《Process Safety and Environmental Protection》：Physics-informed multi-task neural network for simultaneous leak detection, diameter estimation, and localization in multiphase pipelines
编辑推荐：
管道泄漏是密封失效事件，可能造成火灾、爆炸、有毒物质释放和环境破坏等严重工艺安全后果；然而，由于非线性气液流动动力学和海底仪器稀疏，海上多相系统中泄漏的同步检测、孔径估计和定位问题至今仍未解决。现有方法分别处理上述任务，或依赖计算密集的实时瞬态模型，或依赖缺乏
管道泄漏是密封失效事件，可能造成火灾、爆炸、有毒物质释放和环境破坏等严重工艺安全后果；然而，由于非线性气液流动动力学和海底仪器稀疏，海上多相系统中泄漏的同步检测、孔径估计和定位问题至今仍未解决。现有方法分别处理上述任务，或依赖计算密集的实时瞬态模型，或依赖缺乏物理一致性的纯数据驱动检测器，在动态风险评估和运行风险管理框架所要求的物理一致性表征方面存在空白。本文提出了一种物理校正增强物理信息神经网络（Physics-Corrected Enhanced Physics-Informed Neural Network, PCE-PINN），这是一种统一的多任务架构，仅通过标准进出口压力和流量测量即可同步执行泄漏检测、孔径估计和位置预测。该框架将守恒定律导出的特征与嵌入式物理子网络相结合，通过自适应课程训练（adaptive curriculum training）和 $\bar{\mathcal{R}}$ 自适应配置点采样（$\bar{\mathcal{R}}$ adaptive collocation）惩罚无量纲质量、动量和机械能平衡的违反。在代表哈马德·本·哈利法大学（Hamad Bin Khalifa University, HBKU）实验室测试设施的机理生成数据集上进行的分层5折交叉验证评估表明，PCE-PINN在泄漏检测中取得了F1=1.00的性能，同时具有强大的回归性能：泄漏孔径的$R^2=0.906$，归一化泄漏位置的$R^2=0.941$。与使用相同特征的五个经典机器学习基线相比，PCE-PINN将定位$R^2$相对于最佳基线提高了16.5%，证实了增益来源于物理信息架构。基于SHAP的归因分析证实，预测由可物理解释的、守恒一致的特征主导。通过从常规过程测量中提供同步的、物理一致的泄漏存在性、严重性和位置估计，PCE-PINN为海上多相系统的动态和运行管道风险管理提供了所需的诊断层。
## 多相管道泄漏诊断的物理信息多任务学习框架：PCE-PINN研究解读
### 一、研究背景与问题提出
多相流动在石油生产系统中广泛存在，准确预测压力梯度对于管道安全经济运行至关重要。随着海上开发向更深水域和更长回接距离延伸，海底管道必须在日益苛刻的条件下输送多相流体。根据美国管道和危险材料安全管理局（Pipeline and Hazardous Materials Safety Administration, PHMSA）的记录，自2010年以来管道事故平均每天约发生1.7起，造成数千人疏散和数亿美元财产损失。对于海上系统，泄漏尤为棘手，因为释放的气液混合物会形成海底羽流，可上升、扩散并与洋流相互作用，使环境评估和表面检测都变得困难。
从工艺安全角度看，管道泄漏是密封失效（loss-of-containment, LOC）事件，代表了分层防御系统中的主要完整性屏障失效。定量风险评估（quantitative risk assessment, QRA）将失效频率估计与后果建模相结合，动态风险评估（dynamic risk assessment, DRA）则随着屏障性能、传感器读数和运行条件等新信息的出现而持续更新风险估计。这些框架需要关于是否发生泄漏、泄漏多大以及泄漏位置在哪的及时准确诊断信息，这些量直接输入运行风险度量的概率和后果项。然而，现有方法存在根本性局限：机理模型和实时瞬态建模系统计算强度大；纯数据驱动的机器学习检测器缺乏物理约束；已有的物理信息神经网络（physics-informed neural network, PINN）方法主要应用于单相管道系统；且当前框架将检测、孔径估计和定位视为独立任务。据研究人员所知，尚无已报道的框架将物理信息学习统一到多任务架构中，用于海上气水多相管道的同步泄漏检测、孔径估计和定位。这一研究空白直接促成了PCE-PINN框架的提出。
