CN118517643A - 用于燃气泄漏定位的方法及装置、计算机可读存储介质 - Google Patents
用于燃气泄漏定位的方法及装置、计算机可读存储介质 Download PDFInfo
- Publication number
- CN118517643A CN118517643A CN202411001451.7A CN202411001451A CN118517643A CN 118517643 A CN118517643 A CN 118517643A CN 202411001451 A CN202411001451 A CN 202411001451A CN 118517643 A CN118517643 A CN 118517643A
- Authority
- CN
- China
- Prior art keywords
- data
- gas
- soil
- simulation
- diffusion
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 239000007789 gas Substances 0.000 claims abstract description 179
- 238000009792 diffusion process Methods 0.000 claims abstract description 130
- 238000004088 simulation Methods 0.000 claims abstract description 102
- 239000002689 soil Substances 0.000 claims abstract description 94
- 238000007689 inspection Methods 0.000 claims abstract description 71
- 239000002737 fuel gas Substances 0.000 claims abstract description 40
- 239000002245 particle Substances 0.000 claims description 19
- 230000015654 memory Effects 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 12
- 230000004807 localization Effects 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 11
- 230000009286 beneficial effect Effects 0.000 description 13
- 230000006870 function Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 230000007774 longterm Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 2
- 238000009413 insulation Methods 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000000704 physical effect Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000003673 groundwater Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 238000001931 thermography Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
- F17D—PIPE-LINE SYSTEMS; PIPE-LINES
- F17D5/00—Protection or supervision of installations
- F17D5/02—Preventing, monitoring, or locating loss
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
- F17D—PIPE-LINE SYSTEMS; PIPE-LINES
- F17D5/00—Protection or supervision of installations
- F17D5/005—Protection or supervision of installations of gas pipelines, e.g. alarm
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/25—Design optimisation, verification or simulation using particle-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Mechanical Engineering (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Geometry (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computer Hardware Design (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Algebra (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Fluid Mechanics (AREA)
- Examining Or Testing Airtightness (AREA)
Abstract
本申请涉及燃气安全检测技术领域，公开一种用于燃气泄漏定位的方法及装置、计算机可读存储介质，方法包括：获取窨井内的燃气传感器监测的实时窨井燃气扩散趋势数据；根据实时窨井燃气扩散趋势数据和训练后的LSTM网络，得到预测泄漏点位置；其中，训练后的LSTM网络是以数据集中的同一泄漏点周边不同位置的燃气扩散趋势数据作为输入，泄漏点位置作为输出，训练LSTM网络生成的；数据集是由模拟数据和真实数据混合得到的；模拟数据是根据目标区域的CFD窨井土壤模拟参数和燃气管道泄漏后燃气在土壤中扩散情况的物理模型，对燃气在土壤中扩散进行三维CFD模拟得到的。该方法及时且精准地预测泄漏点位置，从而及时排除安全隐患。
