油气管道泄漏检测技术研究进展*

卢书彤,高凯歌,靳彦欣,闫柯乐

(中石化安全工程研究院有限公司,山东青岛 266104)

0 前言

管道运输是一种长距离输送液体和气体的最常见运输方式。随着石油天然气工业的发展,因管线老化、腐蚀穿孔、地质灾害及第三方破坏等因素造成的管道泄漏事故时有发生,造成了严重的生命财产损失和社会影响。液体和气体泄漏主要发生在管道沿线,因为管道距离较长,流体运动引起的内应力以及天气条件和土壤运动引起的外部应力都很容易导致泄漏[1]。天然气的主要成分甲烷(CH4)及其他成分有燃爆风险,产生的挥发性有机化合物会对健康造成危害,特别是在高酸性气田地区,由于天然气中含有较高浓度的硫化氢(H2S),气体泄漏会造成人员中毒,引发生命危险[2]。因此,需要准确地对管道的泄漏进行检测和定位并及时应对,以控制泄漏规模,将泄漏产生的人员伤亡、经济损失和环境影响降到最低。

泄漏检测技术的发展历史超过170年。最初是使用人工探测的方法,20世纪60年代以后,地音探听器、泄漏噪声相关器、噪声记录仪等不同的声学方法和相应的设备被开发出来。此后负压波、探地雷达和热红外成像等非声学方法也逐渐被应用[3,4]。一些数理统计及人工智能方法也逐渐应用于泄漏检测,1976年德国学者Isermann和Siebert[5]提出了分析流入和流出之间流量和压力信号的互相关的关系进行泄漏检测的方法,在此基础上,20世纪80年代提出了基于非线性模型的自适应观测器泄漏检测方法[6]。此后,基于支持向量机、随机森林、人工神经网络等机器学习算法、模型方法及信号处理方法逐渐被应用于传感器信号处理,以提高泄漏检测精度和实现快速检测及预测[7,8]。本文将分析国内外研究现状与研究热点,并对现有的管道泄漏检测技术进行阐述。

1 国内外研究现状与热点分析

1.1 数据来源

本文研究数据均来自于中国知网CNKI文献数据库、Web of Science核心合集和智慧芽专利数据库,参考吴佐京通,等[9]检索逻辑,确定本研究数据获取方式,在中国期刊全文数据库(CNKI)中以“(管道(精确))AND(主题:泄漏(精确))AND(主题:监测 OR 检测(精确))”为检索式,检索结果为832条中文文献。在Web of Science核心合集中以“pipeline leakage detection OR pipeline leakage monitoring”为检索式,检索结果为920条外文文献。在智慧芽专利数据库中以“MAINF:(输油管道泄漏) AND MAINF:(监测 OR 检测)”为检索式,检索有效专利数量为154条。

1.2 研究方法

CiteSpace是基于Java语言开发的一款可视化软件,可应用于油气管道泄漏检测的研究态势分析。本文基于CiteSpace 6.1. R4版本进行分析,在CiteSpace获得的共现图中,每个节点表示一个关键词(作者或研究机构),节点大小表示该关键词(作者或研究机构)出现的频次。节点之间连线的粗细表示关键词(作者或研究机构)共现(联系)强度的高低,节点的圆圈层代表年轮,年轮宽度指代中心性大小,中心性越大表示对其他节点的影响越强。同时,专利利用智慧芽分析工具对其技术主题分类、主要研究机构进行影响分析。

1.3 结果分析

1.3.1 论文发表及专利申请数量分析

论文发表数量随着时间变化而变化的趋势可历时性地反映该研究领域的发展状况。图1展示了CNKI文献数据库与Web of science核心合集中管道泄漏检测的年发文数量及智慧芽专利数据库中管道泄漏检测的年专利数量。