### 二、研究内容与主要结论
研究人员提出了物理校正增强物理信息神经网络（Physics-Corrected Enhanced Physics-Informed Neural Network, PCE-PINN），这是一个统一的多任务架构，仅使用标准进出口测量即可同时检测多相管道中的泄漏、估计其孔径并预测其位置。该模型在两个层面编码多相流物理：一是通过源自守恒原理和无量纲流动表征的物理引导输入特征，二是通过嵌入式物理子网络在训练期间惩罚质量、动量和机械能平衡的违反。采用SMOTE式特征空间增强策略来缓解泄漏样本稀缺问题。事后SHapley Additive exPlanations（SHAP）分析表明预测由物理上有意义的量驱动，紧凑架构设计用于高效推理。
在代表哈马德·本·哈利法大学（Hamad Bin Khalifa University, HBKU）实验室测试设施运行包络的机理生成数据集上，采用分层5折交叉验证进行评估。数据集包含278个样本（154个无泄漏，124个泄漏），覆盖管长600–6500 m、管径0.0762–0.172 m、泄漏孔径0.0127–0.0762 m等广泛参数范围。主要结果如下：泄漏检测F1=1.0000，马修斯相关系数（Matthews Correlation Coefficient, MCC）=1.0000；泄漏孔径估计$R^2=0.9064$（95%置信区间：[0.8827, 0.9301]），平均绝对误差为满量程孔径范围的6.67%；泄漏位置预测$R^2=0.9408$（95%置信区间：[0.9178, 0.9638]），平均绝对误差为管长的3.65%。
消融研究确认了各组件的重要性：移除物理约束导致定位$R^2$下降7.8%；移除$\bar{\mathcal{R}}$自适应配置点采样导致孔径$R^2$下降5.5%和定位$R^2$下降8.3%；移除空间注意力显著影响定位精度；移除数据增强同时降低孔径和定位性能。与五个经典机器学习基线在相同特征下比较，PCE-PINN在定位$R^2$上较最佳基线（K近邻）提高了16.5%，证实性能增益来源于物理信息架构而非特征设计。SHAP归因分析确认，检测任务主要由归一化压力梯度和压力不对称性驱动，孔径估计主要由混合物粘度和归一化压降驱动，定位主要由液相表观雷诺数和弗劳德数驱动，所有预测均基于物理可解释的守恒一致特征。
### 三、关键技术方法
研究人员主要采用了以下关键技术方法：（1）物理引导特征工程：构建27维物理派生特征向量，涵盖压力特征（总压降、归一化压力梯度、压力比和不对称性）、质量/速度特征（质量损失分数、进口/出口混合物速度）、密度和相特征（密度变化、截面含气率变化、长径比）以及无量纲群（混合物/液体/两相雷诺数、弗劳德数、韦伯数、Lockhart–Martinelli参数）；（2）嵌入式物理子网络：将一维截面平均多相混合物守恒定律（质量、动量、机械能方程）作为软约束，通过边界一致场重构（boundary-conforming field reconstruction）从进口/出口边界条件重建管道内压力、速度和密度场，在自适应采样配置点处通过自动微分计算偏微分方程残差；（3）自适应课程训练策略：物理损失权重$\lambda_{phys}(t)$从零开始逐步增加，配合自适应当前训练实施；（4）$\bar{\mathcal{R}}$自适应配置点采样：在前一时期三个守恒方程的平均物理残差方差超过第60百分位数的位置集中配置点；（5）SMOTE式数据增强：通过特征空间插值生成合成泄漏样本，实现1:1的泄漏/无泄漏比例；（6）多任务学习架构：包含泄漏检测头（focal loss）、对数空间孔径回归头（掩码回归）和具有三区域专家路由的空间注意力定位头。模型参数量总计42,591个，其中部署路径仅22,521个参数，每次样本推理仅需44,681个浮点运算（FLOPs），即0.045百万浮点运算（MFLOPs），显著低于基于声学或振动信号的卷积、循环和注意力架构。
