基于人工神经网络的加油站油罐管道泄漏监测方法.pdf

文章编号院 1000谣7466(2023)06谣0024谣07收稿日期院 2023-06-23作者简介院 林艺松（1989-），男，福建南靖人，工程师，硕士，从事化工企业应急、安全和消防等管理及研究工作。基于人工神经网络的加油站油罐管道泄漏监测方法林艺松1袁 李明2袁 林俊宇1袁 陈汝信1渊1.广东省华大物流有限公司袁 广东 广州510145曰2.广东省广物控股集团有限公司袁 广东 广州510640冤摘要院 通过构建加油站油罐管道输送动力学模型袁 获取原始的流量和压力数据袁 结合卷积神经网络 渊CNN冤 和长短期记忆网络 渊LSTM冤 的优势袁 建立了 CNN-LSTM 组合管道泄漏预测模型袁输入原始数据进行深度学习袁 训练出可根据压力梯度预测流量的 CNN-LSTM 组合管道泄漏预测模型遥 若管道实际流量数据与预测流量数据之间的误差超过阈值即发生泄漏袁 根据压力曲线距离算法即可确定泄漏点位置遥 加油站油罐管道泄漏监测现场试验结果表明袁 在 2 种不同开阀方式下袁 基于 CNN-LSTM 组合模型的管道泄漏预测方法可以快速准确预测泄漏事件的发生袁 实时预警袁 报警时间最短袁 泄漏点定位误差最小袁 泄漏点定位误差低于 2.4%遥关键词院 管道曰 油罐曰 加油站曰 人工神经网络曰 泄漏曰 监测中图分类号院 TP391文献标志码院Adoi:10.3969/j.issn.1000-7466.2023.06.004Monitoring Method of Oil Tank Pipeline Leakage in Gas Station Basedon Artificial Neural NetworkLIN Yi-song1袁LI Ming2袁LIN Jun-yu1袁CHEN Ru-xin1渊1.Guangdong Huada Logistics Co.Ltd.袁Guangzhou 510145袁China曰2.Guangdong GW Holdings Group Co.Ltd.袁Guangzhou 510640袁China冤Abstract:By constructing the dynamic model of oil tank pipeline transportation in the gas station袁 theoriginal flow and pressure data were obtained.Combining the advantages of convolutional neural network渊CNN冤and long short-term memory network 渊LSTM冤袁the CNN-LSTM combined pipeline leakageprediction model was established.A CNN-LSTM combination pipeline leakage prediction model that canpredict the flow rate according to the pressure gradient was trained by deep learning on the input data.If theerror between the actual flow data of the pipeline and the predicted flow data exceeds the threshold袁a leakoccurs.The location of the leak point can be determined based on the pressure curve distance algorithm.Theon-site test results of oil tank pipeline leakage monitoring in gas stations show that under two different