Description
技术领域
本申请涉及燃气安全检测技术领域，例如涉及一种用于燃气泄漏定位的方法及装置、计算机可读存储介质。
背景技术
目前，随着我国能源结构调整进程的加快，城市燃气管网的建设也在飞速发展。由于燃气的易燃易爆特性，作为燃气输送主要手段的管道的安全性显得尤为重要。在各类安全生产事故中，燃气管道泄漏无疑对人们的生命财产安全构成了巨大威胁，在竭力避免此类事故发生的同时，也需要尽早定位泄漏点并进行相关处理。
相关技术公开一种可自由调节角度的无人机式工业危害气体泄漏检测系统，该系统可实现对多个方向的热成像检测和对不同方向的事故点检测，无需调整无人机的姿态，操作简单方便，使用灵活，很好地实现了通过直接调整成像设备方向，实现对不同事故点的情况的检测，达到既快速又方便对危险气体泄漏事故点进行观察检测的目的。
在实现本公开实施例的过程中，发现相关技术中至少存在如下问题：
通过无人车和无人机巡检来确定泄漏点位置，其准确率需要依赖于巡检的频率，若频率较小，则发现泄漏点位置会不及时且不准确，导致排除隐患不及时，影响燃气安全。
需要说明的是，在上述背景技术部分公开的信息仅用于加强对本申请的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
为了对披露的实施例的一些方面有基本的理解，下面给出了简单的概括。所述概括不是泛泛评述，也不是要确定关键／重要组成元素或描绘这些实施例的保护范围，而是作为后面的详细说明的序言。
本公开实施例提供了一种用于燃气泄漏定位的方法及装置、计算机可读存储介质，以及时且精准地预测泄漏点位置，从而及时排除安全隐患。
在一些实施例中，所述方法包括：获取窨井内的燃气传感器监测的实时窨井燃气扩散趋势数据；根据目标区域的CFD窨井土壤模拟参数和燃气管道泄漏后燃气在土壤中扩散的物理模型，对燃气在土壤中进行三维CFD模拟，得到模拟数据；以数据集中的同一泄漏点周边不同位置的燃气扩散趋势数据作为输入，泄漏点位置作为输出，训练LSTM（LongShort-Term Memory，长短期记忆网络）网络；根据实时窨井燃气扩散趋势数据和训练后的LSTM网络，得到预测泄漏点位置；其中，训练后的LSTM（Long Short-Term Memory，长短期记忆网络）网络是以数据集中的同一泄漏点周边不同位置的燃气扩散趋势数据作为输入，泄漏点位置作为输出，训练LSTM网络生成的；数据集是由模拟数据和真实数据混合得到的；模拟数据是根据目标区域的CFD（Computational Fluid Dynamics，计算流体动力学）窨井土壤模拟参数和燃气管道泄漏后燃气在土壤中扩散情况的物理模型，对燃气在土壤中扩散进行三维CFD模拟得到的。
可选地，根据目标区域的CFD窨井土壤模拟参数和燃气管道泄漏后燃气在土壤中扩散情况的物理模型，对燃气在土壤中进行三维CFD模拟，得到模拟数据，包括：对燃气管道泄漏后在土壤中扩散情况的物理模型进行网格化划分，得到网格化模型；利用目标区域的CFD窨井土壤参数对网格化模型设置边界条件；利用具有边界条件的网格化模型进行燃气在土壤中扩散情况模拟，得到模拟结果；对模拟结果进行预处理，得到模拟数据。
可选地，目标区域的CFD窨井土壤模拟参数包括：泄漏点位置，和/或，土壤孔隙率，和/或，平均颗粒直径，和/或，粘性阻力系数，和/或，惯性阻力系数，和/或，泄漏流量，和/或，土壤层的边界；其中，粘性阻力、惯性阻力是由土壤孔隙率和平均颗粒直径确定的；泄漏流量是由管道运行压力、泄漏孔直径、环境温度和环境压力确定的。
可选地，根据土壤孔隙率和平均颗粒直径确定粘性阻力系数，包括：计算；其中，α为粘性阻力系数，D p为土壤孔隙率，为平均颗粒直径。
可选地，在土壤的类型为壤土的情况下，D p的取值可以是0.43，的取值可以是0.05毫米。
可选地，根据土壤孔隙率和平均颗粒直径确定惯性阻力系数，包括：计算；其中，C 2为惯性阻力系数，D p为土壤孔隙率，为平均颗粒直径。
可选地，根据管道运行压力、泄漏孔直径、环境温度和环境压力确定泄漏流量，包括：计算Q m=C d×A×P L×√{[2×k/(k-1)]×[M×k/(R×T L)]×[(P E/P L)2/k-(P E/P L)(k+1)/k]}；其中，Q m为泄漏流量，k为气体绝热系数，T L为燃气泄漏前的环境温度，R为气体常数，P L为环境压力，C d为泄漏孔系数，M为气体摩尔质量，A为泄漏孔面积，P E为管道运行压力。
可选地，Q m的单位为千克/秒。k的取值可以是1.334。R的取值可以是8.314。P L的取值可以是一个大气压。C d是根据泄漏孔形状确定的。M的单位为千克/摩尔。A的单位可以是平方米。P E的单位可以是帕或兆帕。
具体地，根据泄漏孔形状确定C d，包括：在泄漏孔形状为圆形的情况下，C d=C d1。在泄漏孔形状为三角形的情况下，C d=C d2。在泄漏孔形状为矩形的情况下，C d=C d3。其中，C d1＞C d2＞C d3。更具体地，C d1的取值可以是1.00，C d2的取值可以是0.95，C d3的取值可以是0.90。
可选地，对模拟结果进行预处理，得到模拟数据，包括：从模拟结果中提取同一泄漏点周边不同位置的燃气扩散数据，形成扩散趋势图数据；对扩散趋势图数据进行清洗，去除异常值和噪声，得到清洁数据；对清洁数据进行归一化或标准化处理，得到模拟数据。
可选地，燃气扩散数据，包括：气体摩尔分数和扩散速度。
可选地，根据模拟数据和真实数据混合得到数据集，包括：将模拟数据和真实数据混合，得到数据集；将数据集划分为训练集、测试集、验证集，使训练集、测试集、验证集均包含模拟数据和真实数据。
可选地，根据实时燃气扩散趋势数据和训练后的LSTM网络，得到预测泄漏点位置，包括：将多个实时窨井燃气扩散趋势数据输入训练后的LSTM网络，得到预测泄漏数据；利用GIS系统将预测泄漏数据呈现为泄漏点地图。