图1 管道泄漏检测研究年发文及专利数量比较

从中国知网CNKI文献数据库发文数量可看出,自1984年开始出现管道泄漏检测文献至2002年,每年发文数较少,自2003年开始,管道泄漏检测相关研究呈波浪式增长,这主要是由于2003年MarcoFerrante提出了采用小波分析的方法对管道压力信号进行奇异性分析。尤其自2012年开始,由于“光纤传感”等技术的应用,相关方面研究呈现快速上升趋势。总而言之,广大学者对管道泄漏问题愈发重视,并积极探索各种方法和措施进行检测。从Web of Science核心合集数据库发文数量可看出,管道泄漏检测文章自1973年开始出现,1973—2003年处于奠基期,此阶段发文数量较少,年发文数量仅为1.16篇。2003—2015年,国际学者开始重视管道泄漏检测技术研究,国际英文论文发文量平稳增长,2015年后发文数量增长迅猛,管道泄漏检测技术研究仍在发展当中。从智慧芽有效专利申请数量来看,有效专利自2006年开始出现,此阶段管道泄漏检测技术文章也呈现明显增长趋势,技术逐渐发展;自2012年开始,相关专利呈现出快速增长趋势,这与论文的增长趋势一致。

1.3.2 国内外研究热点和趋势分析

通过 CiteSpace中对中国知网CNKI文献数据库的关键词分析得到关键词的共现、聚类图谱(图2)。管道泄漏检测研究方面的关键词网络节点数(N)为 512,连线数(E)为 1 222,连线密度(Density)为 0.009 3,说明关键词之间存在联系,但联系相对不紧密。分析得到关键词的出现频次和中心性信息,其中出现频次和中心性排名前 5 位的关键词为泄漏检测、泄漏、泄漏监测、管道和管道泄漏。

图2 CNKI数据库管道泄漏检测关键词共现图谱

继续在共现图谱上进行关键词聚类时区分析,利用LLR 抽取关键词并进行自动标识,此次聚类共导出16个聚类,并按时区可视化。ModularityQ值为0.55>0.3,网络聚类结构显著,Mean Silhouette值为0.85>0.7,说明网络聚类内部同质性高,结果令人信服。从图3 可看出,排名前 10 位的类团分别为泄漏检测、管道、泄漏、泄漏监测、管道泄漏、数值模拟、压力管道、在线监测、供水管网、涡激振动和故障检测,显示了学者对管道泄漏检测进行研究的不同层面。同时,图3从时间维度研究管道泄漏检测的发展演进过程,能凭借时间顺序清晰展现文献的更新及其相互关系。圆环大小为关键词出现的频次,圆环所处年份为该关键词首次出现的时间,圆环间的连线表示各关键词同时出现在一篇文献中,显现出不同时段间传承关系;可以看出相关研究最大圆环为“泄漏检测”,相关概念跨度长,影响范围大。随着时间的推移,关键词 “数值模拟”“小波变换”“光纤传感”等引发了研究的波浪式增长。

图3 CNKI数据库关键词聚类时区可视图谱

通过 CiteSpace中对Web of Science核心合集的关键词进行分析,得到关键词共现图谱(阈值10),见图4。管道泄漏检测研究方面的关键词网络节点数(N)为 574,连线数(E)为 1 030,连线密度(Density)为 0.006 3,可以看出关键词之间的联系较国内研究连接更松散。分析得到关键词的出现频次和中心性信息,其中出现频次和中心性排名前 5 位的关键词为“leak detection(泄漏检测)”、“location(定位)”、“system(系统)”、“model(模型)” 和“pipeline(管道)”。

经统计分析,行业内就管道泄漏检测技术展开了大量的技术创新与专利布局,涉及硬件开发、物理模型、数学模型的开发及改造。通过智慧芽专利分析技术主题分析(图5)表明,专利申请的主题词主要有“监视系统”(14次)、 “数据采集” (12次)、“压力传感器”(11次)、“发送器”(10次)、“激光”(9次)、“光纤传感”(12次)、“声波”(6次)等;涉及硬件专利申请的主题词主要有“监控系统”(20次)、 “负压波”(8次)等。