valveopeningmethods袁thepipelineleakagepredictionmethodbasedontheCNN-LSTMcombinationmodelcanquicklyandaccuratelypredicttheoccurrenceofleakageevents袁providereal-timewarning袁withtheshortestalarm time袁the smallest leakage point positioning error袁 and the leakage point positioning error is less than2.4%.Key words:pipeline曰oil tank曰gas station曰artificial neural network曰leakage曰monitoring第 52 卷第 6 期2023 年 11 月石油化工设备PETRO谣CHEMICAL EQUIPMENTVol.52No.6Nov.2023目前袁 我国大多数加油站使用的都是埋地油罐的储存方式袁油罐与加油机间采用管道输送遥这些油罐管道使用久了会产生老化尧腐蚀等问题袁油罐管道泄漏事件时有发生袁不仅污染环境咱1暂袁甚至可能引发加油站油罐爆炸事故遥因此袁加油站油罐管道泄漏监测是近年来一个重要研究课题咱2-3暂遥在油罐管道发生泄漏时袁如何快速准确定位泄漏点袁对于加油站安全运行尧 降低事故损失以及防止重大安全事故发生都具有重要意义咱4暂遥国内外的油罐管道泄漏监测方法主要分为两大类袁分别基于流量和压力数据遥许多研究人员也在不断开发新的泄漏监测方法袁 例如研究多样化的泄漏信号处理方式尧 如何更好地提取信号本身特征等遥 王晓敏等咱5暂针对采集的油罐管道流量信号袁使用小波变换进行分解和重构袁采用统计技术提取流量信号特征袁 将特征提取结果分别作为多层感知器神经网络渊MLPNN冤分类器的输入项袁根据输出结果确定泄漏状态并确定泄漏点位置遥 王新颖等咱6暂使用卷积神经网络渊CNN冤实现油罐管道泄漏监测袁 选取管道泄漏中 9 种特征参数作为模型原始输入量袁 通过 CNN 提取数据特征袁 进行参数重构袁再经过 soft-max 分类袁最终达到泄漏监测的目的遥 但这 2 种泄漏监测方法不能对油罐管道数据进行有效的多维序列特征提取袁 也不能发现时序时间数据中数据间的相互依赖关系遥近年发展起来的人工神经网络深度学习方法在多个研究领域都取得了卓越成果袁 因此也被用于管道泄漏监测研究咱7暂遥 为了更好地监测油罐管道泄漏情况袁 笔者构建了融合 CNN 和长短期记忆网络渊LSTM冤这 2 种人工神经网络的组合预测模型袁 以此为基础研究了加油站油罐管道泄漏监测新方法袁从而达到高效监测和实时预警的目的遥1油罐管道输送动力学模型在管道流体动力学分析中袁 用一元运动模拟油体在油罐管道中的输送袁 构建对应的偏微分方程组需要遵循 3 个定律袁 即能量尧 质量和动量守恒袁其公式为院鄣渊籽v冤鄣x+鄣籽鄣t=0籽姿dv22+鄣渊籽v冤鄣x+籽g鄣z鄣x+鄣渊籽v2冤鄣x+鄣p鄣x=0渊1冤鄣鄣x籽v h+v22蓸蔀蓘蓡+鄣鄣t籽 u+v22蓸蔀蓘蓡=-籽v鄣Q鄣x扇墒设设设设设设设设设缮设设设设设设设设设式中院v 为油体流速袁籽 为油体密度袁p 为油体压力袁d 为管道内径袁t 为时间袁x 为沿管长变量袁g 为重力加速度袁z 为高程袁h 为油体的焓袁u 为油体内能袁Q为单位质量油体散发的热量袁姿 为摩阻系数遥管道输送过程中进行 3 个设定院 地形没有高低变化遥时间因素不会干扰油体的流速尧压力和温度袁油体流动稳定遥管道横截面积保持一致并实现满流遥 由此袁式渊1冤可变换为院dpdx=-姿v2p2ddhdx=-dQdx扇墒设设设设设设缮设设设设设设渊2冤根据热力学关系可进一步得出院dh=鄣h鄣p蓸蔀Tdp+鄣h鄣T蓸蔀pdTdQdx=4Z(T-T0)籽vD扇墒设设设设设设缮设设设设设设(3)式中院D 为管道外径袁Z 为油体传热系数袁T 为油体温度袁T0为邻域介质温度遥调整式渊2冤可得院a11dpdx+a12dTdx=b1a21dpdx+a22dTdx=b2扇墒设设设设设设缮设设设设设设(4)其中a11=1a21=鄣h鄣p蓸蔀Ta12=0a22=鄣h鄣T蓸蔀pb1=-姿v2籽2db2=-4Z(T-T0)籽vD为了获取式渊4冤的解 dy/dx=f渊x袁y冤袁需要设置向量 y=渊p袁T冤遥 计算管道温度以及压力时的运算步长是每段微元管道的长度 x袁 总体管道由M 