一种基于数字孪生的天然气管道泄漏EP-Attnsleep检测方法

本发明涉及天然气传输领域，尤其涉及一种基于数字孪生的天然气管道泄漏ep-attnsleep检测方法。

背景技术：

1、管道，作为连接城市、国家再到全球的血脉之一，承载着水、石油、化学品和天然气等各种液体和气体。这些管道系统构成了现代工业和生活的基石，为能源输送、供水和化工生产提供了不可或缺的支持。然而，管道系统的复杂性和庞大规模也使得其管理和维护面临一系列挑战，其中最为突出的问题之一是管道泄漏。管道泄漏不仅会导致贵重资源的浪费，更可能引发灾难性的后果。对于不同种类的管道，泄漏的危害程度各异，但在所有情况下，都可能威胁到人类的生命安全、环境的健康以及社会经济的可持续发展。在这个背景下，天然气管道泄漏问题尤为引人关注，因为天然气作为一种高效、清洁的能源，其泄漏不仅造成资源浪费，更可能引发严重的安全风险。

2、传统的天然气管道泄漏检测大多采用机器学习算法，例如决策树(decisiontree)、k-最近邻算法(k-nearest neighbors，knn)、支持向量机(support vectormachine，svm)、朴素贝叶斯算法(naive bayes)。决策树对于特征空间的划分过于细致会导致过度拟合，对于不稳定的数据较为敏感；knn对于维度较高的数据，计算距离较为耗时，异常值和噪声敏感会导致不稳定的检测结果；svm对于大规模数据集的处理速度相对较慢，噪声敏感会导致异常值敏感。由于机器学习算法对检测模型的训练已经不能满足检测模型的精度要求，然而深度学习通过多层神经网络的表示学习、非线性映射以及层级特征提取等原理，有效提高了天然气管道泄漏的检测精度。

3、针对上述传统机器学习方法在检测精度、数据处理和分类检测等方面存在不足，国内外学者提出了基于深度学习算法对天然气管道泄漏检测。hong li等提出了一种基于奇异值分解(svd)和变分模态分解(vmd)以及概率神经网络(pnn)地集成天然气管道泄漏检测方法，通过引入算术优化算法(aoa)改进vmd，使vmd自适应地选择最佳控制参数分解数(k)和惩罚因子α。提供了一个高效和精确的解决方案，在实际应用中，其在复杂度、计算成本、参数优化、泛化能力、实时处理能力以及模型可解释性方面仍存在一定的挑战。xuguangli等提出一种天然气管道泄漏自动报警算法，通过bhattacharyya距离(bd)测量管道输入流量和输出流量的相似度。根据bd结果选择合适的阈值，实现自动报警。在阈值选择、环境变化、数据质量、复杂泄漏模式、实时性能、泛化能力以及单一测量指标方面面临挑战，可能导致误报率或漏报率的问题。yu zhang等提出了一种基于1d-cnn和自注意力机制的天然气管道泄漏故障诊断方法，利用宽卷积1d-cnn构建具有自学习功能的故障特征基本模型，在1d-cnn的池化层后引入自注意力机制，强化重要故障信息，抑制故障特征中不相关的成分。但面临数据需求大、超参数选择、计算复杂度高、模型可解释性差、对小规模泄漏适应性差和对环境变化的鲁棒性有挑战等潜在问题。

技术实现思路

1、本发明主要是克服了现有技术中的不足之处，提供一种基于数字孪生的天然气管道泄漏ep-attnsleep检测方法。

2、为实现以上技术方法，本发明采用以下技术方案：

3、一种基于数字孪生的天然气管道泄漏ep-attnsleep检测方法，其特征在于，所述方法包括以下步骤：

4、s1:根据物理模型利用solidworks进行数字孪生模型构建；

5、s2:利用ansys对s1中构建的数字孪生模型进行仿真，将仿真的数据随机分成测试集和训练集；

6、s3:将s2生成的仿真数据输入到多分辨率卷积神经网络全捕捉到不同类型和大小的泄漏数据；

7、s4:利用多尺度自适应校准网络自适应的选择和突出最重要的特征，捕获在不同尺度上的数据特征；

8、s5:提取到s4中的特征数据通过上下文时域编码捕获特征中的复杂时间关系；

9、s6:最后通过softmax分类输出，判断天然气管道是否发生泄漏。

10、本发明所提供的一种基于数字孪生的天然气管道泄漏ep-attnsleep检测方法，以数字孪生模型为基础，通过solidworks对数字孪生模型进行构建，再对数字孪生模型通过ansys进行仿真处理，将仿真的数据通过ep-attnsleep神经网络模型进行泄漏检测，ep-attnsleep模型包含了特征提取、时域上下文编码、softmax分类三部分组成,可以更好的对天然气管道的泄漏进行检测，拥有更高的检测精度。本发明除了用于多天然气管道泄漏的检测，还可推广对其他输气管道泄漏的检测，具有广泛的推广价值。

