物理引导的地下原油泄漏场二维到三维时空重建

《Process Safety and Environmental Protection》：Physics-Guided 2D-to-3D Spatiotemporal Reconstruction of Subsurface Crude Oil Leakage Fields

　　## 摘要快速表征隐藏的地下原油运移对于后果评估和早期应急规划具有重要意义，但传统计算流体力学（CFD）因成本过高而不适用于时间敏感的场景筛选。本研究提出TSA-3DGen，一种物理引导的二维到三维时空重建框架，旨在从计算流体力学数据集中在上限替代观测方案下选取的代表性二维序列截面出发，预测演化的三维浓度场。本研究的主要贡献在于将地下原油泄漏预测表述为一种在有限代表性截面输入条件下的物理引导的二维序列到三维场预测问题。在此框架下，TSA-3DGen引入了深度条件自适应调制和跨层空间注意力机制，以从部分二维观测中重建垂直羽流结构，同时通过物理动机的软正则化提高长时预测的稳定性。在所测试的计算流体力学场景中，TSA-3DGen实现了0.991的Pearson相关系数和0.009的全局平均绝对误差，在受影响面积和阈值超限体积上的相对误差分别为4.17%和6.26%。此外，该方法将累积长时预测误差降低了65%，单步推理仅需450毫秒，比CFD快约8000倍。这些结果表明，物理引导的二维到三维时空重建方法在快速模拟场景筛选和埋地管道泄漏的初步后果评估方面具有方法论前景，但在接近实际野外观测条件下的更广泛验证仍是必要的。## 引言埋地管道因其大容量、高可靠性和成本效益，仍然是石油运输的主要方式。然而，随着区域和全球管道网络的持续扩展，与老化、腐蚀和第三方损坏相关的故障已成为持续性的安全关切（Brito等，2010；Vishnuvardhan等，2023；Woldesellasse和Tesfamariam，2023）。原油具有挥发性、可燃性和环境危害性，因此地下管道泄漏对生态系统和公共安全构成了严重且往往隐蔽的威胁。近期的事故不断揭示这些后果：在中国，2013年青岛破裂事故引发了重大爆炸并造成严重人员伤亡（Xu等，2024），而2010年大连事故则泄漏了数千吨原油并造成了大范围环境污染（Wang等，2013）。在国际上，Keystone管道破裂调查也记录了严重的局部污染风险（Fox和Lamm，2021）。这些事件突显了一个核心技术挑战：多孔介质中地下原油运移是隐蔽的、三维的，且难以从有限观测中快速表征。在实践中，应急响应人员往往需要在全数值模拟完成之前，及时估计羽流范围、可能的运移路径和潜在受影响区域。因此，对时空浓度场的快速且物理可信的预测对于后果评估、监测部署和应急规划至关重要（Al-Sabaeei等，2023）。早期研究主要依赖计算流体力学（CFD）来分析复杂的泄漏和扩散过程。多相CFD模型已被用于模拟多孔介质中的地下原油分布（Liang等，2018）、非约束含水层中的三维柴油运移（Feo和Celico，2025），以及不同运行条件下埋地管道的泄漏行为（Lyu等，2019；Zhang等，2022）。然而，传统CFD需要复杂的网格划分和严格的收敛控制，单个泄漏场景可能需要数小时才能完成计算。因此，CFD在时间敏感的应急评估中仍然难以应用。为了解决这一效率瓶颈，数据驱动和物理引导的深度学习替代模型已成为一种有前景的替代方案。纯粹数据驱动的模型通过从先验数据中提取非线性映射来显著减少推理时间。对于一维时间序列预测，长短期记忆网络（LSTM）及其变体已被广泛采用。这些模型已成功应用于管道流量异常诊断和工业管道泄漏检测（Li等，2024；McMillan等，2023；Park等，2024）。此外，支持向量机（SVM）等机器学习算法也被用于通过声学信号进行一维早期泄漏检测（Banjara等，2020）。对于复杂的流场，模型必须捕捉时空拓扑依赖性。ConvLSTM和3D-UNet等高维架构已被用于危险化学品扩散的短期预测以及相关工艺安全流场问题（Han等，2024；Lyu等，2026；Ni等，2020）。为降低高维数据的计算负担，降维和生成架构也已被探索。例如卷积变分自编码器、GAN耦合框架以及其他面向高维物理系统的替代模型（Geneva和Zabaras，2020；Zhu等，2019）。在这些方法中，物理引导的替代模型尤其具有吸引力，因为它们将快速推理与改进的物理可信度相结合，适用于复杂流体系统。相关框架已被用于地下气体泄漏和深水天然气水合物扩散的快速预测（Han等，2026；He等，2024；Shi等，2021）。