基于深度学习的稀疏传感器数据主动化学泄漏监测方法

《Computers & Chemical Engineering》：Proactive chemical leakage monitoring method using sparse sensor data based on deep learning

　　摘要：在封闭的石化设施中，乙烯泄漏会带来严重的安全风险，而目前的监测往往因传感器部署不足而受到限制。在几何结构复杂的室内环境中，离散的测量数据无法准确描述气体浓度的整体分布及其短期变化趋势。本研究提出一种基于深度学习的监测方法，能够利用稀疏的传感器数据重建并预测二维浓度场。该监测方法将被视为一个时空场推断问题，研究者构建了一个双模块框架，包括重建模块和一步预测模块。这两个模块均采用定制化的LeakU-Net架构，该架构结合了U-Net结构、深度可分离卷积以及多尺度特征提取技术，从而有效捕捉气体的扩散特性。研究通过高精度的计算流体动力学模拟来生成训练和测试数据集，并通过实验室实验对CFD结果进行验证。为确保验证结果的可靠性且保持与乙烯相似的扩散特性，研究中以分子量与乙烯相同的氮气作为替代气体，同时通过检测氧气浓度作为气体扩散的间接指标。在各类评估场景中，该方法的重建均方误差低于4.0×10^-4，预测均方误差低于1.6×10^-5。整个重建-预测流程的运行时间约为0.3秒，可实现近乎实时的现场浓度估算与短期预测。该方法为在传感器布局稀疏的情况下监测乙烯泄漏提供了高效且可扩展的解决方案。

引言：乙烯（C2H4）是石化工业中的重要原料，通常在加压储存和运输系统中进行操作。若发生乙烯泄漏，根据通风条件、空间拥挤程度以及点火情况的不同，可能会迅速演变成危险状况，甚至引发闪燃、爆燃甚至爆炸。实验和建模研究表明，乙烯与空气混合后的爆炸行为深受空间限制、点火方式以及排气条件的影响，而这些因素又会进一步影响压力上升速度及危险程度的加剧（Movileanu等人，2012；Movileanu等人，2015；Cao等人，2023）。除了爆燃风险外，蒸汽云现象还可能伴随火焰加速效应，在极端情况下甚至可能发生爆燃到爆轰的转变，因此及时控制并快速掌握现场情况显得尤为重要（Huang和Zhang，2022；Zheng等人，2025；Oran等人，2020）。针对乙烯储存和处理系统，也有专门的研究探讨了气体扩散及蒸汽云爆炸风险，这进一步凸显了建立强大监测机制及早期预防措施的重要性（Wang等人，2020）。

为降低泄漏带来的风险，工业监测系统大多依靠部署在特定位置的点式气体传感器来检测浓度并触发警报。相关调查表明，实际的泄漏监测方案包括点式传感器、基于图像的检测方法以及网络化监测架构，但实际应用往往受到成本、维护难度以及安装条件等因素的限制（Meribout，2021）。尤其是传感器布置较为稀疏，导致空间覆盖范围有限，难以仅通过少量点测数据推断出气体云的整体分布情况（Murvay和Silea，2012）。在乙烯检测领域，各种传感技术都已取得显著进展，包括光学检测和电化学检测方法，相关内容可在近期综述中找到（Chen等人，2022）。在光学检测技术中，非分散红外检测技术应用十分广泛，其检测限及抗干扰能力也已有系统性的研究（Dinh等人，2016）。对于乙烯非分散红外检测系统，通过使用预浓缩器等增强灵敏度的技术，可将检测能力提升至传统配置之上（Sklorz等人，2012）。此外，为了适应实际检测需求，人们还在不断开发具有高级信号处理和补偿功能的高灵敏度乙烯非分散红外检测装置（Zhang等人，2020）。除非分散红外检测外，光声检测和激光光谱技术也能在受控条件下实现高灵敏度的乙烯检测，并具备定量分析能力，可为监测和校准工作提供补充手段（Chen等人，2020；Wang等人，2016；Hu等人，2023）。

作为点式传感技术的补充，光学气体成像技术能够直观显示气体羽流形态，因此被广泛用于检测和泄漏排查工作。可控的现场实验表明，光学气体成像系统的检测概率会随着运行条件及环境因素的变化而出现较大差异，这说明其性能无法用单一的确定阈值来描述，在涉及安全的关键应用中需谨慎解读其检测结果（Zimmerle等人，2020）。为减少对人工解读的依赖并提高自动化水平，人们开始将深度学习技术应用于红外/光学气体成像数据，以实现泄漏检测和目标分割（Shi等人，2020；Wang等人，2024）。虽然这些方法能提升检测效率，但仍存在视线要求、物体遮挡以及易受环境因素影响等局限性，而且无法提供连续的、可用于监测评估的定量浓度场。

