输气管道泄漏检测技术及其发展趋势

2022-02-17闫骁瑾

石油工业技术监督 2022年1期

关键词：负压流体噪声

闫骁瑾

西安石油大学石油工程学院（陕西西安 710065）

随着天然气管道的快速发展，人们将会越来越重视管道的安全运行，而管道泄漏则成为人们无法忽视的一个重要问题。本文将从现有的管道泄漏检测技术分析总结各项检测技术的优缺点以及发展趋势。

1 泄漏检测技术方法

经过多年的发展，许多管道泄漏检测方法都已投入使用。但是目前仍没有分类统一，根据检测部位的不同，可分为内检测和外检测两种方法；根据检测工具的不同，可以分为硬件方法和软件方法；根据检测方法的不同，可以分为直接和间接法[1]。

1.1 人工巡检法

通过人工分段分时对沿线管道进行巡检的办法，来确定管道是否泄漏。此方法于早期使用，耗时耗力且无法保证检测的连续性。

1.2 电缆法

通过对沿线管道外壁铺设气敏电缆来进行泄漏检测。其灵敏度高，检测效果好，尤其针对缓慢泄漏效果更佳。但电缆造价昂贵，且检测过的电缆会被泄漏气体污染无法继续使用，需更换新的电缆以便继续检测。同时，泄漏的流体会渗入电缆导致特性发生变化[2]。

1.3 分布式光纤温度传感器

分布式光纤传感系统是以光纤作为传感敏感元件和传输信号介质，对沿线管道的温度变化进行探测。当天然气输送管道发生泄漏时，在泄漏点引起温度变化，反斯托克斯光强与温变的关系[3]如下：

式中：Lm为反斯托克斯光的光强，cd；Ln为斯托克斯光的光强，cd；h为布朗克系数；c为光速，m/s；α为温度相关系数；ν为拉曼平移量，m-1；k为鲍尔次曼常数，J/K；T为温度，℃。

可通过计算分析得到光纤上的温度分布，从而判断沿线管道的泄漏情况。其优点是测量一次便可得到整个区域内的分布图；缺点是检测信号较弱，处理系统需要较高的信噪比，检测过程中要对大量的信号进行处理，因此进行一次测量会比较耗时。

在提高拉曼散射信噪比的研究中，为了解决多模光纤模式色散大影像空间分辨率的问题，何祖源、刘银萍等人[4]设计出基于小芯径多模光纤的拉曼分布式温度传感器系统，通过实验有效地实现高温度分辨率和空间分辨率的长距离测量。

1.4 智能清管器检测

新型智能清管器采用磁通、超声和录像等技术来进行泄漏检测，最常见的是漏磁清管器。其原理是当磁性清管器在完整管道内随流体运行时，管壁上会形成一个完整的闭合磁场。当管道出现裂纹或穿孔时，破损部位的磁通量会发生变化，通过传感器采集管壁磁场变化信息，将沿线有缺陷的磁场信息反馈到计算机中进行分析[5]。其优点是灵敏度高，定位精度高；缺点是无法持续检测，且清管器造价昂贵，无法大范围推广使用。

1.5 模型法

1）不包含故障模型。其思想是在管道两端设置流量计，建立管道内流体的无故障动态模型，通过估计观测器的估计值与实测值之间是否产生偏差来检测管道是否发生泄漏[6]。其原理如图1所示。

图1 不包含故障模型原理图

2）包含故障模型。在假设管道发生多次泄漏的条件下，建立管道的流体动力学模型。采用状态估计法，预先获得假设漏点的漏点估计值，并用判断准则对漏点进行检测和定位。

这种方法的缺陷在于流量计，其灵敏度低且响应时间长。同时，若泄漏位置发生在预先设定泄漏点之外，则包含故障模型法的误差会增大[6]。

1.6 流量平衡法

根据质量守恒定律，流体流入管道的质量流量应等于流出的质量流量。当发生泄漏时，管道泄漏点前后会形成流量差[7]，即：

式中：Q泄前为泄漏点前的流量；Q泄后为泄漏点后的流量。

通过对多管段的质量流量采集汇总，若在某一管段的流量有明显差异，则该管段出现泄漏。该法比较直观、简洁。但随着输气管道的复杂化发展，支线管道的数量以及天气、地理环境、工况等的影响，均会导致流体流量的变化从而使得检测的误报率变高。因此又提出了一种提高检测精度的流量平衡法，基于拟合流量误差曲线来降低流量计和管道流体残余量之间的误差，达到提高精度的要求。但是此法需要建立复杂的动态模型，且对缓慢泄漏的敏感性较低。因此需结合其他方法使用。