在一些实施例中，所述装置包括：数据采集模块，被配置为获取窨井内的燃气传感器监测的实时窨井燃气扩散趋势数据；预测模块，被配置为根据实时燃气扩散趋势数据和训练后的LSTM网络，得到预测泄漏点位置；其中，训练后的LSTM网络是以数据集中的同一泄漏点周边不同位置的燃气扩散趋势数据作为输入，泄漏点位置作为输出，训练LSTM网络生成的；数据集是由模拟数据和真实数据混合得到的；模拟数据是根据目标区域的CFD窨井土壤模拟参数和燃气管道泄漏后燃气在土壤中扩散情况的物理模型，对燃气在土壤中扩散进行三维CFD模拟得到的。
在一些实施例中，所述装置，包括处理器和存储有程序指令的存储器，所述处理器被配置为在运行所述程序指令时，执行所述的用于燃气泄漏定位的方法。
在一些实施例中，所述服务器，包括：服务器本体；所述的用于燃气泄漏定位的装置，安装于服务器本体。
在一些实施例中，所述计算机可读存储介质，存储有程序指令，所述程序指令在运行时，用以使得计算机执行所述的用于燃气泄漏定位的方法。
本公开实施例提供的用于燃气泄漏定位的方法及装置、计算机可读存储介质，可以实现以下技术效果：
通过目标区域的CFD窨井土壤模拟参数和燃气管道泄漏后燃气在土壤中扩散情况的物理模型，进行三维CFD模拟，有利于获得更充足且更高质量的燃气泄漏的模拟数据。再将模拟数据和真实数据混合得到数据集，有利于提高LSTM网络的泛化能力，使其在模拟环境和真实环境中准确预测。利用同一泄漏点周边不同位置的燃气扩散趋势数据作为输入，泄漏点位置作为输出，训练LSTM网络，有利于捕捉时间序列中的长期依赖关系，从而更精准地处理窨井燃气扩散趋势数据。通过窨井内的燃气传感器检测实时窨井燃气扩散趋势数据，检测频率高于无人机或无人车，有利于更及时地获取实时窨井燃气扩散趋势数据。将窨井燃气扩散趋势数据输入LSTM网络，有利于及时且精准地预测泄漏点位置。如此，有利于提高燃气泄漏点定位的准确性和及时性，及时排除燃气泄漏的安全隐患。
以上的总体描述和下文中的描述仅是示例性和解释性的，不用于限制本申请。
附图说明
一个或多个实施例通过与之对应的附图进行示例性说明，这些示例性说明和附图并不构成对实施例的限定，附图中具有相同参考数字标号的元件示为类似的元件，附图不构成比例限制，并且其中：
图1是本公开实施例提供的一个用于燃气泄漏定位的方法的示意图；
图2是本公开实施例提供的一组在两种工况下不同位置处燃气扩散趋势图；
图3是本公开实施例提供的一组在不同位置处不同孔隙率条件下的燃气扩散趋势图；
图4是本公开实施例提供的另一个用于燃气泄漏定位的方法的示意图；
图5是本公开实施例提供的一个用于燃气泄漏定位的装置的示意图；
图6是本公开实施例提供的另一个用于燃气泄漏定位的装置的示意图；
图7是本公开实施例提供的一个服务器的示意图。
具体实施方式
为了能够更加详尽地了解本公开实施例的特点与技术内容，下面结合附图对本公开实施例的实现进行详细阐述，所附附图仅供参考说明之用，并非用来限定本公开实施例。在以下的技术描述中，为方便解释起见，通过多个细节以提供对所披露实施例的充分理解。然而，在没有这些细节的情况下，一个或多个实施例仍然可以实施。在其它情况下，为简化附图，熟知的结构和装置可以简化展示。
本公开实施例的说明书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开实施例的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含。
除非另有说明，术语“多个”表示两个或两个以上。
本公开实施例中，字符“/”表示前后对象是一种“或”的关系。例如，A/B表示：A或B。
术语“和/或”是一种描述对象的关联关系，表示可以存在三种关系。例如，A和/或B，表示：A或B，或，A和B这三种关系。
术语“对应”可以指的是一种关联关系或绑定关系，A与B相对应指的是A与B之间是一种关联关系或绑定关系。
本公开实施例提供一种服务器，服务器与窨井内的燃气传感器可以互相通信。燃气传感器用于检测窨内的实时窨井燃气扩散趋势数据。
结合图1所示，本公开实施例提供一种用于燃气泄漏定位的方法，包括：
S101，服务器获取窨井内的燃气传感器监测的实时窨井燃气扩散趋势数据。
S102，服务器根据实时窨井燃气扩散趋势数据和训练后的LSTM网络，得到预测泄漏点位置。
其中，训练后的LSTM网络是以数据集中的同一泄漏点周边不同位置的燃气扩散趋势数据作为输入，泄漏点位置作为输出，训练LSTM网络生成的；数据集是由模拟数据和真实数据混合得到的；模拟数据是根据目标区域的CFD窨井土壤模拟参数和燃气管道泄漏后燃气在土壤中扩散情况的物理模型，对燃气在土壤中扩散进行三维CFD模拟得到的。
采用本公开实施例提供的用于燃气泄漏定位的方法，通过目标区域的CFD窨井土壤模拟参数和燃气管道泄漏后燃气在土壤中扩散情况的物理模型，进行三维CFD模拟，有利于获得更充足且更高质量的燃气泄漏的模拟数据。再将模拟数据和真实数据混合得到数据集，有利于提高LSTM网络的泛化能力，使其在模拟环境和真实环境中准确预测。利用同一泄漏点周边不同位置的燃气扩散趋势数据作为输入，泄漏点位置作为输出，训练LSTM网络，有利于捕捉时间序列中的长期依赖关系，从而更精准地处理窨井燃气扩散趋势数据。通过窨井内的燃气传感器检测实时窨井燃气扩散趋势数据，检测频率高于无人机或无人车，有利于更及时地获取实时窨井燃气扩散趋势数据。将窨井燃气扩散趋势数据输入LSTM网络，有利于及时且精准地预测泄漏点位置。如此，有利于提高燃气泄漏点定位的准确性和及时性，及时排除燃气泄漏的安全隐患。
需要说明的是，目标区域表示可与服务器通信的燃气传感器所处的地理区域，也可以表示用户待寻找燃气泄漏定位的区域。燃气管道泄漏后燃气在土壤中扩散情况的物理模型是由Fusion 360、CAD软件建模得到的
可选地，服务器根据目标区域的CFD窨井土壤模拟参数和燃气管道泄漏后燃气在土壤中扩散情况的物理模型，对燃气在土壤中进行三维CFD模拟，得到模拟数据，包括：服务器对燃气管道泄漏后在土壤中扩散情况的物理模型进行网格化划分，得到网格化模型。服务器利用目标区域的CFD窨井土壤参数对网格化模型设置边界条件。服务器利用具有边界条件的网格化模型进行燃气在土壤中扩散情况模拟，得到模拟结果。服务器对模拟结果进行预处理，得到模拟数据。
这样，网格化模型将复杂的燃气管道泄漏后燃气在土壤中扩散的物理模型分解成多个小单元，每个单元具有特定的物理属性和边界条件，如此划分提高了模拟过程的精确性和可控性，为模拟结果的准确性提供基础。边界条件定义了对燃气的扩散速度和方向有直接影响的模拟区域外部环境，提高模拟的现实性和可靠性。预处理有利于将原始模拟结果转化为适合进一步分析和燃气管道泄漏后在土壤中的扩散的LSTM网络训练的格式，提高LSTM网络的准确性和效率。
