Индийская разработка классифицирует утечки метана по степени тяжести за миллисекунды
Исследователи из Университета нефти и энергетики (UPES, Дехрадун, Индия) представили MethaneGuard AI — программную систему мониторинга, которая не только фиксирует утечку метана на магистральном газопроводе или газораспределительной станции, но и сразу относит её к одному из трёх уровней тяжести. Работа опубликована в журнале Hydrogen Economy & Engineering (Elsevier).
Существующие подходы — обходы трассы, анализ падения давления, акустические и волоконно-оптические датчики, тепловизионная съёмка — либо требуют дорогого оборудования и выезда бригады, либо плохо чувствуют малые и медленно развивающиеся утечки. Общий недостаток: пороговая сигнализация отвечает на вопрос «есть или нет», но не даёт оператору оценки масштаба, от которой зависит приоритет реагирования.
MethaneGuard AI непрерывно обрабатывает четыре сигнала: концентрацию метана, давление в трубопроводе, температуру и объёмный расход. Результат — одна из четырёх меток: штатный режим, небольшая, средняя или серьёзная утечка. Ядро системы — классификатор Random Forest, объединяющий прогнозы множества решающих деревьев; он развёрнут через Flask REST API и связан с веб-панелью, где показания датчиков и текущая оценка состояния отображаются в реальном времени.
Из-за закрытости реальных аварийных данных модель обучали на 1000 синтетических записей, сгенерированных по параметрической модели: с ростом утечки концентрация метана увеличивалась, а давление и расход падали. На тестовой части выборки система дала точность 93,67% при 2,47% ложных тревог и macro F1-score 0,9404. При добавлении гауссова шума на уровне 5% и 10% качество снижалось плавно — резкой потери устойчивости авторы не зафиксировали.
Определяющим признаком оказалась концентрация метана, за ней с большим отрывом давление и расход; вклад температуры минимален. Лучше всего распознаются серьёзные утечки, сложнее — небольшие: часть таких случаев модель принимает за норму или за среднюю утечку. Обработка одного набора показаний занимает миллисекунды.
Ключевое ограничение авторы называют сами: классификатор обучался исключительно на синтетике, сгенерированной из независимых гауссовых распределений. Реальные объекты дают коррелированные показания нескольких датчиков, нестационарные тренды и сложную динамику переходных процессов, которые такая модель не воспроизводит. Аппаратной интеграции пока нет — это программный прототип.
Практический смысл конструкции в её модульности: слои симуляции, предобработки, инференса, API и визуализации разделены, поэтому источник данных можно заменить реальными промышленными датчиками без переобучения классификатора. Следующий этап — испытания на действующем оборудовании и эксплуатационных данных, а также стыковка с промышленным IoT и цифровыми двойниками ГРС.