尽管取得了这些进展，仍存在重要的局限性。大多数现有模型局限于简化的二维设置或需要全场监测数据。它们不适合仅从有限的二维监测截面或稀疏观测切片中重建多孔介质中埋地管道泄漏的垂直运移和三维非均质演化。因此，从部分二维信息重建隐藏的地下三维浓度场仍然是一个具有挑战性的逆问题。纯粹数据驱动的模型提供了速度，但物理可解释性有限。物理信息神经网络（PINNs）被引入以将偏微分方程（PDE）信息作为软惩罚纳入损失函数（Raissi等，2019）。改进的PINN变体随后被用于稳态不可压缩流和多孔介质中的多相流（Lehmann等，2023；Xiao等，2024；Zhang等，2024）。在地下流和地下水应用中，PINNs在多物理场数据同化、多孔介质流重建和多组分污染物传输方面已显示出前景（Almajid和Abu-Al-Saud，2022；He等，2020；Hou等，2025）。更广泛地说，物理引导的深度学习现在正在工业安全应用中快速扩展。在此背景下，本研究考察了在计算流体力学数据集中，依据上限替代观测方案选取的代表性二维输入截面是否能够支持物理可信且计算高效的、时间演化的地下原油三维浓度场重建。因此，本研究定位为一种物理引导的替代建模调查，而非声明可直接用于现场部署。本研究的关键贡献总结如下：第一，将埋地泄漏问题表述为二维序列到三维场预测任务。不再假设完整的三维监测信息，所提出的时序感知二维到三维生成网络（TSA-3DGen）利用序列代表性二维输入截面来推断隐藏的三维浓度场。在当前计算流体力学数据集中，这些截面由最大足迹提取规则定义，并作为上限替代观测用于评估有限输入三维场预测的可行性。第二，TSA-3DGen的方法学进展在于深度条件重建机制。深度条件自适应调制（DCAM）和跨层空间注意力（CLSA）模块被用于将代表性二维空间信息传递到不同深度层，从而改进垂直非均质羽流结构的重建。第三，该框架引入了物理动机的软正则化项，包括空间连续性、扩散衰减和质量一致性损失。这些项在当前基于CFD的预测设置下改进了物理可信度和长时稳定性。如图1所示，TSA-3DGen由四个关联阶段组成。首先，对历史代表性二维输入截面进行时序编码以捕捉泄漏演化。其次，DCAM和CLSA将这些有限的代表性二维输入转化为深度条件空间特征用于二维到三维重建。第三，Conv3D聚合跨层特征以从有限的代表性二维输入预测下一步三维浓度场。最后，重建损失和物理引导正则化项共同约束训练过程。第2节依次呈现控制方程、二维到三维重建机制以及时序-物理耦合。## 章节摘录### 方法本节介绍用于预测埋地原油管道泄漏三维浓度场的物理模型和深度学习架构。首先基于多孔介质流理论引入控制方程。然后描述基于DCAM的重建模块，以从代表性二维输入推断三维地下分布。最后介绍时序预测组件和物理引导正则化策略，构成完整的TSA-3DGen。### 高保真时空泄漏数据库的构建开发鲁棒的泄漏预测模型需要既大又多样化的数据集。由于实际原油泄漏的现场数据极难获取，本研究使用CFD模拟来构建综合数据库。因此，本节描述了CFD数据生成过程以及有限的实验对前锋演化和受影响区域扩展的佐证，而非对实际原油浓度场的完整定量验证。### 结果与讨论本节在模拟CFD数据集上评估TSA-3DGen。首先总结训练和超参数设置，然后报告在留出的测试集上的预测性能，接着进行消融实验和与代表性时间序列模型的基准比较。### 结论本研究提出TSA-3DGen作为一种物理引导的二维到三维时空替代框架，用于在模拟多孔介质泄漏场景下从有限的二维输入截面重建隐藏的地下原油浓度场。通过将ConvLSTM时序编码与DCAM、CLSA和物理引导软正则化相结合，该框架解决了从有限的代表性二维输入到时间演化的三维羽流结构的病态二维到三维重建问题。在当前的……### CRediT作者贡献声明**王聪泽：** 初稿撰写、可视化、验证、软件、方法论、调研、形式分析、数据整理。**李云涛：** 验证、资源、项目管理、方法论、资金获取、概念构思。**韩子琦：** 验证、方法论、形式分析、数据整理。**王玉敏：** 审阅与编辑、验证、监督、资源、项目管理、方法论、调研、资金获取、形式分析、数据整理，### 利益冲突声明作者声明他们不存在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。### 致谢本工作得到了国家重点研发计划（项目编号：2023YFC3011300）和中国博士后科学基金（项目编号：2025M781758）的资助。#### 利益冲突声明我们声明不存在利益冲突。---王聪泽 | 吴建松 | 王玉敏 | 韩子琦 | 李云涛 | 蔡季涛