رویکردهای مبتنی بر مدل فیزیکی و داده محور برای تشخیص نشت

سایر مطالعات در  نیکاپایان زمینه تشخیص نشت از روش های داده محور به طور مشترک با مدل های تحلیلی و فیزیکی استفاده می کنند. ژانگ و همکاران [28] یک روش تجزیه و تحلیل گذرا هیدرولیکی و ترمودینامیکی معکوس و یک الگوریتم بهینه‌سازی ازدحام ذرات (PSO) بهبود یافته برای تشخیص نشت پیشنهاد می‌کند. ابتدا یک مدل گذرا هیدرولیکی و ترمودینامیکی با استفاده از نرخ جریان و فشار معرفی می‌کنند. در مرحله بعد، داده های مورد نیاز برای تشخیص نشت از سنسورهای مبدا و پایانه خطوط لوله استخراج می شود. انحراف بین داده های محاسبه شده و داده های تجربی برای تشخیص نشت استفاده می شود. دلگادو-آگویناگا و همکاران. [29] از سنسورهای فشار و جریان قرار داده شده در انتهای خطوط لوله و یک مدل غیر خطی برای تخمین ضرایب نشت با استفاده از معادلات واتر-همر و فیلترهای توسعه یافته کالمن مربوطه استفاده می‌کنند. با این حال، این روش قادر به تشخیص چندین نشت همزمان از خطوط لوله در موقعیت های مختلف نیست.

 

Ostapkowicz [23] از روش های NPW و گرادیان برای تشخیص نشت استفاده می کند. در روش گرادیان فشار، فرض اصلی این است که تغییرات فشار در طول خط لوله خطی است. با این حال، این فرض نمی تواند تمام دینامیک جریان را مدل کند [9]. Sun و Chang [7] روش NPW را با استفاده از پردازش سیگنال و ترکیبی از سیگنال‌های جریان و فشار برای تشخیص نشت گسترش می‌دهند. هنگامی که تضعیف سیگنال یکپارچه بیشتر از تغییرات سیگنال تک فشار باشد، نشت و موقعیت آن قابل تشخیص است. با این حال، دقت این روش به شدت به نوع و عملکرد دینامیکی دبی سنج های نصب شده در هر دو انتهای خطوط لوله بستگی دارد. علاوه بر این، این روش برای یک محیط پر سر و صدا یا برای خطوط لوله کوتاه مناسب نیست [6].

3.3. رویکردهای صرفا مبتنی بر داده برای تشخیص نشت

در میان رویکردهای مختلف برای تشخیص نشت،  این سایت برخی تنها از روش‌های مبتنی بر داده برای تشخیص نشت استفاده می‌کنند. کو و همکاران [30] از حسگرهای فیبر نوری به موازات خطوط لوله برای درک ارتعاش لوله ها استفاده کنید. آنها یک طبقه‌بندی کننده ماشین بردار پشتیبان را برای طبقه‌بندی ارتعاشات عادی و غیرعادی ناشی از نشت در خطوط لوله اعمال می‌کنند. محل نشتی با استفاده از سنسورهای فیبر نوری توزیع شده تشخیص داده می شود. با این حال، این روش برای لوله های با فاصله کوتاه قابل اجرا نیست. داسیلوا و همکاران [31] از یک طبقه‌بندی فازی برای طبقه‌بندی حالت عملیاتی و گذراهای فرآیند استفاده می‌کند. همبستگی بین انحرافات نرخ جریان و گذراهای عملیاتی برای تشخیص نشت استفاده می شود. واچلا و همکاران [32] این روش را برای استفاده از طبقه‌بندی‌کننده عصبی فازی برای تشخیص نشت گسترش می‌دهد. در روش آنها، مساحت خطوط لوله به زیر ناحیه ها تقسیم می شود و محل نشتی توسط مجموعه ای از طبقه بندی کننده های عصبی فازی تعیین می شود. برای شناسایی و محلی سازی نشتی، باقیمانده های بین جریان اندازه گیری شده و جریان پیش بینی شده در نظر گرفته می شود. اگر باقیمانده ها از حد معینی تجاوز کنند، نشت تشخیص داده می شود. با این حال، این روش نمی تواند نشت های کوچک را تشخیص دهد، زیرا باقی مانده ها نمی توانند تغییرات خاصی را در جریان در این مورد نشان دهند.

در میان روش‌های مبتنی بر داده دستگاه بسته بندی، برخی از داده‌های تصویری مایع نشت‌کننده و روش‌های پردازش تصویر برای تشخیص نشت استفاده می‌کنند. آنها از دوربین های IR به عنوان سیستم های بازرسی دید بیرونی برای نظارت بر خطوط لوله استفاده می کنند. این مفهوم برای اولین بار توسط نلیس [33] به عنوان راهی برای نظارت بر کانال های آب ارائه شد. نلیس [33] روش را ارزیابی می کند و نشان می دهد که یک مدل اقتصادی و مناسب برای تشخیص نشت است. با این حال، او از پردازش تصویر برای نشت خودکار استفاده نمی کند. یکی دیگر از کاربردهای دوربین های IR در تشخیص نشتی را می توان در کار آدفیلا و همکاران یافت. [34]. آنها نشت گاز از خطوط لوله را در نظر می گیرند و حساسیت دوربین های IR را در ثبت تغییرات دما در گاز نشت کننده ارزیابی می کنند. با این حال، آنها هیچ روش پردازش تصویری برای تشخیص نشت گاز پیشنهاد نمی کنند. عاطف و همکاران [35] یک مکانیسم تشخیص نشت خودکار با استفاده از تجزیه و تحلیل تصویر در تصاویر IR برای لوله‌های انتقال آب پیشنهاد می‌کند. آنها یک روش خوشه بندی را برای تشخیص نشت روی تصاویر اعمال می کنند. برای محلی سازی نشت، آنها یک روش تقسیم بندی را بر اساس روش رشد منطقه پیشنهاد می کنند. روش دیگری مبتنی بر دوربین های IR و پردازش تصویر توسط دای و همکاران ارائه شده است. [36] برای تشخیص نشت گاز. پس از کاهش نویز با فیلتر وینر تطبیقی، مناطق متحرک با اعمال الگوریتم بهبود یافته Surendra پی