[发明专利]一种输油管道漏油点与漏油速率的探测方法

权利要求书

1.一种基于水下传感器网络的输油管道漏油点与漏油速率的探测方法，其特征在于，包括以下步骤：

步骤1，布置水下传感器，形成水下立体传感器网络；其中，所述传感器网络的节点类型包括：工作节点和中转节点；所述工作节点沿输油管道设置，用于数据监测采集点，所述中转节点用于将工作节点采集的数据传到岸基基站或工作站；

步骤2，采集记录水下输油管道上下游传感器工作节点压力、浓度数值，通过与理论计算值相比，判断水下输油管道是否发生泄露情况；

步骤3，搜集水下输油管道周围布置的传感器工作节点位置以及不同传感器工作节点监测到的不同浓度数据与实际的漏油点漏油位置的数据包，用于作为神经网络的训练数据；

步骤4，通过步骤3搜集的浓度数据以及定位数据进行预构建神经网络模型训练，获得训练好的神经网络模型；

步骤5，水下输油管道传感器工作节点监测到水下溶液浓度发生变化后，将采集到的浓度数据经中转节点传递到地面基站，将浓度数据与传感器工作节点的定位信息带入到经步骤4训练好的神经网络模型中，获得输油管道的漏油点位置(x,y,z)；

步骤6：根据步骤5获得的漏油点位置(x,y,z)，计算获得漏油点距离下游传感器节点的距离，求得漏油点的漏油速率；

其中，步骤1中，

水下传感器布置的距离模型表达式为，

式中，R_i为传感器的监测半径，R为传感器通讯半径；

步骤2中，压力参数的计算表达式为，

式中：H_x为距离下游传感器x处的压力；H₀为输油管下游传感器的压力；Z_x为距离输油管下游传感器x处的高程；Z₀为输油管下游传感器的高程；Q为管道中的体积流量；v为石油的运动粘度；D为管道内径；x为泄漏点距离下游传感器的距离；β,m为石油流体阻力系数；

步骤4具体包括：

步骤4.1，所述神经网络模型包括：正向传播和反向传播；

(1)工作信号正向传播，包括：正向传播用于将传感器工作节点定位信息以及传感器监测到的水下溶液的浓度作为输入层的输入信号，经过隐含层，传向输出信号为漏油点定位的输出层；

(2)误差信号反向传播，包括：输油管道漏油点定位的实际输出与期望输出之间差值为误差信号，误差信号由输出端开始逐层向前传播；

步骤4.2，所述神经网络模型设置有输入层、输出层以及隐含层；

所述输入层包括：输油管道周围传感器工作节点x轴、y轴、z轴的定位信息以及传感器工作节点监测到的水下溶液浓度信息，输入层表示为：

X_k＝[x_k1,x_k2,…,x_kM],k＝1,2,…，

式中，M为输入层的单元数；

所述输出层包括：输油管道泄漏点x轴、y轴、z轴的定位信息，表示为(x,y,z)；输出层表示为：

Y_k(n)＝[y_k1(n),y_k2(n),…,y_kP(n)],k＝1,2,…，

式中，P为输出层的单元数；

期望目标输出矢量表示为：

d_k＝[d_k1,d_k2,…,d_kP],k＝1,2,…；

中间各隐含层的权值向量分别为：

第n次迭代时输入层与隐层I之间的权值向量为：

第n次迭代时隐层I与隐层J间的权值向量为：

第n次迭代时隐层J与输出层之间的权值向量为：

隐藏层和输出层神经元设置的激活函数，采用S型函数，函数表达式为：

式中，x为随机变量；

步骤4中，神经网络模型的训练过程包括：

1)选取由步骤3搜集的数据作为训练组，包括：输油管道工作节点定位信息以及传感器工作节点监测的溶液浓度、迭代次数、控制参数以及解的限定范围；

2)初始化参数，赋予W_MI(0),W_IJ(0),W_JP(0)为接近于0的随机值；

3)随机输入样本X_k，并前向计算BP网络每层神经元的输入信号u和输出信号v；

其中，

4)由期望输出d_k和上一步求得的实际输出Y_k(n)计算误差，判断是否满足预设要求；其中，若满足，则训练结束；若不满足则需根据梯度下降法，调整权值；

5)反向计算每层神经元的局部梯度δ，各隐含层梯度表达式为：

6)权值调整量表达式为：

7)调整后权值的表达式为：

w_jp(n+1)＝w_jp(n)+Δw_jp(n)，

w_ij(n+1)＝w_ij(n)+Δw_ij(n)，

w_mi(n+1)＝w_mi(n)+Δw_imi(n)；

8)k每经历1至M后，判断指标是否满足精度要求：E≤ε，其中E是总误差函数，且ε为初始化精度控制参数；如果不满足，继续迭代，如果满足，则训练结束。