图5 智慧芽专利数据技术主题分类排名

2 油气管道泄漏检测方法及研究进展

油气管道泄漏检测手段按检测方法可以分为:“基于人工/生物”、“基于硬件”和“基于软件”3大类方法[10]。“基于人工/生物”泄漏检测方法是指利用经验丰富的人员、智能清管器或直升机/无人机在管道周围进行石油泄漏检测的传统方法。这种方法通常为有经验的工作人员沿着管道行走,巡查管道环境中的异常情况。经过训练的观察员可以通过肉眼观察或裂缝处散发的气味来识别泄漏[11]。这是最为原始、直接的检测方式,但在面对较长的管道时, 很难实现管道整体的实时检测,并且只能对地面的管道进行检测, 对埋在地下或人难以到达的运输管道无法进行有效的泄漏检测。本文将从基于硬件和基于软件2个方面介绍主要的几种管道泄漏检测方法及其发展趋势与优缺点,具体分类如图6。

图6 管道泄漏检测方法

2.1 基于硬件的管道泄漏检测方法

2.1.1 声学方法

声学泄漏检测方法包括声波检测法、声发射法以及超声波法等。声波检测是管道最常见的泄漏检测技术之一, 其原理是利用泄漏点处高速射流气体、液体与管壁相互作用产生的震荡声波,根据声波传播特性进行管道泄漏检测。泄漏定位的公式如下[12]。

(1)

式中:c——声速;

L1——泄漏点距首端传感器的距离;

L——首末端传感器之间的距离;

a1——泄漏点与上游传感器之间管段内气体流速;

a2——泄漏点与下游传感器之间管段内气体流速;

Δt——同一泄漏声波传播到首末站传感器的时间差值。

由于压力波和声波在天然气中的传播速度低于在石油中的传播速度,因此天然气管道泄漏检测的定位精度高于石油管道。一般来说,声波法用于输气管道时,可检测最小泄漏量为0.01%输量,对于长输管道的定位精度为50 m以内,响应时间小于3 min。 刘翠伟,等[13]用一段长251.5 m, 内径10 mm的管道进行模拟泄漏实验,相对定位误差达到0.069%, 实现了精准泄漏定位。近年来在声波检测上,研究者们做了很多工作来提高检测精度。谢含宇,等[14]采用了平均经验模态分解算法和相关性分析对次声波信号进行处理, 运用二次相关时延估计算法进行定位计算, 达到较高的检测和定位精度。有很多研究者利用小波分析具有多分辨率分析的功能,对声波泄漏信号进行降噪处理,以提高结果的准确性。Rui Xiao,等[15]提出了一种基于小波变换和支持向量机的声信号综合检漏方法,基于熵的算法自适应选择最优的小波基,对声学传感器采集的声学信号进行小波变换预处理,然后从多域分量中提取包含泄漏严重程度信息的特征。

声波检测法只需在管道内布置足够的声波传感器,并不用事先对管道进行数学建模, 应用起来较为简便,实用性较强且精度较高,是目前应用最为广泛的检测方法之一,该方法的研究也一直是该领域的热点方向。 但由于声波传播的范围较短,在检测长距离管道时需要布置多个传感器,会导致成本增加。

声波泄漏检测方法在国内各油田集输管道应用十分广泛,新疆油田、胜利油田采用该方法实现多次有效的盗油盗气报警及事故泄漏的识别[16,17],大港油田[18]等选取海底管线进行模拟放油试验。工业应用的大体定位精度在100 m之内,泄漏识别灵敏度小于0.5 L/s,响应时间小于1 min,为长输管道的安全运行保驾护航。

