面向氢安全的机器学习：智能感知与动态风险评估综述

《Journal of Loss Prevention in the Process Industries》：Machine Learning for Hydrogen Safety: A Review of Intelligent Perception and Dynamic Risk Assessment

　　

摘要 可解释人工智能 (XAI) 随着全球氢基础设施的扩张，静态安全机制与时变风险之间的冲突日益加剧。因此，安全担忧仍是氢能大规模工业应用的主要障碍之一。本综述沿着涵盖泄漏检测、源定位、扩散预测和动态风险评估的技术链，整理了代表性的机器学习研究，并介绍了一个整合智能感知与动态决策的分层框架。它批判性地审视了跨越三个核心感知任务——泄漏识别、源定位和扩散预测——的研究，追溯了机器学习架构如何从浅层数据驱动映射演变为深度物理集成方法。进一步讨论了通过深度代理模型进行后果预测的进展，以及通过基于贝叶斯网络的框架进行动态风险更新的进展。它还强调了物理信息建模与可解释智能在氢能安全研究中的日益融合。在此基础上，确定了四大技术挑战——数据稀缺、黑盒信任危机、物理-AI 耦合优化和边缘部署权衡——以及相应的研究方向和潜在突破路径。本综述旨在为研究人员和从业者开发更具适应性和可靠性的氢能安全系统提供结构化参考。

引言 氢能是一种清洁二次能源，被广泛认为是全球深度脱碳的关键载体 (Davis 等，2018; Hunt 等，2024)。氢能委员会预测，到 2050 年氢能将占全球能源需求的 18%。随着全球碳达峰和碳中和目标的推进，包括燃料电池 (Lv 等，2023)、加注基础设施 (Genovese 和 Fragiacomo，2023; Park 等，2025)、氢电耦合系统 (Liu 等，2025) 和制氢 (Peng 等，2025) 在内的氢能相关产业正在快速扩张。

包括中国“十五五”规划、美国《通胀削减法案》和欧盟《可再生能源指令 III》在内的最近政策，共同加速了全球氢能产业的增长。然而，氢能相关产业的快速扩张导致了氢能安全需求与安全系统滞后之间日益尖锐的冲突 (N. Yang 等，2024)。

氢气独特的理化性质使其安全储存、运输和利用面临挑战。表 1 显示了氢气与汽油和天然气相比的安全相关参数。氢气在安全性方面表现出显著的双重性。在开放空间中，其高扩散系数促进了快速分散，从而降低了易燃积累的风险。然而，在车库等封闭空间中，这一特性加速了爆炸性气云的形成。氢气极宽的易燃范围和低点火能使得即使是轻微泄漏也可能造成灾难性后果。氢气是常见燃料中分子量最低的，其泄漏后的扩散行为难以准确预测 (C. Wang 等，2025)。当液氢 (LH2) 泄漏时，低温相变与环境风的耦合导致气云体积呈非线性变化 (Chauhan 等，2024)。在某些风况下，易燃云团的范围可能超过常规安全隔离距离。

除了氢气理化性质固有的危害外，设备可靠性不足也给安全系统引入了额外的脆弱性。在氢能相关设施的供应链中，隔膜压缩机和储氢容器属于高风险设备 (J. Li 等，2025)。其中，密封失效是氢气泄漏最主要的原因。与传统加注系统相比，高压制氢系统对氢脆的检测能力仍不够成熟 (Jiang 等，2025)。此外，氢安全管理与社会意识之间存在滞后。现有的安全措施难以跟上氢能产业的快速发展 (Yao 等，2025)。此外，氢能基础设施的全生命周期安全监测仍存在明显缺陷。1937 年兴登堡号氢气飞艇事故是氢能安全史上的关键事件 (Potter，2007)。近年来，氢气泄漏和爆炸也频繁发生。因此，为氢能行业建立坚固的安全屏障对于消除公众对氢能部署的担忧至关重要 (Edwards 等，2021)。

