-
题名基于门控注意网络模型的天然气管道泄漏检测新方法
被引量：2
- 1
-
-
作者
董宏丽
孙桐
王闯
杨帆
商柔
-
机构
东北石油大学三亚海洋油气研究院
东北石油大学人工智能能源研究院
黑龙江省网络化与智能控制重点实验室
-
出处
《天然气工业》
北大核心
2025年第1期25-36,共12页
-
基金
国家自然科学基金区域创新发展联合基金项目“基于分布式算法及大数据驱动的微地震信号去噪与反演研究”(编号:U21A2019)
国家自然科学基金青年科学基金项目“面向不完备数据场景的油气管网故障诊断和异常预警方法研究”(编号:62403119)
+1 种基金
国家资助博士后研究人员计划B档资助项目“面向深海油气管道典型小样本场景的知识迁移方法研究”(编号:GZB20240136)
中国博士后科学基金第75批面上资助“地区专项支持计划”项目“非完备数据约束下的油气管网智能运维关键技术研究”(编号:2024MD753911)。
-
文摘
准确的泄漏检测对维护天然气管道运行安全至关重要。近年来,深度学习已成为天然气管道泄漏检测的常用方法,但由于天然气管道数据具有复杂的时间动态特性,进而导致大多数深度学习方法在识别泄漏类型方面难以取得优异的性能。此外,检测模型的初始超参数选择通常是随机的,这也可能会导致识别性能不稳定。为了提升天然气管道泄漏检测的准确性,提出一种基于麻雀搜索算法的门控注意网络模型(Sparrow Search Algorithm-based Gate Attention Network, SGAN)。首先,为了提取有效且具有鲁棒性的数据特征,采用带交叉熵函数的麻雀搜索算法对门控循环单元的初始超参数进行全局搜索;然后,设计了一种异常注意力机制,通过对数据特征进行加权来放大正常和泄漏数据之间的区分差异;最后,将所提算法应用于天然气管道的泄漏检测。研究结果表明:(1) SGAN模型能够实现模型超参数的自适应优化,并加快了模型的收敛速度,使模型性能更加稳定;(2) SGAN模型通过对正常与泄漏特征进行加权处理,显著提升了数据特征的区分效果;(3) SGAN模型的学习表示能力和泛化能力得到了明显加强,以此提高了对数据的分类性能;(4) SGAN模型能够显著提高天然气管道泄漏检测的准确率和召回率,可减少误报率和漏报率,并且其性能明显优于常规分类算法。结论认为,SGAN模型通过自适应优化和异常注意力机制结合,能精准识别泄漏特征,并快速响应天然气管道中的泄漏情况,有效提升了检测的准确性和可靠性,显著降低了安全事故风险,为天然气管道泄漏检测提供了一种高效、智能的解决新方案。
-
关键词
天然气管道
泄漏检测
麻雀搜索算法
门控循环单元
异常注意力机制
自适应优化
智能
-
Keywords
Gas pipeline
Leak detection
Sparrow search algorithm
Gated recurrent unit
Abnormal attention mechanism
Adaptive optimization
Intelligence
-
分类号
TE88
[石油与天然气工程—油气储运工程]
-