1.7 压力梯度法

在管道首端和末端设置压力传感器，在正常工况下，管内压降为平滑斜直线。当出现泄漏情况，泄漏点前后的流量发生变化，压降直线将出现拐点，此拐点则为泄漏点，此法易操作，简单明了。但缺陷在于稳定流动时，近似认为管内压力分布为线性变化，而在实际中沿线压力梯度是非线性的，工况条件的变化对压力分布和测量精度均会产生影响[8]。

1.8 压力点分析法

管道处于稳定的流动状态时，管内流体压力处于不随时间变化的状态。当外部设备提供能量变化时，压力为连续变化的稳定状态。管道发生泄漏后，管道的稳定状态被破坏。压力值出现突降，并开始趋于新的稳态。在此过程中，泄漏点产生负压波并向管道上、下游传递，进而影响管道沿线各点压力。通过压力传感器采集数据，统计分析后绘制压变曲线并与稳态压变曲线进行对比，从而得到泄漏位置[9]。该方法的优点是无需建立复杂的模型，数据处理量小；缺点是对于长输管道需设置大数量传感器和相关信号传输设施，因此耗费较大，对于缓慢泄漏检测性不强[10]。

1.9 负压波法

负压波法目前是使用范围较广的一种方法，图2为示意图。其工作原理是：流体外泄引起管道局部瞬时压降和流速降低，上游管段流体流入该局部区域则会弥补此处压降，从而导致泄漏处与上、下游临近处形成压差，并以负波的形式向管道两端传递。在管道首末两端设置压力传感器采集数据，通过分析压力梯度特征和压变时间差即可检测泄漏[11]。

图2 负压波法原理图

该方法优点是成本小、易操作，便于维护，故受到广泛采用。但缺点在于负压波法适用大流量泄漏，对于小流量泄漏、多点泄漏敏感性不强，且易受到噪声干扰，从而导致检测精度降低，误报率较高。为了提高精度，常采用小波变换、卡尔曼滤波等来进行降噪处理。

1.10 声波（应力波）法

其原理类似于负压波法，当管壁受到破坏后，流体流经泄漏孔时喷出，由于瞬时压降产生涡流，与管壁摩擦碰撞产生噪声，并将该噪声作为信号源，以声波（应力波）的形式传递到管道上下游的传感器。该方法优点是可在信号传播过程中短时间判断泄漏情况，操作简单。但缺陷是[12]：①噪声的强度大小受泄漏孔径的影响，因此无法判断泄漏程度。②噪声在传输过程中会随着距离衰减，故长输管道的检测精度不高。③外在因素产生的噪声也会影响检测结果，导致误报率较高。

1.11 神经元网络法

在实践中，导致管道泄漏的因素很多，解决这些问题的数学模型是刚性的。无法阐述多样性的泄漏工况。神经元网络法以其良好的学习能力和自适应能力得到广泛使用。通过BP 算法将管道泄漏特征信号分解成矩阵，建立了管道泄漏检测的神经网络模型。其流程图如图3所示[13]。

图3中的权值计算公式如下所示：

图3 神经元网络法流程图

式中：wij为网络的权值；J(t)为网络总目标函数；η为学习率；Ep为网络的目标函数。

现场实践表明，神经元网格法在抗噪声方面有着突出的优点，且自适应能力强、实用性强。对于复杂工况例如成蜡、堵塞、突发泄漏等应用有着良好的效果。但局限于所取的压力和流量信号的训练样本包含发生泄漏的问题样本，从而导致对缓慢泄漏、工况频变管道的误报、漏报率较高，尤其是对于压缩流体来说近乎不可行[14]。

1.12 支持向量机检测法

在实际应用下，泄漏样本量小，将粗糙集理论与粒子群优化算法相结合的支持向量机具有学习样本量小、泛化能力强等优点，被用于检测泄漏，可以解决人工神经网络的局部极小问题和压力波法的噪声干扰问题。例如：张来斌等人通过ICA（独立分量分析）原理对压力信号源降噪处理，对14 个管道中的部分样本和泄漏数据进行训练，其正确率有了显著提高[15]。

针对支持向量存在新样本进入训练的情况，刘衍珩等人提出了一种在KKT条件下的改进算法，通过对1 000 个实验样本（其中800 个为新增样本）进行训练，结果表明在精度未明显降低的情况下有效地减少了训练耗时[16]。

支持向量函数将信号源与噪声分离，独立分析，但其有效性取决于核函数和惩罚系数的选取，而且由于计算复杂，实用性差，需要进一步改进。