氢能相关事故统计的结果作为上述氢能安全风险直接证据。美国能源部支持的 H2Tools 数据库 (H2_Dashboard) 的统计结果如图 1 中的饼图所示。从图 1 (a) 可以看出，涉及氢气的实验室和氢气加注站 (HRS) 是事故数量最多的场景。而从图 1 (b) 可以看出，超过 60% 的事故造成了人员或财产的重大损失。此外，值得注意的是从图 1 (e) 可以看出，超过 70% 的氢能相关事故明显涉及氢气泄漏。如果不能及时发现氢气泄漏并切断供应，泄漏可能会升级为更严重的火灾或爆炸 (Dao 等，2024)。2025 年 12 月 22 日，法国里昂以南的圣丰镇一家工厂的实验大厅发生了严重的氢气爆炸，导致四名工人受伤，并促使超过 10 万居民收到就地避难指令。海因里希法则 (Heinrich，1941) 指出，每一起严重事故背后，有 29 起轻微事故和 300 起未遂先例。这凸显了尽早检测微小泄漏并进行动态风险评估 (DRA)，即基于实时运行数据和不断变化的设备状态连续更新风险评估，从而降低灾难性事件发生的可能性 (Allendorf 等，2022; Ferrari，2022; Zhou 等，2024)。除了直接的安全危害外，氢气泄漏还构成间接的环境担忧：根据全球首个氢气收支核算，大气中的 H2 延长了甲烷的寿命，并在 2010-2020 年间估计导致全球地表温度升高了 0.02 °C (Ouyang 等，2025)。

传统的氢能安全监测系统基于特定场景的氢气浓度传感器和计算流体力学 (CFD) 模拟结果 (Breitung 等，2019; Malakhov 等，2020; Wang 等，2020; Shu 等，2022b)。它们在相对稳定的封闭环境中通常有效。然而，如果受风速、温度、湿度和设备状态波动的影响，其监测结果往往不可靠 (Moradi 和 Groth，2019)。检测盲区和反馈延迟等问题日益暴露，使其难以满足下一代安全系统的智能化要求。

单点氢气浓度传感器在复杂和动态变化的环境条件下检测泄漏的能力本质上有限。Tzioutzios 等 (2025) 对日本 KHK 事故数据库的分析表明，大量氢气泄漏发生在设备正常运行期间。固定浓度传感器的频繁故障导致不得不转向人工主导的检查。此外，缺乏涵盖不同时空尺度的标准化测量进一步降低了传感器数据的可信度 (Connor 等，2025)。

静态风险评估范式不适用于高度动态的运行条件。当太阳能和风能等间歇性可再生能源与制氢结合时，运行条件的波动会显著降低安全监测系统的可靠性。因此，动态参数的显著变化会降低基于稳态假设的传统风险评估的有效性 (Ucok，2026)。此外，安全标准与实时运行风险之间的不匹配将导致安全检查结果与实际风险状态之间出现显著差异 (Genovese 等，2023)。

氢气泄漏扩散模拟的低计算效率也严重限制了应急响应系统的实时性能。虽然基于流体力学的模拟可以提供高精度的氢气浓度场信息，但其小时级的计算需求与实时紧急关停的需求相冲突。因此，氢能安全领域迫切需要一种平衡准确性和效率的新方法。

人工智能 (AI) 和机器学习 (ML) (Selvam D 等，2026; Jordan 和 Mitchell，2015) 方法为氢能安全领域开辟了新的可能性。ML 方法在氢能链的生物制氢参数优化 (Karaci 等，2016; Ukwuoma 等，2024)、储氢材料筛选 (Rahnama 等，2019a, 2019b) 和氢气扩散风险评估 (Seo 等，2022) 方面显示出巨大潜力。未来，将 AI 驱动的控制架构引入氢能系统将是提高其稳定性的关键 (Arsad 等，2025)。

