基于物理模型驱动机器学习的燃气管道泄漏速率预测方法技术

本发明专利技术提出一种基于物理模型驱动机器学习的燃气管道泄漏速率预测方法，包括：(1)基于等熵阻塞模型建立可预测燃气管道泄漏速率的物理模型；(2)基于该物理模型产生大量管道泄漏数据；(3)采用粒子群算法优化的支持向量机（PSO

【技术实现步骤摘要】
基于物理模型驱动机器学习的燃气管道泄漏速率预测方法


[0001]本专利技术属于燃气管道安全监测
，尤其涉及一种基于物理模型驱动机器学习的燃气管道泄漏速率预测方法。

技术介绍

[0002]城镇天然气输送管网往往分布于人口和建筑物较集中的地方，这使得城镇燃气成为事故后果最严重、最频发的可燃可爆气体之一。事故调查表明：燃气公司因缺乏有效的燃气管道泄漏预测机制而无法准确预测管道运行的泄漏速率是燃气管网事故频发的主要原因。
[0003]据调查，对于燃气管道泄漏速率的研究，主要采用仿真模拟和实验两种方法。实验方面，在现有的专利中，中国专利CN114321741A《燃气管道泄漏检测装置》设计了一种对燃气管道进行泄漏检测的实验装置；CN114413180A《基于氖气示踪定位的埋地燃气管道泄漏检测方法》设计了一种通过检验氖气浓度来进行燃气管道泄漏检测的方法；CN209638792U《电容式燃气管道泄漏检测装置》设计了一种通过检测传感器电容信号来判断燃气管道泄漏的方法。但由于燃气管道的分布的复杂性以及所处环境因素的多样性甚至极端性等，目前对燃气管道泄漏检测的研究相对匮乏。
[0004]故提出一种燃气管道泄漏速率预测方法在燃气管道安全监测安全领域具有重要意义。

