集成计算流体动力学（CFD）、贝叶斯优化和深度学习技术在海上可再生能源平台氢气泄漏检测中的应用

《International Journal of Hydrogen Energy》：Integrated CFD, Bayesian optimization, and deep learning for hydrogen leak detection on offshore renewable-energy platforms

本研究针对海上可再生能源平台氢气泄漏检测难题，构建了融合CFD模拟、贝叶斯传感器布局优化与Transformer-LSTM深度学习的综合框架。通过生成420种泄漏场景的时序浓度数据集，优化后传感器数量减少73%（140→38），保持97.83%场景覆盖，预测准确率达99.5%，显著降低部署成本。

　　

金志辉|郭星星|方浩|张子飞|张伟军|唐存文|魏作军

教育部生物质化学工程重点实验室，浙江大学化学与生物工程学院，杭州，310058，中国

摘要

由于海洋环境的复杂性，高效检测和定位海上可再生能源平台上的氢气泄漏至关重要。本研究提出了一个集成CFD仿真、贝叶斯传感器布局优化和深度学习的框架。通过使用140个虚拟传感器对420个CFD模拟的泄漏场景生成的时间序列氢浓度数据集，以支持优化和建模。考虑到传感器数量和维护的限制，在场景覆盖范围、首次响应时间和空间覆盖范围的指导下，贝叶斯优化将传感器网络从140个减少到23个，同时保持了性能。在优化数据上训练了一个Transformer-LSTM神经网络来预测泄漏。通过将预测精度与贝叶斯优化相结合，共同优化了传感器布置和模型性能，最终配置了38个传感器，预测精度达到99.5%，部署成本降低了73%，同时保持了97.83%的场景覆盖率。该框架展示了一种成本效益高的传感器部署和氢气泄漏预测方法。

引言

随着全球环境挑战和能源危机的加剧，作为一种清洁高效的可再生能源载体，氢能源正在推动全球能源结构的转型[1,2]。特别是，海上可再生能源平台从海上风能、太阳能或潮汐能中发电，并可以利用多余的电力生产氢气，然后将其储存和运输作为能源[3]。然而，氢气极易泄漏和快速扩散，其储存和运输通常依赖于高压设备。一旦发生泄漏，可能会引发严重的安全事故，威胁平台运行和人员安全。因此，合理部署氢气传感器以实现准确监测和快速检测对于确保海上平台安全和推进氢能源产业至关重要[4]。

目前，关于氢气泄漏监测的研究主要集中在处理氢气或其他危险气体的化学车间[5]、氢燃料加注站[6]、氢燃料电池汽车[7]和燃料电池船舶[8]上。然而，专门针对海上可再生能源平台的研究仍然不足。鉴于这些平台在氢气储存、运输和利用方面的相似性，这些领域的研究成果对于海上可再生能源平台的氢气泄漏监测具有很高的相关性，并提供了宝贵的见解。

与氢气相关平台的安全泄漏研究通常可以分为三种主要方法。第一种方法是使用CFD仿真来研究不同泄漏情景下的氢气扩散行为，考虑泄漏位置、泄漏孔径、风速、风向、温度和压力等因素。这些研究通过模拟各种泄漏情景生成氢浓度场，从而为传感器布置提供数据支持。例如，钱等人[9]对氢燃料加注站中的氢气泄漏扩散进行了CFD仿真。通过建立加注站模型，他们研究了泄漏位置、泄漏方向和风速三个因素对仿真结果的影响。他们的发现表明，障碍物显著影响了气体浓度分布。此外，风速的增加会在障碍物附近形成循环区，导致氢气积聚，使进一步扩散变得更加困难。梁等人[10]分析了不同泄漏位置和压力下氢燃料加注站中的氢气泄漏危险等级。结果表明，高压储氢罐的泄漏具有最大的爆炸危险，而低压泄漏更有可能向上逸出。谢等人[11,12]对船舶发动机舱内的氢气泄漏和扩散进行了数值模拟。他们还研究了风速、泄漏直径、泄漏压力和环境温度等因素的影响，并通过实验设置验证了仿真的准确性。根据泄漏点的不同孔径大小，他们将管道泄漏分为小孔泄漏、大孔泄漏和破裂泄漏。他们的模拟显示，小孔泄漏（直径小于20毫米）的发生概率显著高于破裂和大孔泄漏。

在CFD数值仿真中，可以在计算域内设置任意数量的虚拟监测点（虚拟传感器）以获取丰富的浓度场信息。然而，在实际工程应用中，由于成本和维护困难等限制，可以部署的传感器数量是有限的[13]。因此，如何使用有限数量的传感器节点获得关于整个空间状态的最具代表性的信息已成为提高监测系统效率和准确性的前提和关键挑战。因此，本研究的第二种方法是在获得CFD仿真数据集后优化结果。这可以通过简单的数据分析或使用各种数学模型（如贝叶斯算法[14]、遗传算法[15]、贪心算法[16]、聚类方法[17]和混合线性规划[18]）来实现最佳传感器布局。例如，刘等人[19]最初通过软件仿真研究了船舶发动机舱内的氢气扩散仿真和传感器布置策略。根据可燃气体探测器的安装标准，他们根据房间高度将发动机舱划分为六个监测平面，在每个平面上密集布置了30个虚拟传感器监测点。第一级的报警阈值设定为体积分数的1%，第二级为2%。然后，他们根据每个监测点在14种不同泄漏情景下的响应时间和报警率提出了一个优化的传感器布局。徐等人[20]对大长宽比空间中的氢气泄漏和扩散特性进行了仿真研究。通过分析泄漏方向和泄漏率的影响，并基于九种不同仿真条件下九个传感器的首次检测报警阈值浓度，他们得出结论，在自然对流和强制对流通风口安装氢气探测器更为合适。刘等人[21]提出了一种新颖的首次到达时间分布（FATD）算法。通过使用计算流体动力学仿真处理氢气泄漏和扩散的浓度场，他们获得了计算域内每个坐标点特定浓度值的首次到达时间的空间分布，从而指导传感器布置。刘等人[22]开发了一种贝叶斯算法来优化CFD仿真数据，最终确定了最佳传感器布局。然而，这种方法只能从四种主观的传感器布置配置中选择相对最优的布局。