可选地，目标区域的CFD窨井土壤模拟参数包括：泄漏点位置，和/或，土壤孔隙率，和/或，平均颗粒直径，和/或，粘性阻力系数，和/或，惯性阻力系数，和/或，泄漏流量，和/或，土壤层的边界。其中，粘性阻力、惯性阻力是由土壤孔隙率和平均颗粒直径确定的。泄漏流量是由管道运行压力、泄漏孔直径、环境温度和环境压力确定的。
这样，土壤孔隙率影响燃气在土壤中的扩散速度和路径，有利于更准确地预测燃气的扩散行为。平均颗粒直径决定了土壤的渗透性，影响燃气的流动和扩散。粘性阻力系数由土壤孔隙率和平均颗粒直径确定，影响燃气在土壤中的流动阻力，有利于预测燃气在不同土壤条件下的扩散速度。惯性阻力系数由土壤孔隙率和平均颗粒直径确定，影响燃气在土壤中的运动惯性，有利于模拟燃气在快速流动条件下的行为。泄漏流量由管道运行压力、泄漏孔直径、环境温度和环境压力共同决定，有利于准确模拟对于预测燃气扩散的初始强度和扩散范围。土壤层的边界条件定义了模拟区域的外部环境，如土壤类型、地下水位，有利于模拟土壤层对燃气扩散的限制作用。如此，有利于构建一个全面的土壤模拟环境，使得模拟结果更接近实际情况。
可选地，服务器根据土壤孔隙率和平均颗粒直径确定粘性阻力系数，包括：服务器计算；其中，α为粘性阻力系数，D p为土壤孔隙率，为平均颗粒直径。
具体地，在土壤的类型为壤土的情况下，D p的取值可以是0.43，的取值可以是0.05毫米。
这样，根据土壤孔隙率和平均颗粒直径确定粘性阻力系数，有利于反映出燃气在土壤中的流动阻力，有利于预测燃气在不同土壤条件下的扩散速度。
可选地，服务器根据土壤孔隙率和平均颗粒直径确定惯性阻力系数，包括：服务器计算；其中，C 2为惯性阻力系数，D p为土壤孔隙率，为平均颗粒直径。
这样，根据土壤孔隙率和平均颗粒直径确定惯性阻力系数，有利于反映出燃气在土壤中的运动惯性，有利于模拟燃气在快速流动条件下的行为。
可选地，服务器根据管道运行压力、泄漏孔直径、环境温度和环境压力确定泄漏流量，包括：服务器计算Q m=C d×A×P L×√{[2×k/(k-1)]×[M×k/(R×T L)]×[(P E/P L)2/k-(P E/P L)(k+1)/k]}；其中，Q m为泄漏流量，k为气体绝热系数，T L为燃气泄漏前的环境温度，R为气体常数，P L为环境压力，C d为泄漏孔系数，M为气体摩尔质量，A为泄漏孔面积，P E为管道运行压力。
具体地，Q m的单位为千克/秒。k的取值可以是1.334。R的取值可以是8.314。P L的取值可以是一个大气压。C d是根据泄漏孔形状确定的。M的单位为千克/摩尔。A的单位可以是平方米。P E的单位可以是帕或兆帕。
以第一种工况（P E为0.152兆帕，泄漏孔的直径为20毫米）和第二种工况（P E为0.4兆帕，泄漏孔的直径为10毫米）为例，第一种工况下计算得到的第一泄漏流量为3.71，第二种工况下计算得到的第二泄漏流量为3.74。两种工况下的在不同位置（与泄漏点位置间隔0.5米、1.0米、1.5米、2.0米、2.5米、3.0米、3.5米和4.0米位置）处，燃气扩散趋势图（横轴为时间，纵轴为气体摩尔质量）如图2所示，可以看出，即使管道运行压力和泄漏孔直径不同，若泄漏流量相同，其扩散趋势接近。
这样，根据管道运行压力、泄漏孔直径、环境温度和环境压力共同决定泄漏流量，有利于准确模拟对于预测燃气扩散的初始强度和扩散范围。
具体地，服务器根据泄漏孔形状确定C d，包括：在泄漏孔形状为圆形的情况下，C d=C d1。在泄漏孔形状为三角形的情况下，C d=C d2。在泄漏孔形状为矩形的情况下，C d=C d3。其中，C d1＞C d2＞C d3。更具体地，C d1的取值可以是1.00，C d2的取值可以是0.95，C d3的取值可以是0.90。
这样，由于圆形泄漏孔的流动特性较高，通常阻力较小，因此所对应的孔泄漏系数较大。而三角形泄漏孔的流动特性介于圆形和矩形之间，因此阻力介于圆形和矩形对应的阻力之间，同时，对应的孔泄漏系数也介于圆形和矩形对应的孔泄漏系数之间。而矩形泄漏孔由于其角部的存在，因此流动阻力最大，因此所对应的孔泄漏系数最小。如此，有利于更精准地确定泄漏流量，从而准确模拟对于预测燃气扩散的初始强度和扩散范围。
可选地，服务器对模拟结果进行预处理，得到模拟数据，包括：服务器从模拟结果中提取同一泄漏点周边不同位置的燃气扩散数据，形成扩散趋势图数据。服务器对扩散趋势图数据进行清洗，去除异常值和噪声，得到清洁数据。服务器对清洁数据进行归一化或标准化处理，得到模拟数据。具体地，服务器从模拟结果中提取同一泄漏点周边不同位置的燃气扩散数据，形成扩散趋势图数据，可以利用paraview软件。
其中，扩散趋势图数据可以形成扩散趋势图，如图3所示，本申请公开实施例提供一种在不同位置（与泄漏点位置间隔0.5米、1.0米、1.5米、2.0米、2.5米、3.0米、3.5米和4.0米位置）处，不同孔隙率（孔隙率为0.25、0.43和0.6）条件下的燃气扩散趋势图（横轴为时间，纵轴为气体摩尔质量）。
这样，通过提取燃气扩散数据，可以形成显示燃气浓度随时间和空间的变化的扩散趋势图，为进一步分析燃气扩散模式提供了直观的视图。
可选地，燃气扩散数据，包括：气体摩尔分数和扩散速度。
这样，有利于更精准地形成燃气扩散趋势图。
可选地，服务器根据模拟数据和真实数据混合得到数据集，包括：服务器将模拟数据和真实数据混合，得到数据集。服务器将数据集划分为训练集、测试集、验证集，使训练集、测试集、验证集均包含模拟数据和真实数据。
这样，数据集的划分允许LSTM网络在训练、调优、评估使用不同的数据集，且训练集、测试集、验证集均包含模拟数据和真实数据，确保LSTM网络学习到从模拟到实际应用的过渡，提高LSTM网络对真实数据的适应性。如此，有利于提高LSTM网络的泛化能力和鲁棒性。
可选地，服务器根据实时燃气扩散趋势数据和训练后的LSTM网络，得到预测泄漏点位置，包括：服务器将多个实时窨井燃气扩散趋势数据输入训练后的LSTM网络，得到预测泄漏数据。服务器利用GIS系统将预测泄漏数据呈现为泄漏点地图。
这样，将窨井燃气扩散趋势数据输入LSTM网络，有利于及时且精准地预测泄漏点位置。将预测结果以地图的形式及时可视化，使相关人员能够快速理解泄漏点的地理位置和扩散情况，大幅缩短了从检测到响应的时间，提高了应急处理速度。
结合图4所示，本公开实施例提供另一种用于燃气泄漏定位的方法，包括：
S401，服务器对燃气管道泄漏后在土壤中扩散情况的物理模型进行网格化划分，得到网格化模型。