段微元管道组成遥 采用三阶龙格-库塔法咱8暂袁依据第 i-1 段管道的温度 Ti-1和压力 pi-1求解第 i段管道温度 Ti及压力 pi院yi=(Z1+2Z2+2Z3)x6+yi-1Z1=f(xi-1,yi-1)Z2=f xi-1+x2,yi-1+x2Z1蓸蔀Z3=f xi-1+x2,yi-1+x2Z2蓸蔀扇墒设设设设设设设设设设设设设缮设设设设设设设设设设设设设(5)第 6 期林艺松袁等院基于人工神经网络的加油站油罐管道泄漏监测方法25窑窑2023 年第 52 卷石油化工设备2基于 CNN-LSTM 的油罐管道泄漏监测方法2.1CNNCNN 是一种前馈型神经网络咱9暂袁其特点是拥有超强的空间数据处理能力袁 可以对采集的管道流量和压力数据进行有效的多维序列特征提取遥CNN 分为 3 个部分袁卷积层遥 该层负责特征提取袁包含很多个特征面袁通过这些特征面对数据的特征进行分解袁构建新的特征矩阵袁经过卷积运算把特征提取出来遥池化层遥降维采样是其主体过程袁可以对特征量进行二次提取遥池化层具有与卷积层相同数量的特征面袁 还能够降低关联参数的维度袁使用最大值的方式进行降维处理袁可以使CPU 在工作中更加节能减耗遥全连接层遥为了导出最终结果袁需要通过隐含层袁并提前将特征图上的全部神经单元都连接起来遥2.2LSTMLSTM 具有优秀的管道流量预测性能咱10暂袁特别是在处理长期的管道流量和压力数据时比 CNN 的应用效果更好遥 因为在长时间序列训练进程中袁LSTM 能够消除 CNN 不能长期保存历史信息以及梯度消失等缺点袁 较好地分析管道流量和压力等序列数据间的依赖关系遥LSTM 单元内部结构渊图 1冤整体分为两部分袁即用于储存记忆的 1 个状态模块和 3 个特别的门结构遥 LSTM 单元时刻的状态信息和当下时刻信息分别为 Ct尧Ct袁t 时刻的输入门尧遗忘门尧输出门分别为 it尧ft尧Ot袁 隐含层 t 时刻的输出和 sigmoid 激活函数分别为 ht尧滓遥图 1 LSTM 单元内部结构示图上一时刻记忆单元 Ct-1的遗忘比例表示为遗忘门院ft=滓bf+Wf(ht-1,xt)渊6冤选允许进入本单元的信息袁也就是输入门院it=滓bi+Wi(ht-1,xt)渊7冤在 Ct中挑选性地录入新的记忆信息袁以 ft和it为依据袁更新 t 时刻单元状态院Ct=tanhbC+WC(ht-1,xt)扇墒设设设设缮设设设设Ct=itCt+ftCt-1渊8冤激活 Ct袁并决策其输出大小袁即为 t 时刻的输出门院Ot=滓bo+Wo(ht-1,xt)渊9冤扇墒设设设设缮设设设设ht=OttanhCt式渊6冤式渊9冤中院Wf尧Wi尧WC尧Wo分别为各模块对应的权重矩阵袁bf尧bi尧bC尧bo分别为各模块对应的偏置项遥双曲正切激活函数 tanh x 和 sigmoid 激活函数 滓渊x冤为院滓渊x冤=1/(e-x+1)渊10冤扇墒设设设设缮设设设设tanh x=(ex-e-x)/(e-x+ex)最后通过下式取得预测值 yt院yt=滓(by+Wyht)渊11冤式中院Wy为输出层权重矩阵袁by为偏置项遥2.3CNN-LSTM 组合管道泄漏预测模型CNN-LSTM 是一种空间和时间相结合的网络袁能够充分提取多维空间数据特征袁 并捕获时间序列数据间的依赖关系袁从而提高预测能力遥在管道输送过程中袁要预测管道流量袁需要采集管道上各个压力采样点和流量计的数据袁 依据这些压力数据计算出压力梯度值袁 再将压力梯度值加上流量数据组成数据样本袁 输入 CNN-LSTM组合模型中进行模型训练袁从而预测出管道流量遥管道流量与压力梯度二者之间是确定关系院Qt=f渊pt-k,qt-k冤渊12冤其中pt-k=p0t-k,p1t-k,-p1t-k,-p2t-k,噎噎袁pn-1t-k,pnt-k嗓瑟渊13冤式中院 Qt为 t 时刻的管道流量预测值袁pt-k为 t-k时刻的压力梯度平均值袁qt-k为流量数据遥pt-k是根据管线压力点的分布获取维度袁属于向量遥qt-k最低为 1袁根据流量计的数量决定遥要获得第 n 个数据样本袁假设 j 为回溯时间深度袁管线中流量计数量为 k 个袁压力变送器有 i 台袁依据采集的压力数据袁压力梯度数据 pnt-1为 i-1 个袁那么第 n 