管道高后果区智能识别及管理软件设计*

张庶鑫，张朋岗，张 伟，熊 林，朱娟娟

(1.中国石油集团石油管工程技术研究院，石油管材及装备材料服役行为与结构安全国家重点实验室 陕西 西安 710077；2. 中国石油天然气股份有限公司塔里木油田分公司 新疆 库尔勒 841000；3.西安电子科技大学空间科学与技术学院 陕西 西安 710000)

0 引 言

随着我国油气管道事业快速发展和大口径、长距离输送管道的普及，油气管线里程不断增长，给油气管道的快速评估、高效管理带来很多问题；同时伴随着地理信息数据采集的技术、方案不断进步，大量的油气管道及周边环境数据管理也面临挑战。日前，国家安全监管总局发文要求着重加强管道高后果区管理工作[1]。因此十分有必有建立一套高效、便利的方案，实现准确、快速地识别油气管线高后果区。

在2019年新发布的《油气输送管道完整性管理规范》中，油气管道高后果区[2]定义为：管道泄漏后可能对公众和环境造成较大不良影响的区域。根据高后果区对周边造成的影响，高后果区可分为周边人口密集的高后果区和对环境比较敏感的高后果区，其中人口密集型高后果区具有失效后果较为严重、高后果区域变化较明显、受地方政府规划影响较大等特点[3]。因此，准确、快速地对油气管线进行高后果区识别，因地制宜设计具有针对性的高后果区管理方案，对于确保油气管线长期安全平稳运行、避免重大事故发生，减少管道周边人员伤亡、财产损失、生态环境破坏具有重大意义。

目前，油气管道信息管理系统多依托地理信息系统(GIS)。徐杰等[4]研究并设计了一种基于WebGIS的管道完整性管理系统，采用B/S模式，借助Oracle数据库，提出了分析需求到功能实现的三层架构。李泽莹[5]针对海底管道安全，设计了基于GIS的管理信息平台，并提出了各子系统的实现方法。

本文结合某公司高后果区管理需求，研究并设计一套基于GIS的管道高后果区识别分析软件系统。该软件集成了多种分析查询工具，通过对油气管道信息的编辑导入建立了数据汇总和展示的平台系统，实现了管道信息的统一管理；提供了导入文件、编辑管道信息和属性管理等功能，对油气管道信息管理系统内的对象进行更进一步的管理和支持；支持调用GIS后台引擎，识别各种风险因素，结合建筑目标检测结果，针对管线周边的所有风险对象计算综合的风险得分实现快速准确的高后果区识别。

1 软件框架组成与功能设计

1.1 软件框架组成

本软件根据管道的属性管理、油气田的不同权限层次、建设目标以及业务需要，结合GIS引擎，采用Client/Server模式开发。该软件的整体架构层次可分为三个部分，从底层到应用端依次为：负责数据服务的数据层、GIS相关功能实现的中间层和负责交互的应用层，如图1所示。

图1 软件架构图

1)数据层分为文件、照片、视频的文件服务器和负责存储属性信息的关系型数据库，提供接口供外界访问，鉴于分布式技术的快速发展，传统的文件服务器和关系型数据库也可迁移到云端进行统一部署管理，根据信息量，弹性改变数据库容量与计算能力。

2)中间层是本软件设计的核心部分，由主要的业务功能模块和GIS引擎共同组成，将数据层的文件与属性信息与GIS引擎提供的地理信息开发接口相关联，进行集成开发，将各种资源集成到系统中，并且包含各个功能核心组件，是系统的基础。

3)应用层利用集成的资源，实现系统的业务功能，请求数据将结果进行呈现。

1.2 软件功能设计

为了支持针对总管理员和各油气田管理员不同的使用权限，软件遵循面向对象的组合设计思想，将各等级用户的权限与其使用的功能进行挂钩，实现不同层次用户的差异化权限管理。如图2所示，软件业务功能可以划分为：属性信息可视化模块、管道信息管理模块、管道高后果识别模块、建筑目标检测共4个模块，各个功能模块之间逻辑清晰独立。这4个模块分别属于软件架构中的中间层与应用层，通过接口与软件的数据层进行信息交互。

