基于红外成像的氢气混合天然气站管道微泄漏风险早期预警方法

《International Journal of Hydrogen Energy》：Infrared imaging-based early warning method for pipeline micro-leakage risks in hydrogen-blended natural gas station

提出基于红外成像的氢混天然气管道微泄漏预警方法，构建包含多种工况的MultiGasVid数据集，改进YOLOv11模型为GAS-YOLO算法，集成多尺度优化和注意力机制模块，实现实时分级监测，有效提升泄漏检测精度与效率。

　　

徐青青|王一帆|史从玲|车洪雷|张来斌

中国安全科学技术研究院北京地铁火灾与客运运输安全重点实验室，北京，100012，中国

摘要

目前，氢气混合天然气管道运输是最高效和最经济的运输方式。然而，由于氢脆、腐蚀和地质变化等因素，氢气混合天然气站内的工艺管道在运行过程中容易发生微泄漏。在氢气混合天然气站的早期预警中利用红外成像技术具有多种优势，包括非接触式检测、远距离检测能力和高精度。然而，仍存在一些挑战，如智能监控和识别算法的适应性有限、红外图像数据集不足，以及无法实现分层监控和预警系统。本文提出了一种基于红外成像的氢气混合天然气站管道微泄漏风险预警方法，旨在解决上述核心问题。首先，设计并构建了一个用于氢气混合天然气工艺管道的实验平台。通过实验获得了多种工作条件下的管道微泄漏红外图像数据集（MultiGasVid）。其次，采用YOLOv11目标检测模型作为监控算法，并结合了注意力机制，开发出了GAS-YOLO模型，这是一种实时分层定量监控管道微泄漏的算法。最后，对MultiGasVid数据集进行了训练和测试，结果表明本文提出的GAS-YOLO模型在性能上优于原始的YOLOv11目标检测模型。

引言

管道运输被认为是运输氢能源最经济的方式。然而，现有的氢运输管道基础设施有限，这阻碍了实现大规模运输的目标。研究表明，战略性地重新利用现有的天然气管道进行氢运输有助于氢气和天然气的混合[1]，从而显著降低氢运输成本。氢气和甲烷在物理和化学性质上存在显著差异。管道钢材强度的增加会导致其对氢脆的敏感性增加[2]，因此氢气混合天然气管道的泄漏倾向更大[3]。例如，2011年，中国宏泰生化公司的一条管道焊缝在高浓度氢气环境下长时间运行后出现了微小缺陷，由于未能及时发现该缺陷，导致氢气泄漏，随后采取的补救措施不当引发了爆炸。2019年，美国Enbridge公司的一条天然气管道因长期存在的硬点缺陷发生氢诱导裂纹而破裂，泄漏的天然气遇到火源后发生爆炸，造成多人伤亡。此外，混合气体通常具有较低的点火能量、燃烧速度更快且燃烧更剧烈，这大大增加了爆炸的可能性[4]。同时，使用二氧化碳作为缓冲气体与氢气混合可能会影响提取气体的质量并使操作程序复杂化[5]。因此，及时检测和识别管道泄漏对于确保氢气混合天然气站的安全运行至关重要。

可燃气体检测的研究可以追溯到19世纪初。经过两个世纪的发展，目前主流的气体检测方法包括基于半导体的、电化学的、激光和声学检测方法。这些方法的原理和应用在表1中详细说明。

其中，基于半导体的和电化学的方法属于接触式检测技术。然而，在检测过程中直接接触泄漏气体会对检测人员构成风险。虽然激光和声学检测方法不需要直接接触泄漏气体，但它们都受到环境干扰信号和温度变化的影响[11]。作为典型的非接触式检测方法，红外成像技术具有高精度、快速响应和无化学反应等优点。此外，它对环境影响的抵抗力强，近年来在气体泄漏检测领域得到了广泛应用。

尽管红外成像技术具有诸多优势，但确定泄漏位置和评估泄漏严重程度仍然具有挑战性。近年来，深度学习方法在视频图像处理和目标检测方面的成功促使研究人员探索将深度学习算法应用于红外成像中的气体泄漏检测。卷积神经网络是一类在图像分类领域取得显著成就的深度学习方法[12]。目前每种深度学习算法的研究现状总结在表2中。