个数据样本表述为院26窑窑pn=p1n-0,p2n-0,p3n-0,噎,pi-1n-0,q1n-0,噎,qkn-0p1n-1,p2n-1,p3n-1,噎,pi-1n-1,q1n-1,噎,qkn-1噎p1n-j,p2n-j,p3n-j,噎,pi-1n-j,q1n-j,噎,qkn-j杉删山山山山山山山山山山山山山山山煽闪衫衫衫衫衫衫衫衫衫衫衫衫衫衫衫渊14冤因为各个管道情况存在差异袁 所以必须对模型的参数进行调整袁即设置流量计数量 k尧回溯时间深度 j 和压力梯度变量数值 i遥通过上述深度学习网络模型袁 输入采集的油罐管道压力和流量数据袁 训练出一个能够根据压力梯度预测流量的预测模型遥 为了监测泄漏事件袁需要实时预测油罐管道中的流量袁并将其与实际流量作对比袁实时监控二者之间的误差袁如果超过阈值即为发生泄漏咱11-12暂遥3油罐管道泄漏点定位为了对油罐管道泄漏点进行准确定位袁 提出了基于 CNN-LSTM 组合模型的泄漏监测方法袁其主要流程见图 2遥第 6 期林艺松袁等院基于人工神经网络的加油站油罐管道泄漏监测方法图 2 CNN-LSTM 组合模型泄漏监测方法流程管道输送过程中一旦发生泄漏袁 即预测流量与实际流量误差超过阈值时袁 泄漏点所在管段的流量和压力就会产生变化遥 为了寻找压力扰动源在管段内的方位袁 需要运算各个管段压力波形曲线序列每个点之间的距离袁 建立矩阵递推出最短路径袁 进行匹配和分类识别袁 从而找到泄漏点位置遥 运算时为了增加定位精度袁 需要使用采样间隔为 0.09 s 的压力数据袁并进行滤波处理遥采用可以衡量时间序列重合度的动态时间弯曲算法渊DTW冤进行泄漏点定位咱13暂袁DTW 的特点是可以自动匹配 2 条时间序列的波谷和波峰袁 因此可以实现一对多的数据响应袁 也就是能够度量不等长的时间序列袁进行匹配和分类识别袁最终达到根据油罐管道压力数据定位泄漏点的目的遥 为了对时间进行整齐运算袁DTW 使用动态规划的方式进行袁流程为袁构建距离矩阵 M渊i袁j冤袁通过运算压力波形曲线序列每个点的间距实现遥 以获取最短路径为目的袁通过递推袁从矩阵左上角至右下角找到一个可以使路径上元素和最小的路线袁递推过程需要遵守的约束是院Lmin渊i袁j冤=min Lmin嗓渊i袁j-1冤,Lmin渊i-1袁j冤,Lmin渊i-1袁j-1冤瑟+M渊i袁j冤渊15冤式中院 Lmin渊i袁j冤 为矩阵左上角渊1袁1冤到任何一点渊i袁j冤的最短路径长度遥根据运算结果袁 距离矩阵的最短路径值越小袁代表 2 个压力波形曲线序列越相似咱14-15暂遥在泄漏事件发生时袁 将各个管段压力点的采样数据通过 DTW 进行匹配和分类识别袁 其中最短路径值最大袁 也就是匹配度最低的一组压力波形曲线序列即为泄漏位置的压力数据袁 根据该压力采样点在管段内的方位即可找到泄漏点遥4加油站油罐管道泄漏监测现场试验4.1试验现场设计油罐管道泄漏监测试验对象为广州荔湾区某加油站袁 该加油站占地面积为 621 m2袁 包括 2 台15 m3埋地汽油罐尧1 台 15 m3埋地柴油罐尧6 台加油机和 12 支加油枪遥油罐上加装了阻隔防爆材料27窑窑2023 年第 52 卷石油化工设备装置袁设置了二次油气回收系统尧三级滤池和油气回收在线监控系统袁 提高了加油站的环境质量及安全系数遥 加油站的安全管理和职业健康管理均符合国家有关管理规范遥 加油站油罐管道泄漏监测试验现场见图 3遥图 3 加油站油罐管道泄漏监测试验现场图4.2试验平台构建根据基于 CNN-LSTM 组合模型的泄漏监测方法构建加油站泄漏监测试验平台袁 采集荔湾加油站 2022-05要2022-10 共 6 个月的监测数据作为样本袁输入模型进行训练袁模型结构参数为 k=1尧i=3尧j=6遥 经过多次训练使预测数据与实际数据基本一致袁得出适合试验管道使用的最终深度模型遥4.3试验结果分析阀门放油测试中使用了数控球阀和涡轮流量计袁 采用数控球阀可以达到精确控制阀门运行方式和开阀速度的目的遥 选用测试管段的 6#阀室渊距流量计 23 m冤和 3#阀室渊距流量计 47 m冤袁采用间断开阀和缓慢开阀 2 种方式进行试验遥 首次放油试验选择 6#阀室袁间断开阀袁阀门开到位时间10 s袁 得到的管道实际体积流量和模型预测体积流量数据曲线见图 4遥 从图 4 可以看出袁在阀门关闭测试时袁 管道实际体积流量值与模型预测值基本相同遥 打开阀门后袁模型预测值明显升高袁并提醒系统发出泄漏警报遥图 