### 四、结果分析
**4.1 泄漏检测性能（分类）。** 泄漏检测被表述为二分类任务，使用宏F1分数、精确率、召回率和马修斯相关系数（MCC）进行评估。该框架在所有折中均达到F1=1.0000（95%置信区间：[1.0000, 1.0000]），MCC=1.0000进一步表明性能未因类别不平衡而膨胀。强类别可分性主要归因于物理引导特征，特别是质量不平衡分数和归一化压力梯度，这些特征根植于守恒原理。但需要指出，完全分离是噪声自由生成语料和特征共同的属性。
**4.2 泄漏表征性能（回归）。** 泄漏孔径估计$R^2=0.9064$（95%置信区间：[0.8827, 0.9301]），平均绝对误差为满量程泄漏孔径范围（0.0127–0.0762 m）的6.67%，等效4.23 mm。泄漏位置预测$R^2=0.9408$（95%置信区间：[0.9178, 0.9638]），平均绝对误差为管长的3.65%。散点图显示预测值与真实值高度一致。
**4.3 交叉验证总结与逐折分析。** 逐折检验确认泄漏检测在所有折中F1=1.000。回归性能保持高水平且变异性有限。第3折显示最低定位$R^2$（0.8981），而第2折最高（0.9704），归因于各折间泄漏位置分布的差异：包含较高比例管中泄漏（距两端仪器等距、泄漏特征最模糊）的折往往产生较低定位精度。尽管如此，所有折的定位和孔径$R^2$均保持在0.87以上。
**4.4 消融研究。** 固定80/20分层划分、每配置三个随机种子的消融研究确认完整模型始终优于所有简化变体。移除物理约束导致定位$R^2$降至0.8673，较完整模型下降7.8%；移除$\bar{\mathcal{R}}$自适应配置点采样导致最大孔径退化（$R^2$降至0.8569，降低5.5%）和显著定位退化（$R^2=0.8631$）；移除空间注意力使定位$R^2$降至0.8879；移除自适应课程主要影响孔径估计（$R^2$降至0.8777）；移除数据增强使孔径$R^2$降至0.8660和定位$R^2$降至0.8603。区域专家数量敏感性分析显示$N_z=3$配置在定位平均绝对误差（MAE）上表现最佳。
**4.5 与经典机器学习基线比较。** 在相同特征和交叉验证协议下，五个经典基线（随机森林、支持向量机、朴素贝叶斯+随机森林混合、K近邻、决策树）在检测任务上取得0.96–0.99的高F1分数，但在回归任务上存在显著差距。PCE-PINN的孔径$R^2=0.9064$优于最佳基线（随机森林/朴素贝叶斯+随机森林，$R^2=0.8977$）；定位$R^2=0.9408$较最佳基线K近邻（$R^2=0.8075$）提高了16.5%。四种机制解释这一优势：基于物理的正则化、空间注意力、自适应配置点采样和课程学习。
**4.6 与深度学习多任务基线比较。** 五个参数匹配的多任务深度学习基线（多层感知机、一维卷积神经网络、长短期记忆网络、Transformer、变分自编码器）均无物理组件。PCE-PINN在两个回归任务上均取得最高平均$R^2$，且置信区间最窄，表明改进与物理信息约束和任务特定架构设计的整合相关，而非仅靠神经表示能力。
**4.7 过拟合与交叉验证泄漏诊断。** 标签和目标混洗控制实验中，排列标签后泄漏类别F1从1.00降至0.00；排列回归目标后孔径和定位$R^2$分别降至?0.31和?0.18，表明混洗监督仅产生平凡性能。数据分数学习曲线显示检测在各分数下均保持F1=1.00，孔径$R^2$无系统趋势，定位$R^2$在完整训练集时最清晰改善（0.942）。这些诊断未发现预处理或直接目标泄漏的证据，但存在模型选择乐观性。
**4.8 与最新方法比较。** 与文献中的先进方法比较表明，据研究人员所知，尚无现有方法在统一框架内同时解决检测、定位和孔径估计三个任务。多数先前工作仅关注检测，或结合检测与定位或尺寸分类。Kim等人（2024）同时处理定位和尺寸分类但不含泄漏检测；Al-Ammari等人（2024）在OLGA模拟多相数据上实现了强定位（$R^2>0.96$）但不进行同步孔径估计或物理正则化。PCE-PINN通过单一多任务架构联合执行检测（F1=1.000）、连续定位（$R^2=0.941$）和连续孔径估计（$R^2=0.906$）。此外，多个高性能方法依赖声发射或振动传感器等专用硬件，而PCE-PINN仅使用现有管道基础设施中常规可用的压力和流量测量。
**4.9 模型可解释性分析。** SHAP分析确认泄漏检测主要由归一化压力梯度（dP_norm）、压力不对称性（P_asym）和进口质量流量驱动；孔径估计主要由混合物粘度和归一化压降主导；定位预测由液相表观雷诺数和弗劳德数领先。结果表明模型基于物理上可测量的量进行预测，物理引导特征工程有效编码了所有三个任务的泄漏特征。
**4.10 工艺安全与风险工程意义。