2.1.2 分布式光纤传感方法

近年来,分布式光纤传感方法成为用于检测管道泄漏的新型传感技术。其原理是:利用沿管道布设的光纤及传感器,通过传回中控室的光纤信号和传感器信号传递的温度或结构应变的变化进行泄漏检测。目前,常见的分布式光纤传感技术分为干涉型分布式光纤传感技术和散射型分布式光纤传感技术,其中分布式拉曼光纤测温系统应用较广,其工作原理主要是结合了光的散射和光时域反射定位。

光纤中主要存在的散射有瑞利散射、布里渊散射和拉曼散射,而其中拉曼散射对温度较为敏感且易与入射光分开。反射回入射端的拉曼散射光中包括斯托克斯光和反斯托克斯光,前者对温度不敏感而后者的光强与温度相关,反斯托克斯光与温度的关系见式(2)[19]。

(2)

对式(2)取对数并移项可得式(3) 。

(3)

式中:Lm——反斯托克斯光的光强,cd;

Ln——斯托克斯光的光强,cd;

h——布朗克系数;

c——光速,m /s;

α——与温度有关的系数;

v——拉曼平移量,m-1;

k——鲍尔次曼常数,J/K;

T——温度,℃。

因此,对散射光进行过滤,提取影响其强度、频率、相位、偏振等物理参数,通过计算分析即可得出光纤上的温度分布情况。

光时域反射技术是指光源向光纤发送一束激光,在与周围的光纤发生碰撞后产生的散射光返回入射端,通过计算检测到反射光与入射光的时间差,即可获得光纤中发出反射光的位置(L),计算方法如式(4)[19]。

(4)

式中:c——光在真空中的传播速度,m /s;

n——光纤的折射率;

t——反射光与发射光的时间差,s。

当管道发生泄漏时,会引起管壁和周围土体的振动,以及介质和温度的变化,如果将感温光缆沿管道敷设,光纤感应到管道泄漏温度变化后,对激光源的激光产生反射光感应信号,相应的分离模块将拉曼散射中的斯托克斯光和反斯托克斯光分离,并经由光电转换器转换为电信号,最终传递给计算机。通过计算机对采集的温度数据与参考光纤设定的阈值进行对比,来判断管道是否发生泄漏。

分布式光纤检测技术近年来已经成功应用于各类运输管道的泄漏检测,包括自来水、冷却水、石油、天然气等。目前,市场上存在许多规格的光纤可供选择,且现有光纤测温系统的精度能达到较高水平,较多学者利用分布式光纤传感进行实验,测温精度大多在1 ℃左右,定位误差范围在5 m以内,测量响应时间在5 s内。

因分布式光纤传感方法是以光波为信号,因而不受电磁干扰也不怕水,且目前铺设光纤的价格不断降低,其优势逐渐显现,但铺设光纤时需要对现场进行开挖,工程量较大且需埋在一定的深度才能保证作业安全。

近年来,光纤传感检测方法成为油气长输管道泄漏检测的热点方法,在中海油某油气终端项目、西北油田三号联合站、红河油田油气混输管道[20,21]等油田现场安装配置多通道温度传感光缆信号采集系统进行试验,试验温升响应时间、试验前后温度变化值等参数表明,泄漏检测系统能够敏锐感知到泄漏导致的温度变化,实现对管道实际运行状况的监测,对管道泄漏做精确的定位,为管道抢修节约时间,减少环境污染和停产维修给带来的损失。

2.1.3 其他基于硬件的检测方法

2.1.3.1 雷达法

雷达法包括探地雷达、激光雷达、毫米波雷达等。探地雷达法是通过机载雷达向地下管道发射脉冲信号,根据电磁波在介质中的传播理论,电磁波在传播过程中会发生能量衰减、频散、频移等,通过脉冲信号处理反映出介质分布,以达到管道泄漏检测的目的[22]。该种方法可用于复杂的地形环境,但不适用于管径较小的管道,并且在黏土环境中容易失真[23]。