S402，服务器利用目标区域的CFD窨井土壤参数对网格化模型设置边界条件。
S403，服务器利用有边界条件的网格化模型进行燃气在土壤中扩散情况模拟，得到模拟结果。
S404，服务器对模拟结果进行预处理，得到模拟数据。
S405，服务器根据模拟数据和真实数据混合得到数据集。
S406，服务器以数据集中的同一泄漏点周边不同位置的燃气扩散趋势数据作为输入，泄漏点位置作为输出，训练LSTM网络。
S407，服务器根据实时窨井燃气扩散趋势数据和训练后的LSTM网络，得到预测泄漏点位置。
其中，实时窨井燃气扩散趋势数据是由窨井内的燃气传感器获取的。
采用本公开实施例提供的用于燃气泄漏定位的方法，网格化模型将复杂的燃气管道泄漏后燃气在土壤中扩散情况的物理模型分解成多个小单元，每个单元具有特定的物理属性和边界条件，如此划分提高了模拟过程的精确性和可控性，为模拟结果的准确性提供基础。边界条件定义了对燃气的扩散速度和方向有直接影响的模拟区域外部环境，提高模拟的现实性和可靠性。预处理有利于将原始模拟结果转化为适合进一步分析和燃气管道泄漏后在土壤中的扩散的LSTM网络训练的格式，提高LSTM网络训练的准确性和效率。再将模拟数据和真实数据混合得到数据集，有利于提高LSTM网络的泛化能力，使其在模拟环境和真实环境中准确预测。利用同一泄漏点周边不同位置的燃气扩散趋势数据作为输入，泄漏点位置作为输出，训练LSTM网络，有利于捕捉时间序列中的长期依赖关系，从而更精准地处理窨井燃气扩散趋势数据。通过窨井内的燃气传感器检测实时窨井燃气扩散趋势数据，检测频率高于无人机或无人车，有利于更及时地获取实时窨井燃气扩散趋势数据。将窨井燃气扩散趋势数据输入LSTM网络，有利于及时且精准地预测泄漏点位置。如此，有利于提高燃气泄漏点定位的准确性和及时性，及时排除燃气泄漏的安全隐患。
结合图5所示，本公开实施例提供一种用于燃气泄漏定位的装置200，包括数据采集模块501和预测模块502。数据采集模块501，被配置为获取窨井内的燃气传感器监测的实时窨井燃气扩散趋势数据；预测模块502，被配置为根据实时燃气扩散趋势数据和训练后的LSTM网络，得到预测泄漏点位置。其中，训练后的LSTM网络是以数据集中的同一泄漏点周边不同位置的燃气扩散趋势数据作为输入，泄漏点位置作为输出，训练LSTM网络生成的；数据集是由模拟数据和真实数据混合得到的；模拟数据是根据目标区域的CFD窨井土壤模拟参数和燃气管道泄漏后燃气在土壤中扩散情况的物理模型，对燃气在土壤中扩散进行三维CFD模拟得到的。
采用本公开实施例提供的用于燃气泄漏定位的装置200，通过目标区域的CFD窨井土壤模拟参数和燃气管道泄漏后燃气在土壤中扩散情况的物理模型，进行三维CFD模拟，有利于获得更充足且更高质量的燃气泄漏的模拟数据。再将模拟数据和真实数据混合得到数据集，有利于提高LSTM网络的泛化能力，使其在模拟环境和真实环境中准确预测。利用同一泄漏点周边不同位置的燃气扩散趋势数据作为输入，泄漏点位置作为输出，训练LSTM网络，有利于捕捉时间序列中的长期依赖关系，从而更精准地处理窨井燃气扩散趋势数据。通过窨井内的燃气传感器检测实时窨井燃气扩散趋势数据，检测频率高于无人机或无人车，有利于更及时地获取实时窨井燃气扩散趋势数据。将窨井燃气扩散趋势数据输入LSTM网络，有利于及时且精准地预测泄漏点位置。如此，有利于提高燃气泄漏点定位的准确性和及时性，及时排除燃气泄漏的安全隐患。
结合图6所示，本公开实施例提供一种用于燃气泄漏定位的装置70，包括处理器（processor）700和存储器（memory）701。可选地，该装置70还可以包括通信接口（Communication Interface）702和总线703。其中，处理器700、通信接口702、存储器701可以通过总线703完成相互间的通信。通信接口702可以用于信息传输。处理器700可以调用存储器701中的逻辑指令，以执行上述实施例的用于燃气泄漏定位的方法。
此外，上述的存储器701中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。
存储器701作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序，如本公开实施例中的方法对应的程序指令/模块。处理器700通过运行存储在存储器701中的程序指令/模块，从而执行功能应用以及数据处理，即实现上述实施例中用于燃气泄漏定位的方法。
存储器701可包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端设备的使用所创建的数据等。此外，存储器701可以包括高速随机存取存储器，还可以包括非易失性存储器。
结合图7所示，本公开实施例提供了一种服务器100，包括：服务器本体，以及上述的用于燃气泄漏定位的装置200（70）。用于燃气泄漏定位的装置200（70）安装于服务器本体。这里所表述的安装关系，并不仅限于在服务器本体的内部放置，还包括了与服务器100的其他元器件的安装连接，包括但不限于物理连接、电性连接或者信号传输连接等。本领域技术人员可以理解的是，用于燃气泄漏定位的装置200（70）可以适配于可行的服务器主体，进而实现其他可行的实施例。
本公开实施例提供了一种计算机可读存储介质，存储有计算机可执行指令，所述计算机可执行指令设置为执行上述用于燃气泄漏定位的方法。
本公开实施例的技术方案可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括一个或多个指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本公开实施例所述方法的全部或部分步骤。而前述的存储介质可以是非暂态存储介质，例如：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等多种可以存储程序代码的介质。
