瞬态激励增强的海底生产汇管持续泄漏定位方法

《Ocean Engineering》：Transient-excitation-enhanced method for persistent-leak localization in subsea production manifolds

　　

• 主动压力波激励重构了具有位置敏感性的瞬态响应。
• 开发了一种压力波增强的连续候选图注意力网络。
• 沿歧管管段的连续候选点实现了物理约束定位。

**引言**

海底生产歧管是海底生产系统中的关键组件。多口海底井通过歧管与外输管道相连，流体汇集和生产分配也在歧管内部完成。井流体的提取与外输依赖于流体输送、液压驱动、功率传输和信息交换的协调集成（Beemaraj 等，2024；Shao 等，2025）。因此，歧管的可靠性直接影响海底油田开发的安全性和经济可行性（Silva 和 Guedes Soares，2025）。在长期高压运行期间，外部冲击可能导致凹陷、弯曲变形和局部结构损伤。腐蚀、材料退化和运行载荷也可能降低管道的承载能力（Wang 等，2026b；Zhang 等，2024）。泄漏随后可能引发火灾、爆炸和环境污染（Lin 等，2026；Wang 等，2026a）。故障之间的交互还可能产生混合响应模式，增加系统状态识别的难度（Yang 等，2023）。因此，可靠的工况监测和异常检测对于安全连续运行至关重要（Shao 和 Cai，2026）。

当前管道泄漏监测方法主要基于压力、流量、声学、声发射和分布式光纤测量（Fan 等，2026）。声学和声发射测量可捕捉高频泄漏引起的振动（Zhang 等，2025）。分布式光纤传感可获得空间连续的响应。然而，两种方法均对机械振动和环境噪声敏感（Peng 等，2026）。在气液两相流和段塞流管道中，弱泄漏特征还可能被压力波动和流态转换进一步掩盖（Ferroudji 等，2026）。泄漏引起的流动扰动和压力波传播直接反映在动态压力信号中，因此动态压力测量已被应用于海底生产歧管微泄漏定位和海底管道泄漏位置反演（Ji 等，2025；Liu 等，2025a）。分层定位方法也已用于识别泄漏分支和泄漏位置（Liu 等，2025b）。负压波分解被用于增强弱瞬态特征（Ye 等，2025）。引入波传播规律和传感器容错约束可改善定位鲁棒性（Liu 等，2027）。

大多数基于压力的定位方法依赖于泄漏初始时刻产生的自然瞬态。在传统到达时差法中，需在不同压力测量点识别波前到达时间，然后根据压力波速度和到达时差推断泄漏位置（Liu 等，2025a）。持续泄漏发展后，质量损失率逐渐趋于稳定，随后建立新的动态平衡，初始压力下降和自然波前因此随时间衰减。当泄漏初始过程未被完全捕捉时，无法恢复可靠的到达时差。压力波在气体介质中传播迅速，微小的到达时间误差可能导致较大的定位偏差。在汇管、弯头和分支接头处，波前边界因分流、反射和波形叠加而进一步模糊。因此，基于自然瞬态的定位方法在持续泄漏达到新稳态后不再适用（Wang 等，2025）。

信号分解、时频分析和机器学习方法已被广泛应用于提高小尺度持续泄漏的可检测性。非平稳响应从复杂背景中分离以提取判别特征（Han 等，2026）。信号增强也与智能优化和分类方法结合，用于强干扰下的泄漏状态识别（Zhu 等，2025）。多域声学特征和时频表示被用于整合振幅、频谱和能量信息（Xu 等，2026；Zhou 等，2026）。序列建模和多任务学习进一步实现了泄漏状态、位置和严重程度的联合识别（Ge 等，2026；Li 等，2025）。卷积-循环架构和双域注意力网络被用于捕捉局部时频模式、长程依赖和跨域信息（Umer 等，2026）。对于实时海上结构健康监测，Lu 等（2026c）开发了一种轻量级双流 Transformer，从声发射信号中联合捕捉局部瞬态特征和长程时间依赖。然而，这些方法仍主要依赖被动获取的观测数据，其中可用信号被分解、变换或重组而非主动增强。当不同泄漏位置的响应本质上相似时，仅增加特征维度或模型复杂度无法从根本上提高其空间可区分性（Li 和 He，2025）。

主动探测为在持续泄漏达到新稳态后重构瞬态观测提供了一种手段。向管道中引入预设扰动，通过压力波传播、衰减和反射的调制产生位置相关响应。主动压力波已通过快速阀门切换、压缩气体驱动的隔膜和机械冲击产生。对于以 1 Hz 和 0.2 MPa 运行的压缩空气驱动隔膜发生器，在发生器附近测得约 210–220 kPa 的脉冲压力，在传播至主管道后观察到明显的衰减和振荡（Guo 等，2025）。机械冲击装置产生了约 104.71 kPa 的最大压力波振幅，当执行器速度从 0.3 增加到 0.7 m/s 时，压力振幅近似线性增加，同时产生了压缩波、膨胀波和持续振荡（Guo 等，2022）。现有研究主要关注激励机制、压力波调制和技术可行性，在实验室管道装置上已证明泄漏检测潜力，但在运行管道系统中的工程应用尚未确立。快速阀门动作、高压气体释放和强烈冲击也可能产生类水锤冲击和复杂振荡，因此仍需要低干扰、参数可控且重复稳定的发生器。激励输入、动态响应和泄漏位置可识别性之间的关系也仍不清楚。

