Ученые из Университета нефти и энергетических исследований (UPES) 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, при этом доля ложных тревог составила 2,47%.
Для обнаружения утечек на газопроводах сегодня используются ручные обследования, анализ изменения давления, акустические датчики, оптоволоконные системы и камеры, позволяющие обнаруживать выбросы метана. Но такие методы зачастую требуют дорогостоящего оборудования и физического участия специалистов. А некоторые плохо выявляют небольшие и медленно развивающиеся утечки. Кроме того, традиционные системы, как правило, не позволяют автоматически определять серьезность проблемы.
Индийские исследователи разработали систему MethaneGuard AI, которая непрерывно анализирует четыре показателя: концентрацию метана, давление в трубопроводе, температуру и расход газа. На их основе она относит состояние объекта к одной из четырех категорий: 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 исследователи протестировали несколько алгоритмов машинного обучения. Лучшие результаты показал Random Forest – «случайный лес», который использует множество решающих деревьев и определяет итоговый результат на основе их совокупных прогнозов. Для обучения использовалось 70% набора данных, а оставшиеся 30% – для проверки работы модели.
Наибольшее значение для распознавания утечек имела концентрация метана – на нее пришлось 58,7% значимости признаков модели. Еще 24,5% пришлось на давление и 13,9% – на расход газа, тогда как вклад температуры составил лишь около 3%. То есть 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, при этом 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. При этом обработка показаний алгоритмом занимала миллисекунды, тогда как традиционные 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.