图2 基于GIS的管道高后果区识别软件组成图

1)属性信息可视化模块

针对管线上的点显示其属下信息：如经纬度、地理信息、分段、埋深等；也可实现字段查询，支持对数据库内的属性信息进行匹配查询功能，筛选出目标信息，并以不同的颜色进行突出显示。

2)管道信息管理模块

将信息管理设计为独立的模块，负责管道属性信息的相关管理操作，与数据库进行交互，可根据用户身份开放不同功能模块。实现本地信息同步至服务器、各油田用户对各自所属管道及附属设施进行新建、编辑、删除等操作。

3)管道高后果识别模块

通过调用GIS底层地图，智能识别管道周边的高风险项目，综合评价管道区段风险。

4)建筑目标检测模块

利用ResNet网络的残差特点，设计ResNet-101网络用于提取管道周边建筑目标特征，并引入Faster RCNN网络进一步筛选深层网络输出的特征，提升目标检测精度，实现对管道周边建筑目标检测，为高后果区识别提供服务。

2 高后果区识别关键技术

2.1 缓冲区划分

缓冲区分析是对选中的一组或一类地图要素(点、线或面)按设定的距离条件，围绕各要素向内或向外而形成的一块多边形区域，从而实现各地理要素在平面内向周边扩展的地理数据分析方法[6]。

此外，与依赖空间关系的缓冲区分析方法不同，地理图层叠加分析也是地理信息系统提取空间要素属性的主要方法之一。通过叠加分析可以生成包含图层要素信息的新图层，可以通过设定不同参数获取部分或全部满足要素间不同几何关系的图层要素。

缓冲区的建立有多种方法，具体因分析对象不同而异。对于点状要素，有圆形、矩形、环形缓冲区等；对于线状要素，有双侧对称、双侧不对称、单侧缓冲区；对于面状要素，有内侧和外侧缓冲区。本文中研究的油气管道以线状要素分析为主，主要采用双侧对称缓冲区分析方法，如图3所示。

图3 缓冲区分析原理

管道的潜在影响半径可由式(1)计算：

(1)

式中：r为管道潜在影响半径，m；A为管道类型系数，d为管道外径，mm；p为管道最大允许操作压力，MPa。

2.2 油气管道高后果区判别准则

表1列出了地区等级划分的标准，地区等级越高代表该地区受影响时造成的损失越大。通过对地区分级进行划分可以更加有效地识别管道的高后果区。

表1 地区等级划分标准

对于输气管道，管道经过的地区符合以下条件的都为高后果区：

1)管道经过的三级和四级地区。

2)如果管道直径大于762 mm，且最大允许操作压力大于6.9 MPa，管道两侧300 m内设有学校、医院、监狱等具有难以疏散人群的建筑区域。

3)如果管道直径小于273 mm，且最大允许操作压力小于1.6 MPa，管道两侧300 m内设有学校、医院、监狱等具有难以疏散人群的建筑区域。

4)管道两侧200 m内有医院、学校、养老院等具有难以疏散人群的区域。

5)管道两侧200 m内有加油站、油库、第三方油气站场等易燃易爆场所的区域。

对于输油管道，管道经过的地区符合以下条件的都为高后果区：

1)管道经过的三级和四级地区。

2)管道两侧50 m内有重要道路及易燃易爆场所等。

3)管道两侧200 m内有较大规模村庄和乡镇等。

4)管道两侧200 m内有林地等自然保护区。

5)管道两侧200 m内有河流等水资源区。

当管道中两相邻高后果区重叠或相隔小于50 m时，会被合并为一段高后果区段。

根据上述描述，输气管道的高后果区判别方式需要综合管道本身特性及周边环境，输油管道的判别方式仅依据其周边的环境情况。综合来说，管道的高后果区主要有三种：人口密集区域、对环境比较敏感区域以及基础设施较密集区域。高后果区可以是其中一种或多种类型的组合[7]。

2.3 管道高后果区识别

在油气管道高后果区识别过程中，通常采用缓冲区分析方法定位管道潜在影响半径范围内的敏感区域，该方法需沿着管道逐点搜索周边区域。由于管道跨度范围较大，周边地物复杂，在油气管道上逐点搜索周边区域方法时间消耗较大，查找速度较慢。本方案为了快速查找到管道高后果区，在常规高后果区识别流程的基础上做出改进，主要包括4个步骤，如图4所示。