第三种方法涉及使用深度学习进一步挖掘和预测CFD仿真结果，特别是准确预测泄漏点位置。例如，王等人[23]首次使用3D卷积神经网络（CNN）对不同孔径大小的甲烷泄漏进行了分类，实现了78.2%的分类准确率。赵等人[24]开发了一种人工神经网络（ANN）和K-DTW算法来预测燃料电池车辆中的氢气泄漏位置，准确率分别为78.4%和87.5%，证明了机器学习在气体泄漏定位中的有效性。毕等人[25]率先引入了一种用于氢燃料加注站中氢气泄漏位置预测的混合模型。通过结合数据去噪（CEEMDAN）和深度学习技术（CNN-LSTM），该模型实现了99.54%的预测准确率。杨等人[26]开发了一种结合数据去噪（WD）和深度学习（KNN–CNN）的混合模型，成功预测了氢气泄漏的位置和强度。该模型在预测泄漏位置方面的准确率为99.14%，在预测泄漏强度方面的准确率为97.42%。刁等人[27]开发了一种结合卷积神经网络（CNN）和双向长短期记忆（BiLSTM）网络的混合模型，用于预测停车场燃料电池车辆中的氢气泄漏位置。通过混淆矩阵分析，尽管某些位置出现了一些错误，但整体性能保持稳定，预测准确率超过99%，假阳性率较低。

尽管现有研究在氢气泄漏监测和传感器布局优化方面取得了一些进展，但仍存在几个关键问题。首先，传感器布局优化通常依赖于主观经验或局部最优解，缺乏全局最优策略。其次，CFD仿真和传感器优化之间的联系较弱，优化目标通常集中在静态指标上，如传感器覆盖范围或检测响应时间，缺乏与下游数据驱动任务（如气体泄漏检测和位置预测）的深度集成。这限制了系统的整体智能。第三，虽然深度学习模型的预测精度有所提高，但它们通常基于固定的传感器数据，没有考虑传感器布局的优化。为了解决这些问题，本研究提出了一种结合贝叶斯算法和深度学习的优化方法，该方法同时确定氢气传感器的布局并实现泄漏位置的精确预测。这种方法克服了传统传感器优化方法的局限性，提供了灵活高效的解决方案，特别适用于海上平台等复杂环境中的氢气泄漏检测。

章节片段

建立几何模型和泄漏情景

研究场景设置在中国东海的一个可再生能源平台上，该平台集成了电力、氢气、氨和甲醇的生产。平台尺寸为100×50×25米，笛卡尔坐标原点位于平台底部表面的中心。与氢气相关的场景主要包括电解槽、氢气储罐和基于氢气的氨-甲醇生产系统（图1）。气候数据

数值仿真结果

氢气的爆炸极限范围为4.0%至75.6%（体积/体积），因此其下限爆炸极限（LEL）为4.0%（体积/体积）。实际上，可燃气体的主要报警水平通常建议设置为LEL的25%或以下，即1.0%（体积/体积）[34,35]。为了量化不同泄漏条件对氢气扩散的影响，使用了可燃体积和危险体积的概念来表示相关

虚拟传感器布局和优化过程

通过综合考虑气候条件（风速和风向）和泄漏条件（泄漏孔径和位置），我们生成了420个CFD模拟场景。每个场景对应30秒的连续氢气释放，数据每1秒记录一次。在z = 1.5、3、5、7和9米处创建了五个水平平面，并在这些平面上部署了虚拟传感器。根据GB/T 50493-2019 [42]的要求，保持每个传感器与最近设备之间的距离

建立数据集和数据预处理

通过贝叶斯优化，我们初步确定了传感器布局，氢化平台上共有23个传感器（图S7）。在本节中，我们将应用深度学习来分析这23个传感器在30秒周期内420个场景中的动态氢浓度数据，以准确预测泄漏位置。在数据预处理阶段，所有氢浓度数据都进行了归一化。归一化不仅有效缓解了梯度

结论

本研究系统地分析和建模了海上平台上氢气泄漏的扩散特性。首先，通过CFD数值仿真可视化了氢气泄漏的扩散行为，揭示了不同操作条件下的扩散模式。基于这些结果，将CFD仿真输出与贝叶斯优化算法相结合，实现了优化传感器布局。此外，CFD仿真还与

CRediT作者贡献声明

金志辉：撰写——原始草稿、可视化、验证、软件、方法论、数据管理。郭星星：撰写——审阅与编辑、形式分析。方浩：监督、调查。张子飞：软件、调查。张伟军：调查。唐存文：调查。魏作军：撰写——审阅与编辑、项目管理、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所报告工作的竞争性财务利益或个人关系。

致谢

本研究得到了国家重点研发计划（编号：2024YFB4207300的支持。