4 6#阀室放油试验中管道实际体积流量与模型预测体积流量曲线现场阀门放油测试结果见表 1遥 从表 1 看出袁在不同开阀方式下袁2 个阀室相对管段长的泄漏点定位误差都小于 1.4%袁 报警时间都在 50 s 以内遥测试结果表明袁使用本文方法进行油罐管道泄漏监测能够快速预测流量袁且报警时间较短袁同时因为采用了短时段平均数据袁 所以可增加预测结果的准确性袁减小泄漏监测误差遥6#-16#-2间断间断测试编号开阀方式1622阀门开到位时间/s管道瞬时体积流量/渊m3/h冤106113平均泄漏体积流量/渊m3/h冤0.940.87报警时间/s3548泄漏点定位误差渊相对管段长冤/%0.801.026#-3间断261110.78291.166#-4缓慢251320.96371.143#-1缓慢331360.81401.263#-2缓慢451300.67421.383#-3间断181340.86481.033#-4间断271350.61361.09表 1现场阀门放油测试结果在基于各种神经网络的管道泄漏监测方法中袁CNN 以及 MLPNN 是常用的 2 种建模网络遥 CNN结合了空间特征袁MLPNN 可以解决非线性分类问题遥 采用 CNN-LSTM 构建的组合模型是时间与空间相结合的复合预测模型遥 选用这 3 种神经网络构建的模型进行油罐管道泄漏监测对比试验袁选取测试管段 6#阀室进行放油测试袁统一调配阀门开到位时间和开阀方式袁都选用间断 30 s 和缓慢20 s 开阀方式遥不同神经网络模型下 6#阀室现场放油测试结28窑窑果见表 2遥从表 2 可以看出袁2 种不同开阀方式下袁CNN-LSTM 组合模型可以快速准确预测油罐管道泄漏事件的发生袁报警时间最短袁泄漏点定位误差最小袁预测性能显著高于其它 2 种神经网络模型遥表 2不同神经网络模型下 6#阀室现场放油测试结果神经网络模型MLPNNCNN泄漏点定位误差渊相对管段长冤/%1.151.24开阀方式间断间断报警时间/s3338CNN-LSTM1.02间断36CNN-LSTM缓慢381.19MLPNN缓慢491.37CNN缓慢401.41实际工况下袁由于各个加油站的设计布局尧规模大小以及油罐输油管道的位置和长度存在差异袁 所以单独的试验环境具有很大的局限性遥 为此袁 使用 PNS 管网仿真软件构建了另外 2 个加油站油罐管道仿真模型 A 和仿真模型 B袁 其设定参数见表 3遥 为了测试本文方法的适应性袁采用相同的数据样本对 2 个管道仿真模型进行泄漏监测仿真测试遥 加油站泄漏监测误差阈值设为 2.4%遥表 3油罐管道仿真模型设定参数参数管长/m内径/mm仿真模型 B15250仿真模型 A25450密度/渊kg/m3冤807.0823.6黏度/渊伊10-3Pa 窑 s冤12.818.9起点质量流量/渊t/d冤11 2001 650泄漏点距起点距离/m1.9耀17.81.5耀9.7输送温度/益2213泄漏率/%3耀1212耀24仿 真 模 型 的 管 道 内 径 调 整 维 度 是 200 500 mm袁管道长度调整维度是 1030 m袁分别在管道的 2/10尧4/10尧6/10尧 噎噎尧10/10 里程处设定泄漏点袁 不同泄漏率下油罐管道仿真模型的泄漏点定位结果见图 5遥 定位测试结果表明袁在不同油罐管道规格和泄漏率情况下袁 本文方法都可以精准确定泄漏点位置袁定位精度高袁且泄漏率越高袁定位误差越小袁 仿真模型 A 和仿真模型 B 的泄漏点定位误差始终低于误差阈值 2.4%遥图 5不同泄漏率下油罐管道仿真模型泄漏点定位结果5结束语基于实际加油站油罐管道环境袁 构建了用压力梯度精准预测实时流量的 CNN-LSTM 组合模型袁结合曲线距离算法确定泄漏点位置袁提出了一种新的加油站油罐管道泄漏监测方法遥 现场试验结果表明袁本文方法可以快速预测流量袁并且缩短预警时间袁提高预测结果准确性袁减小泄漏定位误差袁减少设备操作中误报情况的发生遥采用的CNN-LSTM 组合模型能够捕获序列数据之间的依赖关系袁结合多维序列特征提取袁快速准确地定位泄漏点袁报警时间最短袁泄漏定位误差最小遥 本文方法使用压力梯度预测流量的方式袁 降低了测量设备的局限性袁 对于安装单个和多个流量计的情况都适用袁 适合实际中各种规模加油站油罐管道的泄漏监测袁实用价值高遥参考文献院咱1暂 王贵愚袁方睿袁孙凯袁等.