以上描述和附图充分地示出了本公开的实施例，以使本领域的技术人员能够实践它们。其他实施例可以包括结构的、逻辑的、电气的、过程的以及其他的改变。实施例仅代表可能的变化。除非明确要求，否则单独的部件和功能是可选的，并且操作的顺序可以变化。一些实施例的部分和特征可以被包括在或替换其他实施例的部分和特征。而且，本申请中使用的用词仅用于描述实施例并且不用于限制权利要求。如在实施例以及权利要求的描述中使用的，除非上下文清楚地表明，否则单数形式的“一个”（a）、“一个”（an）和“所述”（the）旨在同样包括复数形式。类似地，如在本申请中所使用的术语“和/或”是指包含一个或一个以上相关联的列出的任何以及所有可能的组合。另外，当用于本申请中时，术语“包括”（comprise）及其变型“包括”（comprises）和/或包括（comprising）等指陈述的特征、整体、步骤、操作、元素，和/或组件的存在，但不排除一个或一个以上其它特征、整体、步骤、操作、元素、组件和/或这些的分组的存在或添加。在没有更多限制的情况下，由语句“包括一个…”限定的要素，并不排除在包括所述要素的过程、方法或者设备中还存在另外的相同要素。本文中，每个实施例重点说明的可以是与其他实施例的不同之处，各个实施例之间相同相似部分可以互相参见。对于实施例公开的方法、产品等而言，如果其与实施例公开的方法部分相对应，那么相关之处可以参见方法部分的描述。
本领域技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，可以取决于技术方案的特定应用和设计约束条件。所述技术人员可以对每个特定的应用来使用不同方法以实现所描述的功能，但是这种实现不应认为超出本公开实施例的范围。所述技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本文所披露的实施例中，所揭露的方法、产品（包括但不限于装置、设备等），可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，可以仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例。另外，在本公开实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
附图中的流程图和框图显示了根据本公开实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这可以依所涉及的功能而定。在附图中的流程图和框图所对应的描述中，不同的方框所对应的操作或步骤也可以以不同于描述中所披露的顺序发生，有时不同的操作或步骤之间不存在特定的顺序。例如，两个连续的操作或步骤实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这可以依所涉及的功能而定。框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
Claims (10)
1.一种用于燃气泄漏定位的方法，其特征在于，包括：
获取窨井内的燃气传感器监测的实时窨井燃气扩散趋势数据；
根据实时窨井燃气扩散趋势数据和训练后的LSTM网络，得到预测泄漏点位置；
其中，训练后的LSTM网络是以数据集中的同一泄漏点周边不同位置的燃气扩散趋势数据作为输入，泄漏点位置作为输出，训练LSTM网络生成的；数据集是由模拟数据和真实数据混合得到的；模拟数据是根据目标区域的CFD窨井土壤模拟参数和燃气管道泄漏后燃气在土壤中扩散情况的物理模型，对燃气在土壤中扩散进行三维CFD模拟得到的。
2.根据权利要求1所述的方法，其特征在于，根据目标区域的CFD窨井土壤模拟参数和燃气管道泄漏后燃气在土壤中扩散情况的物理模型，对燃气在土壤中进行三维CFD模拟，得到模拟数据，包括：
对燃气管道泄漏后在土壤中扩散情况的物理模型进行网格化划分，得到网格化模型；
利用目标区域的CFD窨井土壤参数对网格化模型设置边界条件；
利用具有边界条件的网格化模型进行燃气在土壤中扩散情况模拟，得到模拟结果；
对模拟结果进行预处理，得到模拟数据。
3.根据权利要求2所述的方法，其特征在于，目标区域的CFD窨井土壤模拟参数包括：泄漏点位置，和/或，土壤孔隙率，和/或，平均颗粒直径，和/或，粘性阻力系数，和/或，惯性阻力系数，和/或，泄漏流量，和/或，土壤层的边界；其中，粘性阻力、惯性阻力是由土壤孔隙率和平均颗粒直径确定的；泄漏流量是由管道运行压力、泄漏孔直径、环境温度和环境压力确定的。
4.根据权利要求2所述的方法，其特征在于，对模拟结果进行预处理，得到模拟数据，包括：
从模拟结果中提取同一泄漏点周边不同位置的燃气扩散数据，形成扩散趋势图数据；
对扩散趋势图数据进行清洗，去除异常值和噪声，得到清洁数据；
对清洁数据进行归一化或标准化处理，得到模拟数据。
5.根据权利要求1至4任一项所述的方法，其特征在于，根据模拟数据和真实数据混合得到数据集，包括：
将模拟数据和真实数据混合，得到数据集；
将数据集划分为训练集、测试集、验证集，使训练集、测试集、验证集均包含模拟数据和真实数据。
6.根据权利要求1至4任一项所述的方法，其特征在于，根据实时燃气扩散趋势数据和训练后的LSTM网络，得到预测泄漏点位置，包括：
将多个实时窨井燃气扩散趋势数据输入训练后的LSTM网络，得到预测泄漏数据；
利用GIS系统将预测泄漏数据呈现为泄漏点地图。
7.根据权利要求1至4任一项所述的方法，其特征在于，燃气扩散数据，包括：气体摩尔分数和扩散速度。
8.一种用于燃气泄漏定位的装置，其特征在于，包括：
数据采集模块，被配置为获取窨井内的燃气传感器监测的实时窨井燃气扩散趋势数据；
预测模块，被配置为根据实时燃气扩散趋势数据和训练后的LSTM网络，得到预测泄漏点位置；
其中，训练后的LSTM网络是以数据集中的同一泄漏点周边不同位置的燃气扩散趋势数据作为输入，泄漏点位置作为输出，训练LSTM网络生成的；数据集是由模拟数据和真实数据混合得到的；模拟数据是根据目标区域的CFD窨井土壤模拟参数和燃气管道泄漏后燃气在土壤中扩散情况的物理模型，对燃气在土壤中扩散进行三维CFD模拟得到的。
9.一种用于燃气泄漏定位的装置，包括处理器和存储有程序指令的存储器，其特征在于，所述处理器被配置为在运行所述程序指令时，执行如权利要求1至7任一项所述的用于燃气泄漏定位的方法。
10.一种计算机可读存储介质，存储有程序指令，其特征在于，所述程序指令在运行时，用以使得计算机执行如权利要求1至7任一项所述的用于燃气泄漏定位的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202411001451.7A CN118517643A (zh) | 2024-07-25 | 2024-07-25 | 用于燃气泄漏定位的方法及装置、计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202411001451.7A CN118517643A (zh) | 2024-07-25 | 2024-07-25 | 用于燃气泄漏定位的方法及装置、计算机可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118517643A true CN118517643A (zh) | 2024-08-20 |
