一种新颖的传感器布局方法与深度学习模型：用于天然气站场所的泄漏源项估计

《Journal of Cleaner Production》：A novel sensor layout method and deep learning model: leakage source term estimation for natural gas station sites

传感器优化部署与CEEMDAN-BiTCN-BiGRU模型在天然气泄漏源估计中的应用研究，提出基于信息熵理论与GA-PSO混合算法的多目标传感器布局方法，结合CEEMDAN去噪与双向时空网络模型，实现泄漏位置和强度99.9%的准确率，较传统方法提升24.5%和87.3%。

　　

徐侯佳|李云涛|孙炳才|景琦|单柯

中国石油大学（北京）安全与海洋工程学院，北京，102249，中国

摘要

准确高效的源项估计（STE）对于确保在危险气体泄漏发生时天然气设施的安全运行至关重要。作为STE基础的传感器部署设计直接影响源项估计方法的准确性。现有的传感器布置方法通常局限于特定的操作条件，并依赖于关于泄漏源的先验信息，这使得它们在现实世界的STE应用中不切实际。此外，传统的STE方法实时性能较差，难以适应动态泄漏场景。本文提出了一种基于信息熵理论的新型传感器优化部署方法，旨在适用于多目标操作条件。所提出的方法采用遗传算法（GA）和粒子群优化（PSO）的混合算法来最小化目标函数，从而在多种风向条件下实现最佳传感器布置。在此基础上，利用CEEMDAN算法对传感器噪声数据进行去噪和重建。然后构建了一个结合双向时间卷积网络（BiTCN）和双向门控循环单元（BiGRU）的融合模型，以实现高精度的泄漏源项估计。与传统传感器部署策略相比，优化配置将STE方法中的源位置估计准确性提高了24.5%，同时将泄漏强度估计误差降低了87.3%。在STE模型方面，所提出的CEEMDAN-BiTCN-BiGRU模型实现了99.90%的泄漏强度估计精度，比表现最好的传统模型提高了6.5%的源位置精度。这些结果表明，所提出的传感器优化方法和CEEMDAN-BiTCN-BiGRU模型在气体泄漏源项估计应用中具有潜力。

引言

作为能源传输的中转枢纽，天然气站面临危险气体意外释放的风险，这可能威胁到运营安全和能源供应的稳定性（Ebrahimi-Moghadam等人，2018年）。高效准确地识别泄漏位置和估计泄漏强度对于天然气站的安全运行至关重要（Wang和Zhang，2021年）。与负压波（Chen等人，2018年）、光纤监测（Shukla和Piratla，2020年）以及中红外相机检测（Ma等人，2024年）等传统泄漏检测技术相比，STE方法能够通过固定传感器的离散测量快速识别泄漏源。这使得STE特别适合在大规模和高度复杂的环境条件下快速反演源信息，如泄漏位置和泄漏强度（Lu等人，2023年）。STE方法常用于解决具有强非线性的逆问题。因此，它已广泛应用于天然气泄漏检测（Selvaggio等人，2022年）、核泄漏追踪（Winiarek等人，2014年）和城市污染物源识别（Liu和Li，2025年）等领域。

STE方法的准确性主要受传感器数据、源-受体关系和估计算法的限制（Jia和Kikumoto，2022年）。迄今为止，绝大多数研究工作都集中在源-受体关系和估计算法上（Nesme等人，2021年）。例如，在源-受体关系方面，已经形成了由高斯扩散模型、对流扩散方程和伴随方程表示的理论模型，用于描述泄漏源作用下传感器的浓度变化关系（Wang等人，2022年）。在估计算法方面，已经开发了最优插值、数据同化和深度学习等方法来估计源项信息（Zhao等人，2024年）。作为STE方法基础的测量数据质量直接决定了该方法的估计准确性。测量数据主要来自预先部署的固定传感器网络，这些网络的布置通常采用随机分布、均匀分布或基于危险等级的布置策略。由于站点布局的不规则性和风向的变异性，这种布置仅适用于特定泄漏场景下的浓度分布测量（Patel和Zenker，2024年）。为此，Araki等人提出了一种结合化学传输模型和搜索算法的传感器优化部署方法，并成功应用于化学污染物的环境监测（Araki等人，2015年）。然而，大多数这些传感器部署方法都有严格的前提条件，需要预先知道泄漏源位置，并依赖于数值模拟模型或简化的气体扩散方程来初步预测浓度分布。然后，在被识别为高风险的区域放置传感器。实际上，这些方法无法满足STE的实时要求。此外，由于STE是一个典型的逆问题，这些方法不适用于STE（Tamburini等人，2024年）。在这种背景下，信息熵理论被引入到传感器布置优化问题中，并展示了有希望的应用结果。Ngae等人利用基于熵的标准来量化不同传感器布局对整个系统信息的贡献，从而确定最佳传感器布置（Ngae等人，2019年）。Bakhtiari等人开发了一个信息论优化模型，以确定具有最高空间覆盖率的CO₂传感器部署策略（Bakhtiari等人，2021年）。上述研究结果为本研究中提出的理论传感器部署模型提供了坚实的基础。