** PCE-PINN的输出——同步、物理一致的泄漏概率、孔径和归一化位置估计——正是动态和运行风险评估框架所需的输入。连续孔径估计使得按严重程度成比例响应成为可能，连续位置预测允许优化隔离阀选择和紧急停机规划。在领结模型表示中，$\hat{p}_{leak}$映射到检测屏障性能，$\hat{d}_{leak}$和$\hat{\xi}_{loc}$确定最可能的后果分支和应启动的缓解屏障。在动态贝叶斯网络公式中，三个输出在到达概率风险模型之前将原始信号预处理为校准的概率、严重性和位置证据。研究人员还指出当前模型输出点估计而非校准的逐预测不确定性，需要通过历史验证集误差分布进行经验包络传播。
**4.11 对不同管几何和网络拓扑的适用性。** 输入特征集以经典无量纲相似群为主，为期望模型在训练中未明确出现的管几何间插值提供了物理基础。但物理残差在无量纲坐标中评估，使用训练集中观察到的最大长度和直径作为特征尺度（$\mathcal{L}_{char}=\max(L_{pipe})_{data}$和$D_{char}=\max(D)_{data}$），因此物理一致性约束正式校准到训练集几何包络。对于分支或环状管网的泛化，当前控制方程和架构不包含连接节点、分流或合流的表示，需要结构性不同的模型扩展（如基于图的方法），这是实质性架构扩展而非增量推广。
**4.12 计算复杂度。** 部署路径包含22,521个参数（占模型42,591个总参数的52.9%），每次样本仅需44,681个浮点运算（FLOPs）。物理子网络、辅助锐度网络、可学习摩擦系数和域分类器仅用于训练期间计算物理残差和域自适应损失，训练完成后其贡献已嵌入主干网络的训练权重中，测试时无需重新评估。部署模型比通常用于管道诊断的卷积、循环和注意力架构低约两到三个数量级。
**4.13 对传感器噪声的鲁棒性。** 在保持测试集上向压力、流量和相特性量注入高斯噪声（分别为各量自身变异性的1%、3%和5%），27个物理引导特征从每个含噪原始测量集重新计算。检测F1在1%噪声下下降0.0861，在5%噪声下保持0.8794以上；定位是更具弹性的回归任务（5%噪声下$R^2=0.7320$，较清洁基线下降0.2088）；孔径估计对噪声最敏感（从$R^2=0.9064$降至0.5771）。这一排序与SHAP分析确定的特征依赖一致：孔径估计最依赖归一化压降这一双传感器差分信号，直接完全暴露于两个压力测量的噪声；而定位由结合多个测量量和固定管径的无量纲群主导，降低了注入传感器噪声的总体暴露。
**4.14 扩展至多个同步泄漏。** 单泄漏假设是结构性限制，源于特定建模选择：泄漏源项（式(7)）是一个以预测位置$\hat{\xi}_{loc}$为中心、具有一个预测孔径$\hat{d}_{leak}$的单个高斯函数，架构相应地为每个管道段恰好提供一个定位头和一个孔径头。两个同步泄漏将产生两个源项的叠加特征，当前头没有机制表示多于一个的定位/孔径对。可行的扩展是将式(7)中的单个高斯替换为$K$个高斯源项的混合，每个源项具有自己的学习概率、孔径、位置和空间范围，并采用基于匹配的分配损失。检测预期保持相对鲁棒，因为质量不平衡分数和归一化压力梯度近似线性叠加；个体定位和孔径估计是限制因素，因为一旦两个泄漏特征重叠，从单个差分压力和流量信号中分离个体贡献成为不适定逆问题。
### 五、讨论总结与研究结论
本研究表明，物理信息多任务学习为推进多相管道泄漏诊断提供了有前景的途径。与纯基于模型或纯数据驱动的方法不同，PCE-PINN通过守恒定律执行、自适应配置点采样、可解释预测和统一多任务架构的结合，为近实时多相管道完整性监测提供了可扩展的基础。从工艺安全角度看，管道泄漏是需要同步了解泄漏概率、严重性和位置的密封失效事件。PCE-PINN弥合了孤立处理检测的过程安全检测器与动态和运行风险框架所需的同步概率、严重性和位置输入之间的差距，在多相守恒约束下从标准SCADA兼容测量中提供全部三个量。SHAP归因预测的透明性进一步满足安全关键决策支持的可靠性要求。研究在机理生成数据集上展示了结果；在现场测量、传感器仪表条件下进行验证，以及与实时SCADA流的集成，是运行部署的必要后续步骤。未来工作方向包括：在更密集网格上重新生成训练语料并采用随机场景采样；采用按基础运行场景分组的分层嵌套交叉验证；针对定位头设计定制正则化；验证模拟包络之外的现场或流动回路测量；扩展至多泄漏检测以及分支和环状网络拓扑。