Family
ID=92274526
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202411001451.7A Pending CN118517643A (zh) | 2024-07-25 | 2024-07-25 | 用于燃气泄漏定位的方法及装置、计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118517643A (zh) |
Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110043806A (zh) * | 2019-05-16 | 2019-07-23 | 哈尔滨工业大学 | 基于两点寻优溯源定位燃气直埋管线泄漏点的方法 |
| CN110242865A (zh) * | 2019-07-09 | 2019-09-17 | 北京讯腾智慧科技股份有限公司 | 一种易于持续优化的燃气泄漏检测判定方法及系统 |
| WO2021197244A1 (zh) * | 2020-03-31 | 2021-10-07 | 长安大学 | 基于水下传感器网络的输油管道漏油点与漏油速率的探测方法 |
| CN114239193A (zh) * | 2021-10-20 | 2022-03-25 | 北京市燃气集团有限责任公司 | 燃气管道泄漏仿真模拟方法及装置 |
| CN114352947A (zh) * | 2021-12-08 | 2022-04-15 | 天翼物联科技有限公司 | 一种燃气管道泄漏检测方法、系统、装置及存储介质 |
| CN114841031A (zh) * | 2022-03-07 | 2022-08-02 | 中国人民解放军陆军防化学院 | 一种三维虚拟训练环境中模拟有毒有害气体扩散浓度的计算方法 |
| CN115081340A (zh) * | 2022-07-23 | 2022-09-20 | 北京云庐科技有限公司 | 一种基于仿真与深度学习的微型管廊气体监测方法及系统 |
| CN115100822A (zh) * | 2022-04-06 | 2022-09-23 | 合肥泽众城市智能科技有限公司 | 一种燃气泄漏风险预警分级方法 |
| CN115730535A (zh) * | 2022-11-29 | 2023-03-03 | 西北大学 | 一种基于气体监测的人工智能逆向溯源定漏方法 |
| CN115930116A (zh) * | 2022-12-21 | 2023-04-07 | 合肥泽众城市智能科技有限公司 | 一种基于时间与风险维度的燃气管线泄漏定位方法 |
| CN219495598U (zh) * | 2023-03-14 | 2023-08-08 | 湖南省特种设备检验检测研究院 | 一种隧道内埋地燃气管道泄漏扩散模拟实验系统 |
| CN117034740A (zh) * | 2023-07-10 | 2023-11-10 | 重庆大学 | 隧道内可燃气体泄漏源定位与泄漏速率预测方法及系统 |
| CN117316322A (zh) * | 2023-10-10 | 2023-12-29 | 安徽辉采科技有限公司 | 一种地下燃气管道最早泄漏溯源方法 |
| KR20240054633A (ko) * | 2022-10-19 | 2024-04-26 | 주식회사 엘지유플러스 | 가스 누출 조기 경보 방법, 서버 및 시스템 |
| CN118094147A (zh) * | 2024-02-18 | 2024-05-28 | 西安理工大学 | 基于变分模态分解和双向长短期网络的管道泄漏定位方法 |
| CN118088944A (zh) * | 2024-03-20 | 2024-05-28 | 北京无线电计量测试研究所 | 一种燃气管网泄漏监测方法和系统 |
| CN118313312A (zh) * | 2024-05-24 | 2024-07-09 | 清华大学合肥公共安全研究院 | 燃气管道泄漏模拟方法、装置及电子设备 |
-
2024
- 2024-07-25 CN CN202411001451.7A patent/CN118517643A/zh active Pending
Patent Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110043806A (zh) * | 2019-05-16 | 2019-07-23 | 哈尔滨工业大学 | 基于两点寻优溯源定位燃气直埋管线泄漏点的方法 |
| CN110242865A (zh) * | 2019-07-09 | 2019-09-17 | 北京讯腾智慧科技股份有限公司 | 一种易于持续优化的燃气泄漏检测判定方法及系统 |
| WO2021197244A1 (zh) * | 2020-03-31 | 2021-10-07 | 长安大学 | 基于水下传感器网络的输油管道漏油点与漏油速率的探测方法 |
| CN114239193A (zh) * | 2021-10-20 | 2022-03-25 | 北京市燃气集团有限责任公司 | 燃气管道泄漏仿真模拟方法及装置 |
| CN114352947A (zh) * | 2021-12-08 | 2022-04-15 | 天翼物联科技有限公司 | 一种燃气管道泄漏检测方法、系统、装置及存储介质 |
| CN114841031A (zh) * | 2022-03-07 | 2022-08-02 | 中国人民解放军陆军防化学院 | 一种三维虚拟训练环境中模拟有毒有害气体扩散浓度的计算方法 |
| CN115100822A (zh) * | 2022-04-06 | 2022-09-23 | 合肥泽众城市智能科技有限公司 | 一种燃气泄漏风险预警分级方法 |
