利用机器学习算法和动态模拟进行的数据驱动型海底天然气管道泄漏状况估计

《Ocean Engineering》：Data-driven condition estimation of subsea gas pipeline leak using machine learning algorithm and dynamic simulations

　　

李新红|张瑶琪|李润泉|王静文

西安建筑科技大学资源工程学院，中国西安雁塔路13号，710055

摘要

由于传统技术在海底环境中的局限性，海底天然气管道的泄漏检测是一个关键挑战。本文开发了一种利用机器学习算法进行海底天然气管道泄漏快速状态估计的智能模型。该模型能够识别泄漏位置并估计泄漏情况，包括泄漏大小和压力。通过考虑各种因素（如压力、孔径和流速）的动态模拟生成了数据集。输入变量包括管道进出口压力、质量流量、气体速度和温度，而输出包括泄漏位置、泄漏大小和泄漏压力。此外，还将当前模型与SVM和BPANN算法进行了比较。结果表明，该模型的预测准确率很高，R²达到0.99337。这项研究可以支持实时泄漏检测和海底天然气管道智能监控系统的开发。

引言

海底天然气管道是海上能源运输的主要基础设施。近年来，海底管道泄漏的频率有所增加，这凸显了快速准确检测泄漏的紧迫性，以便及时采取预防措施。与陆地管道相比，海底天然气管道在更高的外部压力、更低的温度和有限的可访问性下运行，这使得适用于陆地天然气管道的传统泄漏检测方法变得不切实际。环境干扰（如海流和周围压力变化）进一步增加了信号噪声，使得准确定位变得复杂，限制了传统方法在陆地管道上的应用。虽然传统的泄漏检测方法很有用，但在海底条件下存在诸多局限性。因此，迫切需要利用动态建模和机器学习算法来检测海底天然气管道的泄漏，推动数字和智能泄漏检测系统的发展。

为了将海底天然气泄漏的影响降到最低，需要对管道运行状态进行严密监控，并实现精确的泄漏检测。目前的管道泄漏检测方法可以系统地分为基于声发射的方法、光纤传感方法、基于负压波的方法和基于模型的内部监测方法。声发射方法对泄漏引起的瞬态信号非常敏感，可以支持快速泄漏识别和定位（Meng等人，2012；Li和Liu，2017）。然而，它们的性能经常受到背景噪声、信号衰减以及在复杂运行环境中提取可靠判别特征的难度的影响。最近的研究通过引入数据驱动的时空特征学习和分布鲁棒信号分析改进了基于声学的泄漏检测方法，提高了抗噪能力和故障识别精度（Yao等人，2025a，2025b）。光纤传感方法实现了分布式和连续监测，并具有相对较高的空间分辨率，使其适用于长距离管道监控（Nikles等人，2004；Zhou等人，2006；Mirzaei等人，2013；Png等人，2018；Liu等人，2018）。

然而，它们的实际应用仍受到相对较高的部署成本、安装复杂性以及对专用传感基础设施的依赖性的限制，尤其是对于海底系统而言。负压波方法因其简单的实现和快速响应特性而被广泛使用（Shi等人，2021；Wang等人，2021；Zhang等人，2016）。然而，在泄漏较弱、边界干扰复杂和瞬态条件嘈杂的情况下，它们的定位性能可能会下降。相比之下，基于模型的内部监测方法，包括动态模拟和压力/流量响应分析，可以建立泄漏条件与运行参数之间的明确关系，从而在测量数据有限时具有更强的可解释性和更好的适应性（Kam等人，2010；He等人，2017；Liu等人，2019；Li等人，2018；Vandrangi等人，2021；Kim等人，2021）。然而，这些方法通常需要高质量的边界条件和大量的计算工作。因此，现有方法在同时实现高灵敏度、强鲁棒性、实际可部署性和在海底环境中准确估计泄漏条件参数方面仍面临困难，这激发了数据驱动状态估计方法的发展。