基于高质量的测量数据，现有研究主要集中在统计方法上，分析和推断泄漏源的强度和位置，包括卡尔曼滤波（Metia等人，2020年）、贝叶斯推断（Chaloupecka等人，2019年）等。这些方法利用传感器数据的概率分布和统计模型来估计源项。Septier等人开发了一种基于贝叶斯推断的增强型自适应算法，用于估计泄漏源位置和时间-浓度分布，通过实验证明了该方法的计算效率和准确性（Septier等人，2020年）。Bourne等人提出了一种基于非参数贝叶斯公式的羽流源项估计和源搜索运动规划算法，使用移动传感器实现更快、更稳健的污染源位置确定和源强度估计（Bourne等人，2019年）。然而，这些方法难以应用于复杂的非线性泄漏场景。由于深度学习具有强大的特征提取能力，它已被有效应用于复杂环境中的气体泄漏检测和定位问题（Li等人，2024年）。Wang等人开发了一种基于TCN模型的预测回归算法，用于解决氢燃料加注站的泄漏位置问题，实现了泄漏点的快速识别（Wang等人，2024年）。Badawi等人基于稀疏测量数据开发了一种深度学习网络，用于快速预测甲烷泄漏源位置（Badawi等人，2022年）。这些广泛的研究结果表明，深度学习方法在STE问题中具有更高的准确性，显示出在天然气站泄漏场景中应用泄漏源项估计的巨大潜力。

本研究提出了一种传感器优化部署方法和一种STE深度学习模型，用于天然气站泄漏，旨在在复杂的几何布局和风条件下快速准确地估计泄漏点的强度和位置。该模型引入信息熵理论来建立多目标函数，以优化传感器部署，并将风向频率作为目标函数中的权重系数。使用GA-PSO全局优化算法在复杂风条件下实现最佳传感器配置。在此基础上，构建了一个天然气泄漏扩散实验平台和CFD模型，并开发了BiTCN-BiGRU双向深度神经网络，以捕捉浓度时间序列数据的时空依赖性。这使得在复杂结构和风条件下能够精确估计天然气站场景中的泄漏源位置和强度。本研究的主要贡献和创新总结如下：

(1)

通过结合信息熵理论和GA-PSO全局优化算法，提出了一种适用于多目标场景的新型传感器优化部署方法。与传统传感器配置方案相比，所提出的方法引入了风向权重系数，构建了在多个风向下的加权联合熵配置函数，从而在无需预先知道泄漏源的情况下实现最佳传感器布置。

(2)

基于BiTCN-BiGRU的深度神经网络实现了99.90%的泄漏强度和泄漏位置估计精度，有效减少了预测偏差。

(3)

对原始传感器数据、使用移动平均滤波器预处理的数据以及使用CEEMDAN方法预处理的数据对STE性能进行了比较分析，验证了CEEMDAN方法的有效性。

(4)

进行了案例研究，比较了传统的深度学习方法（如TCN、CNN-LSTM、BiLSTM和BiTCN-BiLSTM）。所提出的模型在STE中显示出更高的准确性和鲁棒性，并验证了基于该模型的优化传感器配置在STE性能上优于均匀和随机配置。

章节片段

问题陈述

我们的任务是基于天然气站的几何布局建立一种不依赖于泄漏源先验知识的传感器优化部署方法。此外，我们旨在基于优化后的传感器配置开发一种STE深度学习算法，以实现天然气站泄漏率和泄漏点位置的快速估计。本研究关注天然气站中泄漏强度恒定的泄漏源。

基于信息熵的优化传感器配置

本节主要介绍传感器优化布置方法，它包括两个主要组成部分：量化传感器网络测量能力的目标函数，以及用于确定最佳传感器配置的GA-PSO算法。

带有自适应噪声的完整集合经验模态分解（CEEMDAN）

CEEMDAN是一种基于EMD和EEMD分解方法改进的完全集合经验模态分解技术。它可以将传感器监测的原始浓度数据分解为不同频率的内在模态函数（IMFs），根据频率表示不同尺度的特征（Mousavi等人，2020年）。它通过结合高斯白噪声来改进EEMD方法，解决了EEMD方法中的模态混合和噪声残留问题。

案例研究

本节建立了一个特定的天然气站泄漏扩散场景。根据天然气站的空间布局和操作条件，进行了传感器优化部署工作。在获得最佳传感器监测位置后，创建了一个天然气站泄漏扩散的数值模型。构建了一个包含384种不同泄漏场景的浓度数据库，包括泄漏位置、泄漏率、风速和风向等。

STE模型开发、验证和比较

本节基于包含384种不同泄漏场景的模拟数据库，开发了一种基于CEEMDAN-BiTCN-BiGRU深度学习模型的STE方法。使用CEEMDAN方法对传感器噪声数据进行去噪和重建，获得去噪后的浓度序列。在此基础上，构建了BiTCN-BiGRU模型，优化了模型的超参数，并建立了评估指标以有效评估模型的性能。

不同传感器配置对STE性能的影响

在STE问题中，不同的传感器配置方案直接影响模型估计泄漏强度和位置的准确性。为了探索不同传感器配置对模型准确性的影响，对所提出的优化传感器配置、随机分布和均匀分布的传感器进行了比较分析。这些配置的分布显示在图15中。图16显示了

结论

本研究提出了一种适用于多目标操作条件的新型传感器配置优化方法，能够在无需预先知道泄漏源的情况下，在复杂风条件下实现最佳传感器布置。与传统方法相比，所提出的方法在多种场景中表现出更强的适应性。基于优化后的传感器配置，开发了一种天然气站泄漏源项估计算法。

CRediT作者贡献声明

徐侯佳：写作——审稿与编辑，撰写——原始草稿，概念化。李云涛：方法论。孙炳才：方法论。景琦：写作——审稿与编辑，可视化。单柯：概念化。

利益冲突声明

作者声明他们没有已知的可能会影响本文报告工作的竞争财务利益或个人关系。

致谢

本文得到了中国国家重点研发计划（项目编号：2023YFC3011300）；以及中国石油公司的科学技术项目“复杂油气钻井和生产的主要风险演变机制及安全智能运营和维护方法”（2023DJ6508）的支持。