基于图神经网络的 DeepONet 方法用于变工况下氢化气天然气流动的实时估计
机器学习
2025-04-15 v1 系统与控制
系统与控制
摘要
将绿色氢气混合到天然气中是一个促进可再生能源集成和燃料脱碳的有前景的做法。 accurately 估计氢化气天然气 (HENG) 油气管网中氢气分数的挑战在于其复杂的动力学特性，这对于运营安全和效率至关重要。虽然现有的基于数据的方法通常采用端到端的架构进行 HENG 流动状态估计，但其对不同运营条件的适应性有限，限制了实际应用。为此，本研究提出了一种基于图神经网络的 DeepONet 框架，用于 HENG 流动的实时估计，尤其是氢气分数。首先，采用分支网络和主干网络的双网络架构来刻画运营条件和稀疏传感器测量，以估计 HENG 在特定位置和时间点的状态。其次，提出一种图增强分支网络，以纳入管道拓扑结构，提高大规模管网估计精度。实验结果表明，所提方法在变工况下相较于传统方法，能够实现更高的 HCNG 流动估计精度。
引用
@article{arxiv.2504.08816,
title = {A Graph-Enhanced DeepONet Approach for Real-Time Estimating Hydrogen-Enriched Natural Gas Flow under Variable Operations},
author = {Sicheng Liu and Hongchang Huang and Bo Yang and Mingxuan Cai and Xu Yang and Xinping Guan},
journal= {arXiv preprint arXiv:2504.08816},
year = {2025}
}