从系统层面来看，分布式传感技术和无线传感器网络已被用于气体泄漏检测与定位，虽然证明了其可行性，但也暴露出仅靠稀疏测量数据难以实现全局羽流监测的难题（Chraim等人，2016）。计算流体动力学仍然是分析复杂区域内气体扩散现象的最常用工具，其结果已在大型室内场所或结构复杂的设施环境中通过实验得到验证（Dong等人，2017；Alam等人，2022）。然而，由于计算成本较高，计算流体动力学通常不适用于需要实时更新的监测场景，尤其是在泄漏速率或边界条件不断变化时。这就形成了一个实际困境：工业监测既需要具备现场空间感知能力，又需要实现短期预测，但却不得不在传感器布局稀疏且计算资源有限的条件下开展工作。

近年来，机器学习的快速发展为物理过程的分析与预测提供了新的途径，即通过学习快速生成的替代模型来实现推理和预测功能。在气体安全领域，基于学习的方法多集中在泄漏检测/诊断，或是利用稀疏的时空测量数据反推泄漏源位置等任务上（Kopbayev等人，2022；Badawi等人，2022；Ni等人，2026）。Jiang等人设计了一种带有注意力机制的卷积神经网络模型，用于在多障碍物环境下定位泄漏源，该模型在120种泄漏场景中的准确率达到了98%。与此同时，深度学习也被越来越多地应用于基于视觉或多模态的泄漏监测，这类方法通过热红外图像或光声复合传感器检测泄漏特征，通常将其转化为语义分割或物体检测任务。例如，已有监督学习模型被用来识别来自无人机热成像的地下管道泄漏相关热异常，其性能明显优于传统的计算机视觉方法（Vollmer等人，2025）。类似地，还有一些集成超声波成像与基于摄像头的物体检测技术的智能监测系统，可用于检测石化设施中容易发生泄漏的法兰、接头等部件（Lee等人，2024）。此外，学术界的研究也表明，基于物理原理的机器学习方法能够加速由偏微分方程描述的动态系统的求解与预测过程，为数据驱动的现场建模提供了理论基础（Raissi等人，2019；Karniadakis等人，2021）。在气体安全领域，这类基于物理原理的方法也开始被用于预测泄漏浓度场，比如在氢气加注站场景中。不过，现有的研究大多在简化几何模型下进行，或在训练和预测过程中依赖密集的场数据，这限制了它们在实际工业监测环境中的应用，因为实际环境中只有稀疏的点测数据，且空间结构较为复杂（Wang等人，2025）。Chen等人提出了一种混合深度学习模型，将卷积神经网络与长短期记忆网络相结合，用于预测存在障碍物环境中的气体泄漏空间浓度分布（Chen等人，2025），但该模型需要高分辨率的10×24×38体积浓度数据作为输入，而这在实际工业环境中很难满足。

关于机器学习在流体力学领域应用的综述进一步指出，可以利用数据提取多尺度流场结构，从而实现高效的预测与控制建模（Brunton等人，2020）。尽管如此，对于实际的泄漏监测而言，还有一个关键的方法学问题尚未得到妥善解决，那就是如何在几何结构受限的环境中，仅依靠稀疏的点测数据重建连续的浓度场，进而以较低的计算成本快速预测该场的短期变化趋势，从而实现及时监测和预警，而非依赖计算成本较高的计算流体动力学模拟。

在消防安全领域，也有类似的研究尝试，即结合计算流体动力学生成的 数据与机器学习模型，实现火灾的早期检测与预警（Kapoor等人，2022；Xiao等人，2023；Nakip等人，2021；Zhdanova等人，2022）。这类计算流体动力学与机器学习相结合的方法能够快速推断火灾状态、烟雾蔓延特征或危险等级，从而无需进行实时的计算流体动力学模拟即可获得及时的评估结果（Kapoor等人，2022；Nakip等人，2021）。不过，目前大多数研究仍将此类任务定义为分类或决策问题，主要侧重于根据多传感器数据触发警报或估计局部参数（Xiao等人，2023；Fonollosa等人，2018）。因此，这类方法并未明确以重建连续的标量场或模拟其短期时间演变为目标，也就难以为实现气体扩散监测所需的现场空间感知能力提供支持。

正是出于对这一缺陷的考虑，本研究将气体泄漏监测视为一个时空场推断问题，提出了一种基于深度学习的框架，该框架能够在传感器布局稀疏的情况下实现浓度场重建与短期预测。具体而言，首先将离散的传感器测量数据映射为当前泄漏状态的连续场表示，然后再利用重建得到的场来预测浓度分布的近期变化趋势。与传统的计算流体动力学模拟相比，这种重建-预测流程能够在大幅降低计算成本的同时，为监测工作提供必要的空间感知能力和短期预测功能，从而帮助在几何结构复杂的室内环境中及时评估泄漏情况并做出预警决策。

本文的其余部分结构如下：第2节介绍研究方法，包括稀疏感知场建模方法、深度学习网络设计以及数据生成与验证流程；第3节报告研究结果并进行分析，重点讨论重建精度、预测性能以及对监测预警工作的意义；第4节对全文进行总结，同时指出该方法的局限性及未来可能的发展方向。