图4 高后果区识别流程

步骤1：利用数据库的存储优势，可将管道信息、管道周边环境信息、高后果区信息存入数据库中。

步骤2：第一次识别管道高后果区时，综合利用建筑目标检测模块检测到的建筑信息，采取缓冲区分析方法识别高后果区，并将高后果区内潜在敏感地物信息保存在数据库中，除此以外，还可手动标记添加敏感地物信息到数据库中。

步骤3：后续进行管道高后果区识别时，可直接根据管道信息和潜在敏感地物信息标记高后果区，并对数据库进行更新。

步骤4：将高后果区标记显示在地图中，并导出该管线的高后果区台账。

由于管道周边敏感地物个数通常远少于管道上节点个数，对敏感地物进行缓冲区分析的时间复杂度总体上远小于在管道上逐点进行缓冲区分析的时间复杂度。同时，对于有多条管道的油田，由于数据库中高后果区信息可以复用，使用该方案的优势更显而易见。

3 建筑目标检测

3.1 遥感图像目标检测方法

遥感图像目标检测是目标检测的重要组成部分,通常需要处理大规模高分辨遥感图像,来检测植被、道路、房屋、船舰等对象。传统的目标检测方法主要流程有：目标候选区域选择、目标特征提取、目标分类，其中常用的特征算子有SIFT、HOG、BoW以及Harr特征等。但传统的图像特征描述算子有着特定的应用范围及局限性，如Harr特征主要应用于人脸检测领域，而不适于其它一般目标检测。近年来，基于卷积神经网络(CNN)的系列方法在图像领域发展迅猛，目标检测、图像分割等图像相关任务都与CNN密不可分。

在CNN系列网络中，网络深度与检测效果密切相关。一般而言，叠加网络的深度可以有效丰富目标特征的层次，但学习更深的网络容易引发梯度消失或梯度退化问题。ResNet[8]的提出解决了深度学习网络系统的退化问题，可降低深度网络模型训练错误率，并在近年来的ILSVRC分类大赛中取得了很好的成绩。对于油气管线周边建筑目标，如果能检测、定位管线周边的敏感建筑，将对管线高后果区识别，管线的安全运营有重要意义。本节将借助ResNet网络实现目标检测问题，ResNet结构主要计算单元如图5所示。

图5 ResNet计算单元

图6为普通全连接网络主要计算单元，与之相比，ResNet网络结构中出现了跨层连接。ResNet网络中会跳过两层或三层作为下一级输入，而普通全连接网络每层间直接卷积并作为下一层的输入。

图6 普通卷积网络计算单元

ResNet计算单元中，x为输入，F(x)为普通卷积单元部分输出，x在跨层连接单元中需经过适当采样以保证和F(x)尺度相同。每个ResNet计算单元输出计为H(x)=F(x)+x，网络训练的目标是得到F(x)，即H(x)-x，由此得名残差网络。

ResNet网络结构具有以下特点：

1)跨层连接中可以增加降采样滤波器，即保证与F(x)尺度相同。

2)网络深层都有机会与前面的叠加层直接相连，最坏可退化为层数较少的网络。

3)ResNet中“短路”连接使得更深层数的ResNet网络结构的学习能力至少不会弱于较少层数全连接网络。

3.2 基于ResNet101的FatsterRCNN目标检测

由于引入残差计算单元可以降低深层网络的复杂度[9]，ResNet网络在图像检测、分类任务中可以使用更深的网络提升效果，根据堆叠的残差计算单元层数不同，常用结构形式有ResNet-34，ResNet-50，ResNet-101，ResNet152。本节以ResNet-101网络实现特征提取，结合Fatster R-CNN实现建筑目标检测。

ResNet网络可分为5部分，如图7中红色部分所示，ResNet-101表示其具有101层卷积或全连接层，其中conv1中输入为7×7×64的卷积，然后在conv2、conv3、conv4、conv5中累计经过33个building block，最后通过全连接层(fc)用于分类输出。

基于ResNet101的FasterRCNN结构图如图7所示，在ResNet-101输出判决结果前，引入FasterRCNN网络。通过共享ResNet网络输出的特征，如图7中conv4输出的特征图已经较接近检测结果，再结合RPN利用反向传播算法并结合随机梯度下降进行端到端训练，实现在特征图中产生候选预测区域，输出特征图与输入图片尺度相同；Rol pooling层负责将RPN层或conv4中输出的候选区域映射产生固定大小的特征图，实现对目标的进一步筛选。