激光雷达系统基于光谱吸收原理,气体分子选择性地吸收光,通过分析激光的初始功率和回波功率获得气体浓度。该方法定位精度高、检测速度快[24]。

毫米波是指30～300 GHz频域(波长为1～10 mm)的电磁波,而毫米波雷达,就是工作在毫米波波段探测的雷达。在天然气管道泄漏检测应用中,毫米波雷达系统可以通过天然气管道获取雷达信号,并根据天然气和空气之间的密度差判断泄漏。但雷达探测方法的共同缺点是运营成本较高[25,26],不适合大规模工程应用。

2.1.3.2 激光检测方法

基于激光的检测方法主要有激光定位系统与二极管激光吸收法2种。二者探测原理基本相同,二极管激光吸收法采用二极管激光发射器,经济成本相对较低[27,28]。当激光束被引导至管道时,如果发生泄漏,激光束将被部分吸收,泄漏气团的激光在气团后反射回目标。2011年,蒋亚龙,等[29]设计了一种基于TDLAS技术的甲烷浓度检测系统,使用长光程测量池测量了8种甲烷浓度,经证明该系统长期稳定可靠[30]。

2.1.3.3 热红外成像法

热成像检测技术使用热成像技术设备分析管道周围的热辐射变化[31]。采用红外热成像法检测目标和背景之间的温度差异来探测识别目标,推测地下输油管道的分布状态。当天然气管道泄漏时,管道周围土壤的温度将根据节流效应而降低。对于加热和运输的原油管道,当管道泄漏时,周围土壤的温度会升高。其优点是检测速度快,但设备昂贵,对管道埋入深度有要求,对小于1.0 mm的泄漏孔难以量化[32],且当流体温度和周围土壤温度趋于一致时,该方法容易失效[33]。

2.2 基于软件的管道泄漏检测方法

基于软件的管道泄漏检测方法主要为基于模型的管道泄漏检测方法,分为物理模型驱动的泄漏检测方法和数学模型驱动的泄漏检测方法。物理模型驱动的泄漏检测方法考虑了流体在管道中的速度、密度、压力和温度等物理特性,当管道中液体的物理行为偏离模型时,就会进行泄漏检测。数学模型驱动的泄漏检测方法仅使用传感器数据(如压力和流量)和数据分析方法来推导过程模型。

2.2.1 物理模型驱动的泄漏检测方法

物理模型驱动的泄漏检测方法的典型是负压波法。当管道某处突然发生泄漏时,泄漏点会产生瞬时压降[34]。由于管道内的液体是连续流动的,位于泄漏点两端的传感器可以接收到上、下游流向泄漏处而形成的负压波。该方法优点在于成本低,便于维护,但是对于微小泄漏的敏感性不强,针对此缺点,Silva,等[35]利用小波变换技术提取瞬态负压波信号,捕捉两端测点信号的特征点,提高了方法的检测精度。同时,负压波法对噪声敏感,对传感器精度的依赖程度较高,不适用于短距离输送管道[36]。

2.2.2 数学模型驱动的泄漏检测方法

该方法是以系统辨识法、滤波器法、以及管道流量平衡法等为指导,完成数学模型的建立[37]。典型方法如支持向量机法(Support Vector Machine, SVM)是基于监督学习将低维数据投射到高维空间的泄漏异常状态检测方法,Qu,等[38]在光纤传感器的基础上,利用SVM对管道泄漏引起的正常和异常振动进行分类。何健安,等[39]选用高斯函数作为SVM分类的核函数在西北已有煤层气长输管道进行测试和验证,准确率较高。人工神经网络法是将管道数据清洗后作为模型输入,经过神经网络连接和计算,得到泄漏预测结果。BP神经网络有较强的包容性被用于泄漏检测中,但是此类浅层神经网络易陷入局部极值[40,41],燕宗伟,等[42]及张勇,等[43]提出一种基于数据预处理的遗传算法优化BP神经网络的管道泄漏检测方法,效果明显优于BP神经网络。在此基础上,深度学习检测算法逐步发展以克服浅层神经网络存在的不足,卷积神经网络(CNN)[44]、循环神经网络(Recurrent Neural Network, RNN)[45]、长短记忆网络(Long Short-Term Memory, LSTM)[46]、模糊神经网络(Fuzzy Neural Network, FNN)[47]等也逐渐被应用于泄漏的图像数据和图像处理、管道压力、流量等信号处理。

