Ученые из Университета нефти и энергетических исследований в Индии разработали систему на основе машинного обучения, которая способна выявлять утечки метана из газопроводов и газораспределительных станций и автоматически оценивать их масштаб. В ходе испытаний на смоделированных данных алгоритм правильно определял состояние трубопровода в 93,67% случаев, а доля ложных тревог составила лишь 2,47%.
В настоящее время для обнаружения утечек на газопроводах используются ручные обследования, анализ изменения давления, акустические датчики, оптоволоконные системы и камеры, позволяющие обнаруживать выбросы метана. Но эти методы требуют дорогостоящего оборудования, плохо выявляют небольшие и медленно развивающиеся утечки, а также не позволяют автоматически определять серьезность проблемы.
Индийские ученые разработали систему MethaneGuard AI, которая непрерывно анализирует концентрацию метана, давление в трубопроводе, температуру и расход газа. На их основе она относит состояние объекта к одной из таких категорий, как нормальная работа, небольшая, средняя или серьезная утечка. Таким образом, оператор может получить информацию не только о возникновении проблемы, но и о ее предполагаемом масштабе.
Поскольку реальные данные об авариях на газопроводах труднодоступны, для обучения системы ученые сформировали набор из 1000 искусственно сгенерированных записей, имитирующих показания промышленных датчиков. Из них 500 соответствовали нормальной работе, 250 − небольшим утечкам, 150 − средним и 100 − серьезным. При моделировании с увеличением масштаба утечки росла концентрация метана и одновременно снижались давление и расход газа. Например, при нормальной работе средняя концентрация метана составляла 48 ppm, а давление − 102 psi, тогда как при серьезной утечке − 78 ppm и 84 psi, соответственно.
На этих данных ученые протестировали несколько алгоритмов машинного обучения. Лучшие результаты показал Random Forest, который использует множество решающих деревьев и определяет итоговый результат на основе их совокупных прогнозов.
Наибольшее значение для распознавания утечек имела концентрация метана (58,7% значимости признаков модели), доля давления составила 24,5%, а доля расхода газа − 13,9%, тогда как вклад температуры насчитывал лишь около 3%. Таким образом, концентрация метана и давление вместе обеспечивали более 83% информации, на которую опирался алгоритм при классификации.
Лучше всего система распознавала серьезные утечки. Из 30 таких случаев в тестовой выборке она правильно определила 29, ни одно другое состояние трубопровода ошибочно не было принято за серьезную утечку. Сложнее всего оказалось выявлять небольшие утечки. Из 75 случаев система правильно распознала 67, четыре приняла за нормальную работу и еще четыре − за утечки средней тяжести. Обработка показаний алгоритмом занимала миллисекунды, тогда как привычные методы мониторинга могут требовать от нескольких часов до нескольких дней.
Для системы также разработали веб-панель, на которой в реальном времени отображаются показания датчиков, их изменение и определенный алгоритмом уровень утечки. При обнаружении отклонений система автоматически предупреждает оператора. В дальнейшем к ней можно будет подключить реальные датчики на газопроводах и газораспределительных станциях, а также интегрировать ее с промышленным интернетом вещей и цифровыми двойниками.
Пока разработка остается программным прототипом. Модель обучалась и испытывалась только на искусственно сгенерированных данных, тогда как показания реальных газопроводов отличаются более сложными взаимосвязями и изменениями во времени. Поэтому следующим этапом должна стать проверка системы на физических датчиках и реальных эксплуатационных данных.