| CN115081340A (zh) * | 2022-07-23 | 2022-09-20 | 北京云庐科技有限公司 | 一种基于仿真与深度学习的微型管廊气体监测方法及系统 |
| KR20240054633A (ko) * | 2022-10-19 | 2024-04-26 | 주식회사 엘지유플러스 | 가스 누출 조기 경보 방법, 서버 및 시스템 |
| CN115730535A (zh) * | 2022-11-29 | 2023-03-03 | 西北大学 | 一种基于气体监测的人工智能逆向溯源定漏方法 |
| CN115930116A (zh) * | 2022-12-21 | 2023-04-07 | 合肥泽众城市智能科技有限公司 | 一种基于时间与风险维度的燃气管线泄漏定位方法 |
| CN219495598U (zh) * | 2023-03-14 | 2023-08-08 | 湖南省特种设备检验检测研究院 | 一种隧道内埋地燃气管道泄漏扩散模拟实验系统 |
| CN117034740A (zh) * | 2023-07-10 | 2023-11-10 | 重庆大学 | 隧道内可燃气体泄漏源定位与泄漏速率预测方法及系统 |
| CN117316322A (zh) * | 2023-10-10 | 2023-12-29 | 安徽辉采科技有限公司 | 一种地下燃气管道最早泄漏溯源方法 |
| CN118094147A (zh) * | 2024-02-18 | 2024-05-28 | 西安理工大学 | 基于变分模态分解和双向长短期网络的管道泄漏定位方法 |
| CN118088944A (zh) * | 2024-03-20 | 2024-05-28 | 北京无线电计量测试研究所 | 一种燃气管网泄漏监测方法和系统 |
| CN118313312A (zh) * | 2024-05-24 | 2024-07-09 | 清华大学合肥公共安全研究院 | 燃气管道泄漏模拟方法、装置及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20170323039A1 (en) | Anomaly localization in a pipeline | |
| Cannata et al. | Two-dimensional dam break flooding simulation: a GIS-embedded approach | |
| Zhang et al. | SenStore: A scalable cyberinfrastructure platform for implementation of data-to-decision frameworks for infrastructure health management | |
| Papadopoulou et al. | Optimal sensor placement for time-dependent systems: Application to wind studies around buildings | |
| CN107917341B (zh) | 一种输油管道泄漏检测方法及装置 | |
| CN104657573A (zh) | 用于三维空间的泄漏气体扩散预测方法 | |
| CN117275209B (zh) | 一种基于分布式光纤声波传感的监测预警方法以及相关装置 | |
| KR101742537B1 (ko) | 표적 추적 결과 정확도 향상을 위한 복수 유동모델 운영 시스템 | |
| CN113837451B (zh) | 油气管道的数字孪生体构建方法、装置、设备及存储介质 | |
| Ghaith et al. | Digital twin: a city-scale flood imitation framework | |
| GB2472675A (en) | Virtual reservoir sensor | |
| CN115100819B (zh) | 基于大数据分析的滑坡灾害预警方法、装置及电子设备 | |
| CN114693114A (zh) | 地下空间结构的监测方法、装置、计算机设备及存储介质 | |
| Li et al. | Symbolization‐based differential evolution strategy for identification of structural parameters | |
| CN118278320B (zh) | 一种基于水动力模拟的内河航道通航预警方法及系统 | |
| CN118517643A (zh) | 用于燃气泄漏定位的方法及装置、计算机可读存储介质 | |
| JP7288229B2 (ja) | 管路脆弱性推定システム、管路脆弱性推定方法、モデル作成装置、およびプログラム | |
| CN105911984B (zh) | 降低学习到错误的车辆行驶直线方向的概率的方法及装置 | |
| CN118364749A (zh) | 基于数字孪生底板的城市地区水库溃坝洪水演进模拟方法及系统 | |
| CN118228414A (zh) | 一种基于bim技术的管道支吊架自动选型系统及使用方法 | |
| Ju et al. | Automatic modal frequency identification of bridge cables under influence of abnormal monitoring data | |
| CN114708699B (zh) | 基于cim的建筑运维监控报警系统及方法 | |
| Hong et al. | Numerical Simulation Research of Fire Behavior and Evacuation in Underground Interchanges | |
| CN117034806A (zh) | 一种基于流固耦合的埋地管线风险评估方法和装置 | |
| Cronin et al. | Bridging the Gap: commodifying infrastructure spatial dynamics with crowdsourced smartphone data |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |