《Processes》：Research on Multi-Source Collaborative Leakage Location Method for Coal Mine Gas Extraction Pipeline Based on Stacking Integration Learning
泄漏点的精确定位是井下瓦斯灾害防治的关键环节。为解决瓦斯抽采管道泄漏定位精度较低的问题，研究人员构建了瓦斯抽采管道泄漏实验系统，并提出了一种基于Stacking学习的多源协同泄漏定位方法。结果表明，采用压力-流量协同输入的Stacking–LSSVM–Elman–DBN（S-L-E-D）模型具有最佳定位性能，其准确率为0.932，均方根误差（Root Mean Square Error，RMSE）为0.053，平均绝对百分比误差（Mean Absolute Percentage Error，MAPE）为0.082，Theil不等系数（Theil Inequality Coefficient，TIC）为0.056，距离误差低于1 m。与单参数输入相比，压力-流量协同输入使定位准确率提高了10%以上，同时RMSE和MAPE分别下降了39.0%和37.4%。在监测点故障条件下，监测点1、4和5的定位准确率分别为0.884、0.891和0.881，而监测点1与4双重故障条件下仍可保持0.861的准确率。该研究为瓦斯抽采管道泄漏定位提供了可行的多源协同学习框架，并为提升泄漏监测与预警能力提供了方法学参考。
本文发表于《Processes》，围绕煤矿井下瓦斯抽采管道泄漏精确定位问题展开研究。研究背景在于，随着我国煤矿开采深度与强度持续增加，瓦斯涌出量显著上升，瓦斯抽采系统成为保障安全生产和提高瓦斯输送效率的关键技术载体。瓦斯抽采管道长期处于复杂井下环境中，易受老化、扰动和恶劣工况影响而发生泄漏，不仅降低系统运行效率和经济性，还可能在火源或静电作用下诱发爆炸事故。因此，建立高精度、高鲁棒性的泄漏定位方法，具有突出的理论价值与工程意义。
现有研究虽然已将深度学习（Deep Learning，DL）、神经网络（Neural Network，NN）、支持向量机（Support Vector Machine，SVM）及其他机器学习方法广泛应用于管道泄漏识别，但多数方法仍依赖单一监测源数据或单一预测模型，导致在复杂井下环境中鲁棒性和适应性不足。已有成果多强调某一类模型的精度提升，但对于压力数据、流量数据及二者协同输入的系统比较尚不充分，针对监测点故障条件下定位稳健性的研究也较为有限。基于此，研究人员提出多源协同泄漏定位框架，将压力-流量互补特征与异构学习器结合，并通过Stacking集成学习（stacked ensemble learning）提升复杂工况下的定位稳定性与泛化能力。
在技术方法上，研究人员首先构建了实验室尺度的瓦斯抽采管道泄漏实验系统，设置主干管与支管结构，在不同泄漏点条件下同步采集压力与流量信号；随后采用总体经验模态分解（Ensemble Empirical Mode Decomposition，EEMD）进行信号去噪与重构，并完成标准化处理；在建模阶段，以最小二乘支持向量机（Least Squares Support Vector Machine，LSSVM）、Elman神经网络（Elman Neural Network，ENN）和深度置信网络（Deep Belief Network，DBN）作为基学习器，构建多种Stacking集成模型；最后采用5折交叉验证、决定系数R
2、RMSE、MAPE、平均绝对误差（Mean Absolute Error，MAE）、变异系数（Coefficient of Variation，CV）和TIC等指标，对不同输入形式、不同模型组合及监测点故障工况下的泄漏定位性能进行比较评估。样本来源为研究人员搭建的瓦斯抽采管道泄漏实验系统数据集，训练集与验证集按3:1划分，并在训练过程中进一步实施5折交叉验证。
研究结果部分可按论文主体小节进行概括。
2. Experiment on the Gas Flow Characteristics of the Leakage Gas Extraction Pipeline
该部分主要说明实验系统构建及泄漏状态下气体流动特征。
2.1. Construction of the Gas Extraction Pipeline Leakage Experimental System
研究人员搭建了瓦斯抽采管道泄漏实验系统，将实验管路划分为1段主干管和2组支管，各段布设流量与压力监测装置，并在不同泄漏点开展重复试验。每种泄漏工况在泄漏发生30 s后开始采集数据，以150 ms为间隔记录，共形成每种工况200个样本。研究通过该实验平台构建了泄漏定位数据集，并通过独立验证集与5折交叉验证相结合的策略评估模型泛化能力。该部分结论表明，所构建的实验系统能够为多参数泄漏定位研究提供可重复、可量化的数据基础。
2.2.1. Data Processing Based on EEMD
研究人员利用EEMD对原始压力和流量时序信号进行去噪处理，重点分析白噪声标准差σ与集合次数N
d对定位精度的影响。结果显示，σ过小会导致模态混叠抑制不足，σ过大则会引入额外干扰；增加N
d虽有助于分解稳定性提升，但超过一定范围后收益有限且会增加计算复杂度。综合定位精度与效率，研究确定σ = 0.05、N
d = 100为最优参数组合。由此得出，EEMD能够有效削弱随机噪声干扰，同时较好保留信号的非线性和突变特征，为后续泄漏特征提取提供了可靠基础。
2.2.2. Analysis of Gas Flow Characteristics in the Leaked Gas Extraction Pipeline
研究人员分析了不同泄漏位置下各监测点压力和流量变化率的分布特征。结果表明，不同泄漏点会在不同监测点引起显著差异化响应，这种差异源于泄漏点与监测点之间的空间关系以及系统气体再分配机制。例如，L1对应M1出现显著响应，L3激活时全部监测点流量下降且M4最低达到?0.1628，L5情况下M3压力变化率最高达到0.1100。尤其是L5位于支管2时，由于主支管之间复杂的气流再分配、局部湍流及阻力效应，信号空间异质性更强，说明复杂管网结构下单源监测难以稳定表征泄漏特征，必须依赖压力-流量协同分析提升定位鲁棒性。
3. The Method of Leakage Location in Gas Extraction Pipeline Based on Stacking Integration Learning
该部分为全文核心，重点建立并验证基于Stacking集成学习的泄漏定位模型。
3.1.1. The Leakage Location Model for Gas Extraction Pipeline
研究人员提出基于Stacking集成学习的泄漏定位模型，以LSSVM、ENN和DBN作为基学习器，并通过元回归（meta-regressor，MR）融合各基学习器输出，实现多模型优势互补。LSSVM主要用于处理小样本、高维与非线性回归问题；ENN依赖上下文层对时序动态特征具有较强刻画能力；DBN则通过多层受限玻尔兹曼机（Restricted Boltzmann Machine，RBM）堆叠实现深层特征学习。研究据此建立了面向瓦斯抽采管道泄漏定位的集成预测框架。
3.1.2. Establishment of the Multi-Parameter Fusion Location Model for Gas Extraction Pipeline Leakage
研究人员将原始数据经EEMD处理后，构造三类输入方案：单压力输入、单流量输入和压力-流量协同输入；并分别建立7类定位模型，即LSSVM、ENN、DBN、S-L-E、S-L-D、S-E-D和S-L-E-D，共形成21组定位模型组合。随后依据平均R
2、RMSE、MAPE和TIC逐步筛选最优模型。该设计使研究能够系统比较不同特征组合与不同模型架构对定位性能的影响。
3.1.3. Model Accuracy Evaluation Index
研究采用R
2、RMSE、MAPE、TIC、MAE和CV等多指标联合评价模型，既衡量拟合优度，也考察绝对误差、相对误差、稳定性和泛化能力。这为最优模型筛选提供了多维依据。
3.2.1. Multi-Parameter Fusion Location Model of Gas Extraction Pipeline Leakage
该部分分别比较三类输入条件下各模型的定位表现。
（1）Discussion on the positioning accuracy of a single pressure data input
在单压力输入下，各模型表现存在明显差异。单模型中，ENN准确率为0.820，高于LSSVM的0.799和DBN的0.760，说明其对压力时序响应特征建模更有优势。集成模型中，S-E-D平均准确率最高，达到0.827，但S-L-E在RMSE和MAPE综合表现上更优，具有更低平均误差和更好稳定性。研究由此指出，单压力数据虽包含一定泄漏定位信息，但难以支撑高鲁棒性定位。
（2）Discussion on the positioning accuracy of a single flow data input
在单流量输入下，单模型中ENN仍取得最高准确率0.820；所有模型中，S-L-E-D表现最佳，平均准确率达到0.830。研究认为，流量变化呈现出稳定—突变—衰减—再稳定的动态过程，而S-L-E-D通过融合LSSVM、ENN与DBN的不同建模机制，更能充分捕获流量信号中的局部特征、动态特征与深层非线性特征。因此，集成模型在单流量条件下展现出更强鲁棒性和泛化能力。
（3）Discussion on the positioning accuracy of pressure–flow collaborative data input
在压力-流量协同输入下，所有模型精度均显著提升，其中S-L-E-D优势最为突出，准确率达到0.932，较单一输入提高10%以上；同时RMSE稳定低于0.09，MAPE低于0.10，且跨折波动最小。统计分析进一步表明，该模型95%置信区间（confidence interval）为0.926–0.938，与其他模型相比的精度提升在p < 0.05水平上具有统计显著性，且Cohen’s d显示效应量较大。研究据此得出，压力与流量协同输入能够提供时空双维特征，有效降低单信号受传感器误差和环境干扰带来的误判，提高泄漏定位准确性和可靠性。
（4）Determine the optimal localization model
综合五折交叉验证准确率、RMSE、MAPE和TIC后，研究最终确定压力-流量协同输入下的S-L-E-D为最优定位模型。结果显示，该模型R
2为0.932，RMSE为0.053，MAPE为0.082，TIC为0.056；各泄漏点MAE均低于0.1，距离误差低于1 m，平均距离误差达到0.814 m。L2在不同模型和输入方式下通常具有更高TIC和误差，说明其中段复杂流动特性使其更难定位；L3则因位于结构较规则、信号传输较稳定的下游段而更易识别。总体而言，协同输入相较单压力输入使总体RMSE和MAPE分别下降39.0%和37.4%，证明多源信息融合对复杂泄漏场景具有显著优势。
3.2.2. Analysis of the Number of Monitoring Points and Leakage Localization Performance
该部分研究监测点故障对定位性能的影响。研究将传感器故障定义为对应监测点压力与流量信号完全丢失，并分别分析单点故障、双点故障和无故障工况。结果表明，单点故障中M1、M4和M5对定位准确率影响较小，准确率分别为0.884、0.891和0.881；M2和M3故障则引起更明显精度下降。双点故障中，M1与M4组合准确率仍可达0.861，其余如M1与M5、M2与M4、M2与M5组合也保持在0.855以上。统计稳健性分析显示，单点故障条件下模型平均准确率维持在0.881–0.891之间，CV低于1.50%；双点故障条件下平均准确率为0.855–0.861，CV仍低于2.00%。这一结果说明，所提出的压力-流量协同Stacking模型具有较好的容错性与稳健性。进一步分析还表明，位于主干中部的监测点故障对定位能力影响大于端点故障，分散型多点故障造成的精度损失小于相邻集中故障，反映了监测布局的空间依赖性。
讨论部分强调，单一流量或压力信号易受正常工况波动干扰，限制了泄漏识别的稳定性；而压力-流量协同分析通过同时捕捉上游流量变化与泄漏附近压力衰减关系，能够形成更可靠的互证机制。研究同时指出，尽管S-L-E-D模型在实验室条件下实现了小于1 m的定位误差，并显示出在线预警潜力，但当前结果仍基于实验室尺度系统，实际井下部署还需进一步考虑传感器标定、数据传输延迟、长期稳定性、粉尘、湿度、振动、温度变化、管道衰减和传感器漂移等因素，以及不同管径、长度、粗糙度、网络结构条件下的迁移适用性。因此，现场应用前仍需开展独立测试集评估、嵌套交叉验证和工程尺度验证。
研究结论部分可概括翻译如下：本研究提出了基于Stacking集成学习的瓦斯抽采管道泄漏定位方法，并建立了定位模型筛选准则，确定了最优泄漏定位模型。不同泄漏位置会在各监测点引起差异化的压力与流量变化率，这些多源监测数据能够构成有效的泄漏定位特征向量。研究建立了基于压力-流量协同的多参数定位模型体系，形成21组定位模型组合，并筛选出9个较优模型，最终确定Stacking–LSSVM–Elman–DBN为最优模型，其R
2、RMSE、MAPE和TIC分别为0.932、0.053、0.082和0.056。研究还表明，管道泄漏定位精度高度依赖监测点布局与可靠性，点1、4、5单点故障下仍具有较高准确率，点2、3故障及1与4双故障工况反映出主干沿线关键监测点失效对定位影响更大。总体而言，研究证明应优化现场监测点空间均匀分布，充分利用多源数据融合的互补特征，以提升瓦斯抽采管道泄漏定位方法的鲁棒性。该框架为井下瓦斯抽采系统智能泄漏预警和实时安全管理提供了有前景的方法学基础，但在工业部署前仍需进一步开展复杂井下环境下的大规模现场验证。