随着计算机技术的快速发展，管道泄漏检测方法正逐渐转向智能和信息驱动的方法（Yuan等人，2022；Liang等人，2023；Waqar等人，2025）。特别是机器学习技术，通过识别输入和输出之间的关系，实现了高效和准确的预测。Lu等人（2022）结合了RF和PSO算法构建了一个用于海底管道腐蚀泄漏预测的BPNN，提高了模型的稳定性和性能。Zhang等人（2023）提出了一种基于深度神经网络的无监督泄漏检测方法，该方法通过投影路径进行预测和重建，适用于天然气集输管道。Liu等人（2023）提出了一种基于深度神经网络的非接触式泄漏故障诊断方法，用于海底圣诞树阀门。Zhang等人（2025）提出了一种使用声发射信号和机器学习的海上油管泄漏检测方法。Wang等人（2021）从模拟中提取特征数据，并将其应用于多层感知器神经网络进行泄漏分类和状态确定。

尽管现有研究取得了一些进展，但仍有一些问题需要解决，如下：

■

虽然现有的方法（如声发射、光纤传感和动态建模）在检测泄漏和大致定位泄漏位置方面取得了显著进展，但它们往往无法实现高精度的定位。这在海底管道环境中尤其具有挑战性，因为外部因素（如水压、温度变化和环境噪声）会复杂化检测过程。迫切需要先进的技术，能够以最小的误差范围准确确定泄漏位置。

■

当前的研究主要集中在检测泄漏的存在或基于参数异常估计泄漏率。然而，预测泄漏的状态（如严重程度、进展和潜在影响）仍然不够充分。这一差距在海底天然气管道中尤为明显，因为实时监控和预测能力对于确保运行安全和最小化环境损害至关重要。

■

尽管机器学习技术（如随机森林、支持向量机和神经网络）在泄漏检测方面显示出潜力，但大多数模型在考虑管道泄漏影响因素、位置和状态之间的复杂相互作用方面存在局限性。现有方法通常依赖于简化的假设或不完整的数据集，这限制了它们在现实世界场景中的适用性。迫切需要能够整合多种数据源并提供可靠预测的鲁棒和自适应机器学习模型，以用于海底天然气管道泄漏。

基于机器学习的管道泄漏诊断使用参数（如压力、流速和温度）面临测量不确定性、时间不稳定性和非线性参数耦合的挑战。这些问题使得在恶劣的海底环境中构建通用数据驱动模型变得复杂。本文的目的是利用BRANN算法开发一种数据驱动的方法，用于海底天然气管道的泄漏检测和状态估计。将影响因素与泄漏位置以及泄漏状态之间的数学关系整合到BRANN框架中，以估计管道泄漏的严重程度和进展，这对于确保海底天然气管道的安全运行至关重要。

章节片段

BRANN

BPANN是一种使用反向传播算法实现的前馈神经网络。它是一种监督学习过程，通过重复迭代根据给定的输入和输出样本调整网络权重。图1展示了多层感知器BPANN的结构，包括输入层、隐藏层和输出层，每层包含多个节点。学习过程包括两部分：信号的前向传播和反向传播

方法论

图2展示了用于快速定位和估计海底天然气管道泄漏的智能模型的实现过程。它包括以下三个步骤：

■

构建海底天然气管道泄漏模型。

■

构建管道泄漏数据集。

■

开发海底天然气管道泄漏的智能预测模型。

建立海底天然气管道泄漏模型

为了验证模型的可行性，对一条海上天然气管道进行了案例研究。这条管道总长度为52公里，从中央平台延伸到岸上终端，平均水深约为40米。管道的直径为355.6毫米，壁厚为9.53毫米，设计工作压力为6.6兆帕，预计使用寿命为20年。其主要功能是从

总结与结论

本研究开发了一种基于BRANN的数据驱动模型，用于海底天然气管道泄漏诊断，旨在实现关键泄漏条件参数的快速可靠预测。该方法的主要创新之处在于它结合了动态模拟数据和贝叶斯正则化神经学习，构建了一个鲁棒的非线性映射，用于同时估计泄漏位置、泄漏大小和泄漏点压力。与传统机器学习方法相比，所提出的模型

CRediT作者贡献声明

李新红：撰写——原始草稿，方法论。张瑶琪：撰写——审阅与编辑，调查。李润泉：撰写——审阅与编辑。王静文：调查，数据整理。

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。

致谢

作者衷心感谢国家自然科学基金（52471300）资助的项目提供的财务支持。