海底生产歧管的复杂连通性为泄漏定位带来了额外挑战。主管线、分支管道、阀门、弯头和传感器形成固有的拓扑网络，压力扰动仅沿物理连通的流路传播。然而，传统神经网络通常将多传感器特征拼接成非结构化向量，未明确考虑分支连通性、传播路径或传感器之间的空间依赖关系。自适应图网络通过学习分布式传感器之间的多维关系，提供了更合适的表示（Lu 等，2026a）。分布式传感器之间的空间和拓扑关系也已纳入自适应图神经网络，用于海上管道结构健康监测（Lu 等，2026b），而拓扑感知消息传递已被应用于复杂管道系统中的故障定位（Plokhikh 等，2026）。尽管取得了上述进展，拓扑约束的连续候选位置与多传感器响应之间的显式对应关系仍处理不足。当泄漏定位被表述为预定义位置分类时，所得空间分辨率本质上受离散标签的限制。相比之下，直接坐标回归可能产生超出实际管段的预测。物理引导学习可以提高定位结果的物理合理性（Zhu 等，2026），但由于气体可压缩性、分支反射、局部阻抗、阀门状态和边界条件强耦合，精确的瞬态建模仍然困难，且许多相关模型参数难以可靠识别。

基于以上分析，仍存在三个未解决的挑战。第一，自然产生的波前耗散后无法获得稳定的位置敏感观测。第二，非结构化特征建模无法充分表示候选泄漏位置、压力波传播路径和传感器响应之间的关系。第三，离散位置分类限制了空间分辨率，而直接坐标回归可能产生超出实际管段的物理不合理预测。为应对这些挑战，本文提出了一种主动压力波增强的拓扑-物理约束连续候选图注意力网络。主要贡献总结如下：

(1) 开发了一种具有可调运行参数的全电动压力波发生器。在持续泄漏达到新稳态后施加稳定可重复的瞬态扰动，从而重构位置敏感的多传感器响应，降低对自然波前和泄漏初始时间的依赖。

(2) 将海底生产歧管表示为加权拓扑图，沿实际管段构建连续候选空间，从而将预定义位置分类重新表述为拓扑约束的连续坐标反演。

(3) 将理论路径衰减响应与经验响应模板相结合，并采用传感器图聚合和候选-传感器交叉注意力，实现多传感器观测与连续候选位置之间的物理引导匹配。

本文其余部分组织如下：第 2 节介绍基于拓扑和物理一致性的持续泄漏定位方法。第 3 节描述实验系统和测试配置。第 4 节展示并讨论实验结果。第 5 节总结主要结论。

**各节节选**

**基于拓扑和物理一致性的持续泄漏定位方法**

基于主动压力波增强和拓扑-物理约束，提出了一种针对持续泄漏的连续定位方法。整体架构如图 1 所示。持续泄漏定位从被动信号识别重新表述为拓扑约束下的主动连续反演。该重新表述通过主动重构位置敏感的观测、构建连续拓扑候选空间以及……

**系统描述**

为研究主动瞬态压力波激励下海底生产歧管中持续气体泄漏的传播和动态响应特性，建立了一个集成主动激励、多通道同步采集、长距离传输和实时监测的实验平台，如图 5 所示（Liu 等，2027）。该平台主要由实验歧管、空气压缩机、全电动压力波发生器和……组成。

**主动激励响应特性分析**

为验证压力波发生器能否向歧管产生并施加参数可调且可区分的瞬态压力扰动，首先在不泄漏条件下进行不同执行器速度和往复次数组合的实验，以无主动激励条件作为基线。根据执行器速度、往复行程和循环次数计算各条件的理论冲击频率，之后……

**结论**

针对海底生产歧管的持续泄漏定位，提出了一种具有拓扑-物理一致性的主动压力波增强连续候选图注意力网络。在持续泄漏达到新稳态后施加可控的瞬态压力扰动。利用沿管道网络的最短路径表示压力波传播。融合多域响应特征、连续候选空间、理论-经验响应先验以及……

**CRediT 作者贡献声明**

Xuelin Liu：写作—审阅与编辑、写作—初稿、可视化、验证、软件、方法学、调查研究、概念构思。Baoping Cai：项目管理、资金获取、概念构思。Guihe Li：数据整理。Kaizheng Wu：数据整理。Xiaoyan Shao：指导。

**利益冲突声明**

作者声明不存在可能影响本文所述工作的已知竞争性经济利益或个人关系。

**致谢**

本工作受国家重点研发计划（编号 2022YFC2806102）、国家自然科学基金（编号 52325107、52601512）、山东省博士后创新项目（编号 SDCX-ZG-202503050）、博士后科研流动站计划 B（编号 GZB20250071）和中央高校基本科研业务费（编号 25CX06047A）资助。

Xuelin Liu | Baoping Cai | Guihe Li | Kaizheng Wu | Xiaoyan Shao