技术实现思路

[0005]本专利技术的目的在于克服现有技术的不足，提供基于物理模型驱动机器学习的燃气管道泄漏速率预测方法，为企业监测和控制燃气管道泄漏提供科学指导。主要包括：(1)基于等熵阻塞模型建立可预测燃气管道泄漏速率的物理模型；(2)基于该物理模型产生大量管道泄漏数据；(3)采用粒子群算法优化的支持向量机(PSO
‑
SVM)和简化处理的卷积神经网络(CNN)分别对物理模型生成的大量数据进行学习；(4)得到基于机器学习模型的燃气管道泄漏速率预测方法；(5)进一步对机器学习模型的适应性进行研究；(6)进行模型参数选择以及模型预测分析；(7)测试模型的泛化能力并进行实验验证；(8)根据实验数据和模拟结果的对比，对模型进行修正，最终确定实用性模型。其实现了更精确预测燃气管道泄漏速率的预测方法。
[0006]本专利技术具体采用以下技术方案：
[0007]一种基于物理模型驱动机器学习的燃气管道泄漏速率预测方法，其特征在于，包括以下步骤：
[0008]步骤S1：基于等熵阻塞模型建立可预测燃气管道泄漏速率的物理模型，包括高压储罐和下游管道的参数及计算区域；
[0009]步骤S2：基于所述物理模型生成多组管道泄漏数据，推算质量守恒方程、能量守恒方程和动量守恒方程，获得泄漏速率的主要影响因素；
[0010]步骤S3：采用粒子群算法优化的支持向量机(PSO
‑
SVM)和简化处理的卷积神经网络(CNN)分别对所述物理模型生成的大量数据进行学习﹔以获得基于机器学习模型的燃气管道泄漏速率预测模型；
[0011]步骤S4：进行模型参数选择以及模型预测分析；并测试模型的泛化能力并进行实验验证；
[0012]步骤S5：根据实验数据和模拟结果的对比，对模型进行修正，最终确定实用性模型，以进行燃气管道泄漏速率预测。
[0013]进一步地，步骤S2具体为：
[0014](1)质量守恒方程，即连续方程为：
[0015][0016]其中，ρ表示密度，表示速度矢量；
[0017](2)能量守恒方程为：
[0018][0019]其中，E表示总能量，k
eff
表示有效热导系数，T表示温度，h表示比焓，表示扩散通量，表示有效粘性切应力张量；下标i表示是第i种物质；
[0020]其中，总能量E表示为：
[0021][0022](3)动量方程即Navier
‑
Stokes方程：
[0023][0024]其中，P表示压力，表示粘性应力张量，表示重力加速度，运算中忽略重力的影响；
[0025]其中，粘性应力张量表示为：
[0026][0027]其中，μ表示气体粘度，I表示单位张量；
[0028]由于管内初始压力较高，发生泄漏时泄漏口处流速较大，忽略泄漏过程管内外热量交换，设泄漏口处为等熵流动状态；
[0029][0030]式中：h0为管内介质的初始焓值，kJ/kg；h1为管道泄漏口处的介质焓值，kJ/kg；u
c
为泄漏口处介质流速，m/s；u0为管内介质流速，由于管内流体速度较泄漏口处的流速小很多，因此可以忽略不计；由式(6)获得泄漏速度：
[0031][0032]以上甲烷的物性参数包括：压力、温度、焓、熵，都采用GERG2008状态方程计算；泄
漏质量流量为：
[0033]G＝ρ
c
Au
c
ꢀꢀꢀ
(8)
[0034]式中，G为管道泄漏质量流量；ρ
c
为泄漏口处介质密度；A为泄漏口面积；
[0035]通过物理模型确认，泄漏速率主要取决于管道输送条件，包括压力、温度，以及泄漏口尺寸。
[0036]进一步地，在步骤S3中，采用粒子群算法优化的支持向量机(PSO
‑
SVM)和简化处理的卷积神经网络(CNN)分别对物理模型生成的大量数据进行学习；
[0037]其中，支持向量机超平面的最优化问题转化为：
[0038][0039][0040]式中，ω为超平面法向向量，C为惩罚因子，ξ
i
为松弛因子，φ(x)为非线性映射函数，b为偏置系数；引入拉格朗日算法将最优化问题转化为对偶问题；
[0041][0042]K(x
i
，x
j
)为核函数，使用的核函数为高斯核函数，如下式：
[0043][0044]式中，σ为高斯核的带宽；
[0045]CNN不需要精确的数学公式，只需用数据训练就能够实现输入到输出的映射；卷积层权重共享的特性也在很大程度上减少了参数，降低了卷积网络的复杂程度；由于CNN具有局部感知、权重共享等特点，所以CNN也可以用来解决回归问题；
[0046]卷积计算公式为：
[0047]Z＝W
·
I+b
ꢀꢀꢀ
(13)
[0048]式中，Z为中间值，W为权重系数，I为输入的泄漏孔径、温度、压力，b为偏置系数；泄漏孔径、温度、压力经过卷积层进行特征提取，通过神经元的激活函数实现去线性；为了避免CNN反向传播时梯度消失，采用ReLU激活函数，其公式为：
[0049]ReLU(Z)＝max(0,Z)
ꢀꢀꢀ
(14)
[0050]通常卷积层输出非常多的参数量，所以常在卷积层后添加池化层，池化层能从卷积层的输出中提取最显著的特征，以减少数据和参数量。
[0051]进一步地，在步骤S3中，训练得到基于机器学习模型的燃气管道泄漏速率预测模型；其中，使用该物理模型生成泄漏孔径范围为1
–
10m本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于物理模型驱动机器学习的燃气管道泄漏速率预测方法，其特征在于，包括以下步骤：步骤S1：基于等熵阻塞模型建立可预测燃气管道泄漏速率的物理模型，包括高压储罐和下游管道的参数及计算区域；步骤S2：基于所述物理模型生成多组管道泄漏数据，推算质量守恒方程、能量守恒方程和动量守恒方程，获得泄漏速率的主要影响因素；步骤S3：采用粒子群算法优化的支持向量机PSO
‑
SVM和简化处理的卷积神经网络CNN分别对所述物理模型生成的大量数据进行学习﹔以获得基于机器学习模型的燃气管道泄漏速率预测模型；步骤S4：进行模型参数选择以及模型预测分析；并测试模型的泛化能力并进行实验验证；步骤S5：根据实验数据和模拟结果的对比，对模型进行修正，最终确定实用性模型，以进行燃气管道泄漏速率预测。2.根据权利要求1所述的基于物理模型驱动机器学习的燃气管道泄漏速率预测方法，其特征在于：步骤S2具体为：(1)质量守恒方程，即连续方程为：其中，ρ表示密度，表示速度矢量；(2)能量守恒方程为：其中，E表示总能量，k
eff
表示有效热导系数，T表示温度，h表示比焓，表示扩散通量，表示有效粘性切应力张量；下标i表示是第i种物质；其中，总能量E表示为：(3)动量方程即Navier
‑
Stokes方程：其中，P表示压力，表示粘性应力张量，表示重力加速度，运算中忽略重力的影响；其中，粘性应力张量表示为：其中，μ表示气体粘度，I表示单位张量；由于管内初始压力较高，发生泄漏时泄漏口处流速较大，忽略泄漏过程管内外热量交换，设泄漏口处为等熵流动状态；
式中：h0为管内介质的初始焓值，kJ/kg；h1为管道泄漏口处的介质焓值，kJ/kg；u
c
为泄漏口处介质流速，m/s；u0为管内介质流速，由于管内流体速度较泄漏口处的流速小很多，因此可以忽略不计；由式(6)获得泄漏速度：以上甲烷的物性参数包括：压力、温度、焓、熵，都采用GERG2008状态方程计算；泄漏质量流量为：G＝ρ
c
Au
c
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)式中，G为管道泄漏质量流量；ρ
c
为泄漏口处介质密度；A为泄漏口面积；通过物理模型确认，泄漏速率取决于管道输送条件，包括压力、温度，以及泄漏口尺寸。3.根据权利要求2所述的基于物理模型驱动机器学习的燃气管道泄漏速率预测方法，其特征在于：在步骤S3中，采用粒子群算法优化的支持向量机PSO
‑
SVM和简化处理的卷积神经网络CNN分别对物理模型生成的大量数据进行学习具体为；支持向量机超平面的最优化问题转化为：支持向量机超平面的最优化问题转化为：式中，ω为超平面法向向量，C为惩罚因子，ξ
i
为松弛因子，φ(x)为非线性映射函数，b为偏置系数；引入拉格朗日算法将最优化问题转化为对偶问题；K(x
i
，x
j
)为核函数，使用的核函数为高斯核函数，如下...

【专利技术属性】
技术研发人员：吴隆平，滕霖，李卫东，王良旭，潘秋，张博博，
申请(专利权)人：福州大学，
类型：发明
国别省市：