11、有益效果：

12、与现有技术相比，本发明具有以下有益效果：

13、以数字孪生模型为基础，可以对天然气管道泄漏的检测更加智能化和信息化，数字孪生模型的构建实现了天然气管道物理实体与数据驱动的互联互通，实现了泄漏检测模型的信息互通，有效地改进了检测易受干扰地缺点，ep-attnsleep检测模型，该模型中多尺度自适应特征校准网络(multi-scale adaptive feature calibration network，mafcnet)，采用的多尺度通道注意力机制，可以自适应的选择和突出最重要的特征，捕获在不同尺度上的数据特征，使得检测精度更高。本发明除了用于多天然气管道泄漏的检测，还可推广对其他输气管道泄漏的检测，具有广泛的推广价值。

技术特征：

1.一种基于数字孪生的天然气管道泄漏ep-attnsleep检测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于数字孪生的天然气管道泄漏ep-attnsleep检测方法，其特征在于，所述步骤s1根据物理模型，通过solidworks进行建模。

3.根据权利要求1所述的一种基于数字孪生的天然气管道泄漏ep-attnsleep检测方法，其特征在于，所述步骤s2将solidworks保存为parasolid文件，后缀名为.t文件，然后导入ansys中进行仿真,将仿真的数据随机分成测试集和训练集。

4.根据权利要求1所述的一种基于数字孪生的天然气管道泄漏ep-attnsleep检测方法，其特征在于，所述步骤s3天然气管道泄漏通常会产生一系列不同频率的声音，通过采集多个频率的声波，同时多频率的采集有助于区分环境噪音和真实泄漏声音，因此利用多分辨率卷积神经网络全捕捉到不同类型和大小的泄漏数据，用具有三个具有不同卷积核大小的卷积层分支对声波信号进行提取特征，其是一个具有三个不同卷积核大小的卷积层分支，每个分支有3个卷积层和2个最大池化层，并使用高斯误差线性单元(gelu)为激活函数。

5.根据权利要求1所述的一种基于数字孪生的天然气管道泄漏ep-attnsleep检测方法，其特征在于，所述步骤s4中多尺度自适应校准网络可以自适应的选择和突出最重要的特征，捕获在不同尺度上的数据特征，其目的是重新校验多分辨率卷积神经网络学习的能力，有效的处理时间序列数据中长期和短期依赖性以提高模型其性能；其步骤如下：

6.根据权利要求1所述的一种基于数字孪生的天然气管道泄漏ep-attnsleep检测方法，其特征在于，所述步骤s5中提取到的特征数据利用时域上下文编码捕获输入特征中的复杂时间依赖关系，从而提高了模型学习时间依赖性的能力；其步骤如下：

7.根据权利要求1所述的一种基于数字孪生的天然气管道泄漏ep-attnsleep检测方法，其特征在于，所述步骤s6在softmax分类中运用多类交叉熵作为损失函数。具体公式如下所示：

技术总结
本发明公开了一种基于数字孪生的天然气管道泄漏EP‑Attnsleep检测方法，涉及到天然气管道泄漏检测技术领域，其解决了在复杂的自然环境下，天然气管道泄漏检测精度不高，检测速度慢的问题。通过数字孪生模型与深度学习相结合实现天然气管道泄漏的精准检测。首先根据物理实体通过SlidWorks建立数字孪生模型；其次，提出了EP‑Attnsleep检测模型，该模型中多尺度自适应特征校准网络，采用的多尺度通道注意力机制，可以自适应的选择和突出最重要的特征，捕获在不同尺度上的数据特征，实现了天然气管道物理实体与数据驱动的互联互通，实现了泄漏检测模型的信息互通，有效地改进了检测易受干扰地缺点。

技术研发人员：朱西平,温鑫,梁瑞超,李昌积,陈怡男,梁琳,陈惠芬,汪敏,罗小华
受保护的技术使用者：西南石油大学
技术研发日：
技术公布日：2024/5/8