基于机器学习模型的天然气管道泄漏检测

燃气管道中的泄漏检测是石油和天然气行业中一个重要且长期存在的问题。这一点尤为重要，因为管道是输送天然气最常见的方式。本研究旨在研究数据驱动的智能模型利用基本运行参数检测天然气管道微小泄漏的能力，并使用现有性能指标在智能模型之间进行比较。本项目应用观测器设计技术，使用回归-分类分层模型检测天然气管道泄漏，其中智能模型作为回归器，改进的 logistic 回归模型作为分类器。本项目使用四周的管道数据流研究了五种智能模型（梯度提升、决策树、随机森林、支持向量机和人工神经网络）。结果表明，虽然支持向量机和人工神经网络作为回归器优于其他模型，但由于其内部复杂性和所用数据量，它们在泄漏检测中并未提供最佳结果。随机森林和决策树模型最为敏感，因为它们能在约2小时内检测到名义流量0.1%的泄漏。所有智能模型在测试阶段均具有高可靠性且误报率为零。将所有智能模型的平均泄漏检测时间与文献中的实时瞬态模型进行了比较。结果表明，智能模型在泄漏检测问题中表现相对良好。该结果表明，智能模型可与实时瞬态模型配合使用，以显著改善泄漏检测结果。