基于 STA/LTA 的输油管道泄漏检测方法咱J暂.北京理工大学学报袁2020袁40渊7冤院760-764.WANG G Y袁FANG R袁SUN K袁et al.A STA/LTA based第 6 期林艺松袁等院基于人工神经网络的加油站油罐管道泄漏监测方法29窑窑2023 年第 52 卷石油化工设备pipeline leak detection method 咱J暂.Transactions ofBeijinginstituteoftechnology袁2020袁40渊7冤院760-764.咱2暂 张涛袁刘文华袁赵谊平.基于孪生网络和长短时记忆网络的输油管道泄漏检测方法 咱J暂.计算机应用袁2019袁39渊S1冤院241-244.ZHANG T袁LIU W H袁ZHAO Y P.Oil leakagedetection based on siamese network and LSTM 咱J暂.Journalofcomputerapplications袁2019袁39渊1冤院241-244.咱3暂 郭颖袁杨理践袁张贺.基于改进灰狼算法的成品油管道泄漏定位方法咱J暂.沈阳工业大学学报袁2021袁43渊3冤院317-323.GUO Y袁YANG L J袁ZHANG H.A localization methodfor refined oil pipeline leakage based on improved greywolf optimizer咱J暂.Journal of Shenyang university oftechnology袁2021袁43渊3冤院317-323.咱4暂 马云路袁郑坚钦袁梁永图.基于特征提取的输油管道泄漏系数预测 咱J暂.中国安全生产科学技术袁2022袁18渊10冤院130-135.MA Y L袁ZHENG J Q袁LIANG Y T.Prediction onleakage coefficient of oil pipeline based on featureextraction咱J暂.Journal of safety science and technology袁2022袁18渊10冤院130-135.咱5暂 王晓敏袁骆正山袁赵乐新.基于多层感知器神经网络和统计小波特征的管道泄漏诊断 咱J暂.安全与环境学报袁2021袁21渊4冤院1483-1489.WANG X M袁LUO Z S袁ZHAO L X.Diagnosis of thepipelineleakagebasedonthestatisticalwaveletfeatures of the multi-layer perceptron neural net-work咱J暂.Journal of safety and environment袁2021袁21渊4冤院1483-1489.咱6暂 王新颖袁杨泰旺袁宋兴帅袁等.卷积神经网络在燃气管道故障诊断中的应用咱J暂.工业安全与环保袁2019袁45渊2冤院36-40袁68.WANG X Y袁YANG T W袁SONG X S袁et al.Researchon convolution neural networ in gas pipeline fault di鄄agnosis咱J暂.Industrial safety and environmental protec鄄tion袁2019袁45渊2冤院36-40袁68.咱7暂 曹峥袁邓建强袁王泽良袁等.基于 Elman 神经网络的流体管道泄漏点检测定位 咱J暂.装备环境工程袁2020袁17渊4冤院8-13.CAO Z袁DENG J Q袁WANG Z L袁et al.Leakagedetection and localization of fluid pipeline based onElman neural network 咱J暂.Equipment environmentalengineering袁2020袁17渊4冤院8-13.咱8暂 李睿.基于龙格-库塔法的天然气管道泄漏检测与定位咱J暂.