You Only Look Once (YOLO)系列算法是基于卷积神经网络的目标检测框架，通过单阶段网络设计、多尺度特征融合和高效损失函数实现了“实时”和“准确”的目标检测。此外，该模型在计算机视觉任务的泛化和实时能力方面表现出色。目前YOLO算法在气体检测方面的研究现状总结在表3中。

总之，现代基于深度学习的泄漏检测算法已经能够在一定程度上实现泄漏的识别和定位。然而，在应用过程中仍存在一些关键问题。首先，大多数公共数据集是单一气体泄漏的图像数据，混合气体数据集相对较少。其次，现有研究尚未实现微泄漏的准确识别和监控，且泄漏程度无法量化。第三，现有的YOLO算法在气体泄漏图像检测方面存在不足，包括特征提取能力不佳、推理速度慢和计算成本过高。

针对上述问题，本文提出了以下创新：

(1)

建立了用于氢气混合天然气管道微泄漏的红外成像数据集。

(2)

根据特定运行条件和相关标准，提出了氢气混合天然气泄漏风险评级表。

(3)

开发了GAS-YOLO算法模型，该模型集成了多尺度优化模块、多尺度特征表示模块和平衡注意力机制模块。

本文的结构如下：第1节介绍了气体泄漏红外成像监控的机制，主要分析了被动红外成像的技术原理和基于深度学习的气体红外成像监控方法。第2节介绍了氢气混合天然气管道泄漏监控实验，收集了多种工作条件下的氢气混合天然气微泄漏图像。第3节构建了大规模多工作条件下的氢气混合天然气管道泄漏红外图像数据集，并开发了基于GAS-YOLO算法的实时监控系统。第4节验证了管道微泄漏风险的分类监控和预警功能。

部分摘录

气体的被动红外成像原理

被动红外成像监控技术通过测量气体路径和非气体路径之间的辐射差异来检测气体泄漏。当发生气体泄漏时，即成像设备与周围介质之间存在气体时，成像设备接收到的总辐射I_G由三部分组成：气体本身发出的辐射、通过气体传播的背景辐射以及环境外部空间直接发出的辐射。

平台解决方案设计

油气集输站平台是根据实际工艺管道的集输模型建立的。首先，建立了一条氢气混合天然气管道，并设置了泄漏区域。然后选择了合适的红外成像设备、特定型号的气体泄漏率测量设备和实时浓度测量装置。最后，收集了气体泄漏视频、泄漏率数据和浓度数据。

氢气混合天然气管道泄漏的红外视频

初步实验表明，2毫米大小的泄漏孔径的泄漏率超出了所用测量设备的最大测量范围，因此不在本实验的考虑范围内。同时，直径小于0.1毫米的泄漏孔径的泄漏率极低，缺乏实验意义。本研究选择了

泄漏气体类型的识别

根据上述标签分类标准，对泄漏气体类型进行了标签分类，并对原始模型和改进模型进行了训练。混合气体中的氢气比例分别为0%、10%、20%和30%，分别标记为“0%h2”、“10%h2”、“20%h2”和“30%h2”。命名格式为“氢含量比例 + h + 泄漏孔径大小 + 管道运行压力 + 稳定性”，例如“0h0.1mm0.1MPastable”。

结论

本文通过红外成像实验创建了MultiGasVid数据集，用于检测氢气混合天然气管道中的微泄漏。基于相关标准，开发了一种风险预警分类策略，可以根据泄漏率对氢气混合天然气泄漏进行风险预警分类。本文提出了GAS-YOLO模型，该模型专门用于检测氢气混合天然气管道中的微泄漏。

CRediT作者贡献声明

徐青青：监督、项目管理、方法论、资金获取、概念构思。王一帆：撰写——初稿、软件开发、方法论、调查。史从玲：验证、正式分析、数据整理。车洪雷：可视化、方法论、调查。张来斌：撰写——审稿与编辑、监督、资源协调、资金获取。

利益冲突声明

作者声明他们没有已知的可能会影响本文工作的财务利益或个人关系。

致谢

本研究得到了中国海洋石油研究院Open Fund Project（编号202527023474）、中国国家自然科学基金（编号U25B20227）以及中国企业委托基金（编号HX20240749）的支持。