络中，建立目标函数，训练神经网络，以求解目标函数的全局最优解，将代入全局最优解神经网络作为气体扩散模型；s3，将现场测量的扩散特征值带入气体扩散传输模型中，预测泄漏点位置。2.根据权利要求1所述的基于气体监测的人工智能逆向溯源定漏方法，其特征在于，s1具体包括：(1)采用建模软件建立天然气管道泄露后天然气在大气中扩散的二维模型；(2)将二维模型导入模拟软件中，进行cfd数值模拟；(3)对cfd数值模拟得到的数据进行后处理，获得泄漏点模拟值对应的扩散特征值；(4)通过试验测量泄漏数据，并利用泄漏数据校核cfd数值模拟得到的扩散特征值，验证数值模拟的可靠性，若验证结果可靠，则进行步骤(5)；(5)重复步骤(2)-(3)，得到多个不同泄漏点模拟值对应的扩散特征值，作为样本数据。3.根据权利要求2所述的基于气体监测的人工智能逆向溯源定漏方法，其特征在于，步骤(1)具体为：利用icem在计算域划分模型网格，在计算域下面设置泄漏口inlet，泄露口所处的平面设置为wall，计算域的上、左、右三边为pressure-out，得到二维模型。4.根据权利要求2所述的基于气体监测的人工智能逆向溯源定漏方法，其特征在于，步骤(1)中，建模软件为cad。5.根据权利要求2所述的基于气体监测的人工智能逆向溯源定漏方法，其特征在于，步骤(2)中，采用有限体积法进行cfd数值模拟。6.根据权利要求2所述的基于气体监测的人工智能逆向溯源定漏方法，其特征在于，步骤(2)中，在进行cfd数值模拟时，启动能量方程，选择组分传输模型，并定义混合组分为甲烷-空气。7.根据权利要求2所述的基于气体监测的人工智能逆向溯源定漏方法，其特征在于，步骤(2)中，模拟软件为fluent。8.根据权利要求2所述的基于气体监测的人工智能逆向溯源定漏方法，其特征在于，步骤(3)中，采用tecplot软件对cfd数值模拟得到的数据进行后处理。9.根据权利要求1所述的基于气体监测的人工智能逆向溯源定漏方法，其特征在于，s2具体包括：(1)构建神经网络，随机初始化参数θ；(2)将样本数据代入神经网络，采用向前传播算法，得到每一个样本数据x
()
对应的泄漏点预测值h
θ
(
()
)；(3)计算目标函数：其中，m为样本数据的数量，为参数，y
(i)
为第i个样本数据对应的泄漏点模拟值，i＝1,
2,3,
…
,m，h
θ
(x
(i)
)为第i个样本数据对应的泄漏点预测值；(4)采用反向传播算法，将泄漏点预测值与泄漏点模拟值之间的差值反馈给神经网络的倒数第一个隐藏层，调整该层的参数θ，将当前得到的该层神经元的值与前向传播算法得到的该层神经元的值的差反馈给前一层，再调节前一层参数θ，直至第一个隐藏层的参数θ调节完毕，更新神经网络；(5)重复进行步骤(2)-(4)，当目标函数最小时，得到的参数θ为全局最优解，将代入全局最优解的神经网络作为气体扩散传输模型。10.根据权利要求1所述的基于气体监测的人工智能逆向溯源定漏方法，其特征在于，s1和s3中，扩散特征值包括：天然气浓度、泄漏强度、管道压强、环境温度和风速信息。

技术总结

本发明提供一种基于气体监测的人工智能逆向溯源定漏方法，包括：S1，建立天然气管道泄漏后天然气在大气中扩散的二维模型，并利用二维模型进行CFD数值模拟，获得多个不同泄漏点模拟值对应的扩散特征值，作为样本数据；通过试验测量泄漏数据，利用泄漏数据验证CFD数值模拟的可靠性；若验证结果可靠，则进入S2；S2，将样本数据带入到神经网络中，建立目标函数，训练神经网络，以求解目标函数的全局最优解，将代入全局最优解神经网络作为气体扩散模型；S3，将现场测量的扩散特征值带入气体扩散传输模型中，预测泄漏点位置。安全性高且经济成本低，能及时判断泄漏源的位置，最大限度的保障人民的生命安全并降低企业的经济损失。人民的生命安全并降低企业的经济损失。