油气储运袁2019袁38渊7冤院816-821.LI R.Gas pipeline leakage detection and location basedon Runge-Kutta method 咱J暂.Oil&gas storage andtransportation袁2019袁38渊7冤院816-821.咱9暂 张瑞程袁王新颖袁胡磊磊袁等.基于一维卷积神经网络的燃气管道泄漏声发射信号识别 咱J暂.中国安全生产科学技术袁2021袁17渊2冤院104-109.ZHANG R C袁WANG X Y袁HU L L袁et al.Acousticemission signal identification of gas pipeline leakagebased on one-dimensional convolution neural network咱J暂.Journal of safety science and technology袁2021袁17渊2冤院104-109.咱10暂 陶涛袁周喜袁马博袁等.基于双向 LSTM 的 Seq2Seq 模型在加油站时序数据异常检测中的应用咱J暂.计算机应用袁2019袁39渊3冤院924-929.TAO T袁ZHOU X袁MA B袁et al.Abnormal time seriesdata detection of gas station by Seq2Seq model basedon bidirectional long short-term memory咱J暂.Journalof computer applications袁2019袁39渊3冤院924-929.咱11暂 李娟袁郑强袁从玉良袁等.基于时频峰值滤波的管道泄漏定位算法 咱J暂.吉林大学学报 渊工学版冤袁2020袁50渊4冤院1517-1521.LI J袁ZHENG Q袁CONG Y L袁et al.Algorithm forpipeline leakage location based on time-frequencypeakfiltering咱J暂.JournalofJilinuniversity渊Engineering and technology edition冤袁2020袁50渊4冤院1517-1521.咱12暂 王江萍袁王星.基于小波奇异值分析的管道泄漏特征提取研究咱J暂.西安石油大学学报渊自然科学版冤袁2020袁35渊2冤院91-97.WANG J P袁WANG X.Research on extraction ofpipeline leakage feature based on wavelet singularvalue analysis咱J暂.Journal of Xian Shiyou university渊Natural science edition冤袁2020袁35渊2冤院91-97.咱13暂 周驰袁李智袁徐灿.基于 DTW 算法的空间目标结构识别研究咱J暂.计算机仿真袁2019袁36渊9冤院98-102.ZHOU C袁LI Z袁XU C.Research on space objectstructure recognition based on DTW algorithm 咱J暂.Computer simulation袁2019袁36渊9冤院98-102.咱14暂 闫亚敏袁董烈武袁任泽袁等.通用成品油管道调度模型建立及求解咱J暂.油气储运袁2020袁39渊5冤院549-557.YAN Y M袁DONG L W袁REN Z袁et al.Modelestablishment and solution of general product pipelinescheduling 咱J暂.Oil&gas storage and transportation袁2020袁39渊5冤院549-557.咱15暂 王洪超袁李强袁罗毅袁等.基于相似度的管道泄漏负压波定位算法咱J暂.油气储运袁2021袁40渊6冤院679-684.WANG H C袁LI Q袁LUO Y袁et al.A similarity basedlocating method of negative pressure wave caused bypipeline leakage 咱J暂.Oil&gas storage and transporta鄄tion袁2021袁40渊6冤院679-684.渊张编冤30窑窑