图7 基于ResNet-101的FasterRCNN结构图

通过在ResNet-101网络中引入FasterRCNN结构，将conv4输出的候选特征再次筛选，提升了检测精度，同时在较低层网络中添加一层检测网络也在一定程度上减少了小目标特征的衰弱。

4 试验结果分析

4.1 管道概况

试验研究对象为某输气管道，全长约160 km。该管线西高东低，途经戈壁荒漠、绿洲、隧道等。该管线所经过的区域地形多变，沟壑交错，河流众多，管道从西到东穿越六河十一路，共计约3 km，管线路由如图8所示。

图8 管线路由

4.2 建筑目标检测

数据集准备：试验训练数据集为WHUBuildingDataset-SatelliteDatasetII，该数据集包含东亚地区860 km2卫星图像，地面分辨率为0.45 m，包含17 388张512×512图片，目标类别只有建筑，包含34 085栋建筑，该数据集主要用于研究深度学习方法在遥感图像建筑目标领域的应用。从中选取的图片借助LabelImg软件进行标记后作为训练集，目标标签为(n,x_min,y_min,x_max,y_max)，其中n为目标类别，此处类别只有一种，故可全标记为0，(x_min,y_min)为标记的建筑目标框左上角坐标，(x_max,y_max)为目标框右下角坐标。标记建筑分布类型见表2，包含城区建筑、野外建筑和路网建筑三种。由于本次研究的管道沿线中野外建筑分布较广，3种子类场景按3：14：3选取，标记数据集的80%用于训练，20%用于测试。

依据ResNet网络结构要求，需先将输入图片的大小缩放至224×224并更新标签位置信息，在conv1到conv5每层ResBlock中输出featuremap尺寸依次减半，输出尺寸分别为112×112、56×56、28×28、14×14、7×7；与此同时，每层输出featuremap的通道数量随卷积核个数增长。引入的RPN和RoIPooling结构不改变输入尺寸大小，在conv5层输出后由fc1判决，标记的对象是否为建筑目标。

针对管道沿线地区，提取管道周边遥感图像信息，输入到训练好的建筑目标检测模型中，可查找到管道周边建筑的位置信息，目标检测准确率使用检测出的矩形框与源目标外接矩形框的交占比计算。检测效果如表2及图9所示。

表2 基于遥感图像的建筑物检测结果

图9 建筑目标检测效果

图9左侧为输入待检测图片，右侧中红色矩形框为查找到的建筑目标，对于测试图片中四周信息不够充足的建筑目标，检测过程中会被丢失。

4.3 高后果区识别

首先利用GIS引擎，加载在线/本地地图，从数据库中获取管线位置信息及高后果台账信息，并将其绘制在底图上。其次根据高后果区识别规则，从管线起始位置检测建筑目标并进行缓冲区分析，直至管线终点，对于人工标记的地区等特定地区，将增强目标检测效果，降低关注目标的漏检率。最终综合分析管线周边检测到的建筑及管道信息，识别管道的高后果区域，并将其高亮显示。识别结果如图10所示。

图10 高后果区识别结果

在本次研究的输气管线中，共识别出四处高后果区见表3。试验结果表明，由于第1、2号位置附近存在三级地区，第3、4号位置附近存在特定场所，故被识别并标记为高后果区。图10所示高后果区影响区域为检查站，查看该区域内某点信息如图11所示，可知该区域潜在影响半径内存在检查站。

图11 高后果区某点属性信息

针对以上高后果区，可针对具体风险来源采取不同的解决方案，上级部门应该加强对相关管段的巡检力度并提高排查频次。同时，应主动与相关单位协调，加强管道保护宣传，提高周边单位和群众参与管道安全维护的积极性[10-15]。

5 结 论

本文针对油气管道高后果区识别需求，提出了基于GIS的管道高后果区识别方案并实施，突出了现代GIS引擎和深度学习网络在处理实际问题的优越性，为管道建设与运营提供了一种现代化、智能化的管理模式。同时，本文采用基于ResNet101的FasterRCNN网络实现对建筑目标检测，可准确快速检测出管道周边建筑环境，为高后果区识别提供参考，更能准确、客观、快速地反映高后果区状况。