ML 正在推动氢气泄漏检测和风险评估向技术变革方向发展。这种方法通过从大量噪声数据中提取高维特征来实现精确的泄漏感知。与传统基于阈值的判断相比，这种方法可以大大降低误报率。与此同时，基于 ML 的代理模型将传统的 CFD 计算时间缩短至毫秒级。这种效率的提升为高保真实时扩散预测提供了基础。此外，动态贝叶斯网络 (DBN) 的集成使决策系统能够利用实时数据进行故障概率预测。这些进展正在逐渐重塑氢能安全监测和评估的方法。

尽管 ML 在计算机视觉 (Banerjee 等，2025)、语音识别 (H. Zhang 等，2025) 和自然语言处理 (NLP) (Conroy 和 Mallapaty，2025; Xue Zhang 等，2025) 等多个领域取得了突破，但其在氢能安全领域的应用仍处于起步阶段 (Patil 等，2024)。大多数现有研究关注特定场景下单个算法的性能，而碎片化的方法进步与实际安全应用之间的联系仍缺乏综合。为了弥合这一差距，本文回顾了与氢气泄漏检测和风险评估相关的 ML 研究。在本综述中，感知至决策链指的是涵盖泄漏检测、源定位、扩散预测和动态风险评估的四阶段流程。

选定的代表性研究涵盖了这四个阶段中的每一个。核心文献库主要从 2000-2026 年期间的 Web of Science 核心合集中确定，搜索词结合了机器学习方法、氢气以及与泄漏、扩散、定位、管道、车库、安全、风险和加注站相关的安全场景。优先考虑具有明确 ML 架构、定义的数据来源、定量验证以及与氢气泄漏相关或可转移至气体安全场景的研究。当氢能安全仅为次要时、当技术信息不足以进行关键分析时，或者当工作未对本综述的感知至决策框架做出贡献时，不详细讨论这些研究。本综述采用批判性而非系统性方法；因此文献选择是目的性的，可能并不详尽。它专注于 ML 驱动的氢能安全感知和决策，不涉及基于本体的知识管理。基于本体和知识图谱的研究提供结构化的安全知识，而基于 ML 的方法实现了实时感知和风险决策支持；两者是互补的。关键评估是嵌入式的而非正式的：每项研究的故障模式在表 4 中识别和分析，一般推断基础（作者声明的局限性或场景约束推断）在表注中说明；交叉限制在 3.1 节 泄漏识别：时间序列数据中的异常检测 和 3.3 节 扩散预测：从数据驱动到物理信息驱动 中综合，并在 4.5 节中提供了感知至决策链的系统级成熟度梯度。这种嵌入式方法遵循了 Grant 和 Booth (2009) 描述的批判性综述方法，即通过知识贡献而非标准化评分工具来评估研究。

表 2 通过将本综述与五篇代表性综述进行比较，从范围、贡献、感知到决策链的覆盖程度以及主要局限性等方面确立了本综述的定位。主要贡献如下：（1）本综述通过集成的感知到决策链，涵盖了泄漏检测、源头定位、扩散预测和动态风险评估，对机器学习驱动的氢安全研究进行了组织。（2）本综述考察了数据获取策略从实验收集到计算流体动力学（CFD）模拟，再到近期生成式人工智能辅助数据增强的演变，强调了数据可用性如何限制模型的开发和部署。（3）讨论了一个跨领域趋势：氢安全研究正超越纯粹的数据驱动拟合，走向物理信息建模和可解释智能的更紧密结合。（4）识别并讨论了阻碍工业部署的四个关键瓶颈——数据稀缺、黑箱信任危机、物理-AI 耦合优化以及边缘部署权衡——并提出了未来研究的可能方向。本文后续章节组织如下：第 2 节回顾了氢安全中机器学习的数据基础；第 3 节深入回顾了氢泄漏检测、泄漏源定位和扩散预测中机器学习核心应用；第 4 节追溯了从静态到动态风险评估（DRA）的演变路径；第 5 节分析了机器学习技术在氢安全中的技术局限性并提出了潜在的研究方向；第 6 节总结了综述的关键发现。