随着计算机技术和人工智能算法的发展、对管道材料和集输过程了解的深入,基于数学模型驱动的泄漏检测方法逐渐完善,依赖其强大的泛化能力、分类能力和预测能力,不断取得新突破,成本投入相对较低,但是准确性与定位精度还需提高,更多是作为硬件检测方法的辅助,或者与硬件检测方法相结合。

2.3 方法比较及建议

通过对相关文献专利的分析比较,对上述主要油气管道泄漏检测方法从以下几个方面进行比较总结:

a) 从适用范围和成本看,红外成像法、化学法、雷达法等成本较高且应用场景受限,声波检测法、分布式光纤等应用范围广泛且成本较低,既可以应用于站场管道,也可用于油气田环境的长输埋地管道,但分布式光纤需沿线敷设,故更适用于新管道,对于正在运行的管道开挖成本较大。

b) 定位精度和响应时间方面,主流的检测方法对于长输管道的相对定位误差可以控制在1%～5%之内,响应时间通常小于1 min,光纤传感的方法在较为理想的条件下定位误差可小于1%,且数秒内即可响应,优势明显。

c) 基于软件的检测方法虽然成本投入相对较低,但更多体现为一种数据处理和建立模型的手段,作为硬件探测技术的辅助与补充,精度上依赖于硬件的条件。

从目前的的方法应用趋势上看,光纤泄漏检测是一种优势较为明显的方法,近年来在油田管道的应用也较为广泛,但对于正在运行的管道存在开挖不便的问题,可以考虑采用或探索非接触式或不需沿线长距离分布的检测方法。

3 结论与展望

3.1 结论

本文通过使用CiteSpace软件对大量中英文献进行检索,分析了管道泄漏检测的研究进展趋势与现状,并从硬件和软件两个角度介绍了可应用于油气管道检测的集中常用泄漏检测技术。通过本文的分析,可以得出以下结论:

a) 国内外对于管道泄漏检测的研究从20世纪70、80年代开始,并于2000年之后发表文章数量有了爆发性增长,这主要源于一些新的硬件技术(如分布式光纤传感技术)以及数据处理方法(如小波变化)的出现。

b) 各种基于硬件的检测方法由于不同原因在应用上受到限制,如成本较高、易受外部信号干扰、数据传输不便以及敷设条件困难等。

c) 基于软件的检测方法如支持向量机法和人工神经网络法在定位精度方面仍有提升空间,并且需与硬件检测方法有机结合。

3.2 展望

根据对油气管道泄漏检测技术的研究进展,对未来检测技术的发展趋势展望如下:

a) 从近年来检测技术的发展来看,越来越多的检测技术不再局限于单一方法的使用。因此,结合2种或2种以上的检测方法(或结合基于硬件的方法和基于软件的方法)是未来的发展方向。

b) 近年来,机器学习技术发展迅速。可以预见,未来的检测技术将更加智能化和自动化,检测数据可以自动识别和读取,漏点自动判断和预警的错误率将更低。

c) 提高小泄漏的检测率仍然是当前检测技术的难点,因此提高检测技术的灵敏度和准确性仍然是主流方向,当前的主流检测技术在多点检测、抗环境干扰、提高定位精度方面仍有改进的余地。

d) 探索非开挖式的高精度地下探测及泄漏检测的方法,是未来针对油气田埋地长输管道进行泄漏检测的重要发展方向。