《International Journal of Hydrogen Energy》：End-to-end leakage localization in buried hydrogen-blended natural gas pipelines based on multiscale spatiotemporal feature fusion
编辑推荐：
氢能基础设施安全风险中埋地氢气混合天然气管道泄漏定位技术，提出基于多尺度时空特征融合的端到端深度学习网络MSTF-Net，解决固定传感器布局无法适应稀疏部署的问题，实验显示X方向相关系数0.9992，Y方向0.9756，定位精度显著提升。
林晨|李佳梅|任杰|刘恒|荆琦
中国石油大学安全与海洋工程学院，北京，102249，中国
摘要
埋设的氢气混合天然气（HBNG）管道的泄漏对氢能基础设施构成了重大风险。现有的管道泄漏定位方法要么被视为分类任务，要么依赖于固定的传感器布局，在传感器部署稀疏和受限的情况下难以实现高精度定位。因此，本文提出了一种端到端的深度学习网络，该网络通过多尺度时空特征融合实现了任意传感器配置的自适应定位。所提出的网络采用多尺度卷积来提取时间浓度演变特征，双向长短期记忆网络来建模长期时间序列依赖性，改进的位置编码机制用于任意分布的监测点配置，以及自注意力机制来识别对动态定位识别有重要贡献的关键监测点。实验结果表明，在X和Y方向上，决定系数分别为0.9992和0.9756，表明其定位精度高于其他先进方法。
引言
由于化石资源的有限性和环境退化的双重压力，氢能因其可再生性和无排放的能量循环而受到了广泛关注[1,2]。与专用管道相比，长距离氢气输送显著降低了基础设施成本和部署时间，使得整个氢能价值链能够快速、经济地整合[3,4]。然而，将氢气引入天然气管道存在重大的安全问题，因为氢气的扩散速率高且爆炸范围广[5,6]。这种情况在城市中尤为关键，因为城市中埋设管道的广泛使用[7]和高人口密度[8]共同增加了管道故障可能带来的严重后果。因此，早期检测埋设的氢气混合天然气（HBNG）管道泄漏对于提高氢能利用的安全性至关重要。
目前，管道泄漏检测方法包括声学检测[9]、压力监测[10]、光纤检测[11]、红外成像检测[12]和气体浓度检测[13]。声学检测方法通过捕捉声波或振动信号来识别管道泄漏，而双谱估计等方法利用P波和S波的传播特性进行精确定位[14]。基于声学检测，学者们结合了机器学习方法来实现管道泄漏源的定位[15,16]，从而提高了复杂管道网络中泄漏源的识别精度[17,18]。此外，通过将压力监测中的内部压力或流量数据与机器学习相结合，可以实现管道泄漏的定位[[19], [20], [21], [22]]。此外，光纤检测方法基于物理量（如振动、温度和应变）的分布式变化实现全线监测[23]。然而，这些方法存在信号衰减、安装成本高和空间分辨率有限等缺点。利用气体浓度检测的独特优势直接识别泄漏介质是一种直接有效的管道泄漏定位方法[[24], [25], [26]]。
最近，研究人员基于浓度检测对HBNG管道泄漏进行了研究，使用CFD方法研究氢气混合天然气的泄漏和扩散特性[[27], [28], [29]]。通过利用CFD模拟结果，基于卷积神经网络（CNN）的混合模型通过级联噪声减少、特征提取和时间序列建模，在分类九个预设泄漏源时达到了99.54%的准确率[30]。然而，这种方法本质上是一种分类方法，无法实现精确定位。为了实现高精度定位，基于遗传算法的传感器布局优化方法迭代搜索最佳传感器位置以减少定位误差，并通过结合长短期记忆（LSTM）模型，实现了0.54米以内的高精度定位[31]。在综合考虑了多项任务要求后，多任务LSTM框架使用由公用隧道中固定气体传感器收集的CH4和H2的两组分浓度数据，通过多任务学习架构进行泄漏检测、位置回归和泄漏率预测，实现了97.8%的定位精度[32]。然而，这种方法依赖于封闭的公用隧道环境和密集的传感器布局。最新的研究主要集中在设置相对可控和传感器部署密集的情景中。埋设HBNG管道的成本和地形严重限制了传感器的密集部署，而复杂的、不可预测的地下土壤环境也阻碍了这些方法的应用。
鉴于这些挑战，本文提出了一种基于多尺度时空特征融合（MSTF-Net）的端到端方法，用于埋设HBNG管道泄漏的定位。该方法不依赖于固定的或预先优化的传感器布局，可以直接从任意分布的监测点（MPs）的时间序列数据中自动学习泄漏源位置，实现高精度的连续定位。为了确定动态氢气泄漏特性，构建了一个多尺度时间序列特征编码器，利用多尺度CNN和双向长短期记忆（BiLSTM）网络之间的协同作用来提取多尺度演变特征和长期依赖性。此外，改进的空间特征编码器结合了模型化MP的绝对位置、径向距离和周向角信息。这种方法允许模型处理具有任意空间分布的传感器配置，并消除了对先前方法中固定传感器布局的依赖。此外，自注意力机制使时空特征融合模块能够通过自适应加权池化动态识别关键MPs的泄漏位置，提高了模型的表示能力和鲁棒性。比较实验和消融实验证明了所提出方法的优异定位精度以及每个核心模块的关键作用。
方法
本节详细描述了所提出网络的总体架构、结构设计和损失函数。
氢气混合天然气泄漏的数值建模
本研究使用ANSYS Fluent 2022R2建立了多因素复杂场景模型，用于研究埋设管道中氢气混合天然气的泄漏和扩散情况。城市道路下的埋设气体管道是日常生活中常见的场景。气体管道附近的沟槽容易积聚易燃气体，增加燃烧和爆炸的风险。因此，构建了如图2（a）所示的复杂场景的泄漏和扩散模型。
结果与讨论
系统地进行了实验，以全面评估MSTF-Net的性能。首先介绍了实验设置、模型参数和评估指标。其次，进行了消融研究以分析每个核心模块的贡献。最后，比较实验表明我们的方法优于现有方法。
结论
本文提出了一种基于多尺度时空特征融合的端到端方法MSTF-Net，用于埋设管道氢气泄漏的定位。该方法解决了传统方法的挑战：固定传感器布局、依赖复杂的物理建模以及无法适应任意MP分布的问题。MSTF-Net利用多尺度CNN和BiLSTM构建了一个时间特征编码器，自动提取演变特征和长期依赖性。
林晨：撰写 – 原始草案、验证、监督、方法论、概念化。李佳梅：软件。任杰：软件。刘恒：监督。荆琦：监督。
利益冲突声明
作者声明他们没有已知的可能影响本文工作的竞争性财务利益或个人关系。
致谢
本项目得到了油气生产安全与应急技术重点实验室的应急管理部开放基金的支持，资助编号为2462025PTJS001。