章节摘要

氢安全中机器学习的数据基础

氢安全中机器学习模型的性能和可靠性从根本上取决于底层数据的可用性、真实性和多样性。因此，本节回顾了氢泄漏检测和风险评估中机器学习的主要数据基础，包括实验测量、CFD 生成数据以及近期数据合成方法。这种限制在氢安全领域尤为突出：与受益于大规模策划数据的计算机视觉不同……

智能感知：识别、定位与扩散预测

作为氢安全系统的关键输入层，智能传感技术提供了能够补充并在某些场景下超越传统基于阈值的监测方法的能力。目前，氢泄漏检测领域正经历深刻的技术范式转变，即从简单的基于规则的判断转向遵循物理定律的多模态预测模型。该全链路智能监控系统的框架如图所示。

动态风险管理：从静态定量风险评估到实时决策支持

检测、定位和扩散预测本身并不构成风险管理。只有当其输出被转化为随时间变化的失效概率、后果严重程度和应急响应选项的估计时，它们才与安全相关。风险评估的核心是识别风险演变趋势并进一步指导应急决策。本节考察了氢泄漏风险评估从静态、离线范式向动态……

关键挑战与未来展望

尽管机器学习在氢安全领域展现出巨大潜力，但其在泄漏检测和风险评估中的工业级应用仍受到四大障碍的制约：缺乏透明度导致的信任危机、物理保真度数据的稀缺、物理-AI 耦合的优化困境以及边缘计算的性能权衡。本节讨论了当前方法的主要局限性，并概述了未来可能的方向。

结论

本综述沿感知到决策链组织了机器学习驱动的氢安全研究，涵盖泄漏识别、源头定位、扩散预测和动态风险评估。尽管个别任务取得了显著进展，但感知层和决策层仍耦合不足：模型在训练场景中表现良好，但跨场景泛化尚未得到系统验证，且深度学习的黑箱特性限制了操作员。

CRediT 作者贡献声明

周亚通：写作 – 审阅与编辑，监督。赖广进：写作 – 审阅与编辑，写作 – 初稿，可视化，验证，方法论，调查，概念化。李正新：写作 – 初稿，验证。刘启明：验证，监督，项目管理，资金获取。李国辉：监督，项目管理，资金获取。史宝军：写作 – 审阅与编辑，验证，监督，项目管理，资金。

未引用参考文献

Arrieta et al.,; Genovese et al., 2020; Grant and Booth, 2009; H2_Dashboard, n.d.; Kanji and Bhattacharya, 2025; Li et al., 2025; Lu et al., 2024; Wang et al., 2025c; Wang et al., 2025d; Wang et al., 2025e; Wang et al., 2025f; Xiao et al., 2024; Xu et al., 2025; Xu et al., 2025; Yang et al., 2024; Zhang et al., 2025; Zhang et al., 2025; Zhang et al., 2025; Zhang et al., 2025; Zhang et al., 2025; Zhao et al., 2025.

竞争利益声明

作者声明，他们没有可能影响本文所述工作的竞争性经济利益或个人关系。

数据可用性

所有所需数据均在手稿中可用。

关于写作过程中生成式人工智能和人工智能辅助技术的声明

作者使用 DeepSeek V4 Pro 提高了手稿的语言和可读性。所有输出均经过作者审阅和修改，作者对最终内容承担全部责任。

竞争利益声明?

作者声明，他们没有已知的可能影响本文所述工作的竞争性经济利益或个人关系。

致谢

本工作部分受国家自然科学基金（批准号：U20A20201）支持，部分受河北省科技计划（批准号：24464401D & 246Z3901G）支持，部分受河北工业大学跨学科研究生项目（批准号：XKJC-2024025）支持。

赖广进 | 周亚通 | 李正新 | 李国辉 | 刘启明 | 史宝军
河北工业大学智能配电设备与系统国家重点实验室，中国天津 300401