CN111425768B - 一种输油管道漏油点与漏油速率的探测方法 - Google Patents

Abstract

本发明公开了一种基于水下传感器网络的输油管道漏油点与漏油速率的探测方法，包括：在输油管道周围分别布置传感器的工作节点和中转节点，建立起立体传感器网络；记录水下输油管道上下游传感器工作节点监测到的压力、浓度数值，通过与理论计算值相比，判断水下输油管道是否发生泄漏情况，构建训练集训练预构建的神经网络模型；通过训练好的神经网络模型计算出漏油点位置；根据漏油点距离下游传感器节点的距离，通过数学模型求得漏油点的漏油速率。本发明的方法，能够提高水下立体传感器网络的监测效率和可靠性。

Description

一种输油管道漏油点与漏油速率的探测方法

技术领域

本发明属于水下传感器监测及输油管道漏油探测技术领域，特别涉及一种基于水下传感器网络的输油管道漏油点与漏油速率的探测方法。

背景技术

水下传感器网络是布置于水中，用于探测输油管道漏油点；另外，通过立体传感器网络能够测定漏油点浓度变化，进而计算得出输油管道的漏油速率。

随着水下机器人应用于水下输油管道探测，通过在水下布置这种立体传感器网络，能够根据水下某一临近节点的浓度变化检测出漏油点的位置；通过布置传感器的位置及时间变化，能够实时检测到水中的漏油速率。

目前，传感器网络虽然能够应用于水面之下，但是在水下监测漏油点时，仍然存在判断精确度较低的问题；另外，对于复杂可变的水下环境，其还存在可靠性不强的缺陷。

综上，目前的方法在一定程度上不能很好地监测到水下输油管道的变化情况，继续一种新的基于水下传感器网络的输油管道漏油点与漏油速率的探测方法。

发明内容

本发明的目的在于提供一种基于水下传感器网络的输油管道漏油点与漏油速率的探测方法，以解决上述存在的一个或多个技术问题。本发明的方法，能够通过水下布置的立体传感器网络系统以及传感器工作节点所实时监测到的浓度数据，经训练好的神经网络模型进行泄漏点的定位并能够计算出水下输油管道石油泄露的速率，可提高水下立体传感器网络的监测效率和可靠性。

为达到上述目的，本发明采用以下技术方案：

本发明的一种基于水下传感器网络的输油管道漏油点与漏油速率的探测方法，包括以下步骤：

步骤1，布置水下传感器，形成水下立体传感器网络；其中，所述传感器网络的节点类型包括：工作节点和中转节点；所述工作节点沿输油管道设置，用于数据监测采集点，所述中转节点用于将工作节点采集的数据传到岸基基站或工作站；

步骤2，采集记录水下输油管道上下游传感器工作节点压力、浓度数值，通过与理论计算值相比，判断水下输油管道是否发生泄露情况；

步骤3，搜集水下输油管道周围布置的传感器工作节点位置以及不同传感器工作节点监测到的不同浓度数据与实际的漏油点漏油位置的数据包，用于作为神经网络的训练数据；

步骤4，通过步骤3搜集的浓度数据以及定位数据进行预构建神经网络模型训练，获得训练好的神经网络模型；

步骤5，水下输油管道传感器工作节点监测到水下溶液浓度发生变化后，将采集到的浓度数据经中转节点传递到地面基站，将浓度数据与传感器工作节点的定位信息带入到经步骤4训练好的神经网络模型中，获得输油管道的泄露位置(x,y,z)；

步骤6：根据步骤5获得的漏油点位置(x,y,z)，计算获得漏油点距离下游传感器节点的距离，求得漏油点的漏油速率。

本发明的进一步改进在于，其特征在于，步骤1中，

水下传感器布置的距离模型表达式为，

式中，R_i为传感器的监测半径，R为传感器通讯半径；

本发明的进一步改进在于，步骤2具体包括：

记录水下输油管道上下游传感器工作节点压力、浓度数值，通过与理论计算值相比，判断水下输油管道是否发生泄露情况；其中，将实测值与理论计算值进行比较，比较结果超过阈值，为有泄露发生。

本发明的进一步改进在于，步骤2中，压力参数的计算表达式为，

式中：H_x为距离下游传感器x处的压力；H₀为输油管下游传感器的压力；Z_x为距离输油管下游x处的高程；Z₀为输油管下游传感器的高程；Q为管道中的体积流量；v为石油的运动粘度；D为管道内径；x为泄漏点距离下游传感器的距离；β,m为石油流体系数。

本发明的进一步改进在于，步骤2中，通过与理论计算值相比，判断水下输油管道是否发生泄露情况具体包括：

利用水下输油管道上游传感器工作节点压力边界和输油管道下游传感器工作节点压力边界的组合作为两端边界的输入条件；计算管道下游传感器节点压力，将计算获得的理论值与实测值进行比较，判断表达式为，

式中：H_nc为下游传感器节点压力计算值；H_ns为下游传感器节点实测值；α1为压力报警阈值；C1,C2分别为输油管道上下游传感器工作节点浓度；

当判断表达式成立时，表明输油管道有泄漏发生。

本发明的进一步改进在于，步骤4具体包括：

步骤4.1，所述神经网络模型包括：正向传播和反向传播；

(1)工作信号正向传播，包括：正向传播用于将传感器工作节点定位信息以及传感器监测到的水下溶液的浓度作为输入层的输入信号，经过隐含层，传向输出信号为漏油点定位的输出层；

(2)误差信号反向传播，包括：输油管道漏油点定位的实际输出与期望输出之间差值为误差信号，误差信号由输出端开始逐层向前传播；

步骤4.2，所述神经网络模型设置有输入层、输出层以及隐含层；

所述输入层包括：输油管道周围传感器工作节点x轴、y轴、z轴的定位信息以及传感器工作节点监测到的水下溶液浓度信息，输入层表示为：

X_k＝[x_k1,x_k2,…,x_kM],k＝1,2,…，

式中，M为输入层的单元数；

所述输出层包括：输油管道泄漏点x轴、y轴、z轴的定位信息，表示为(x,y,z)；输出层表示为：

Y_k(n)＝[y_k1(n),y_k2(n),…,y_kP(n)],k＝1,2,…，

式中，P为输出层的单元数；

期望目标输出矢量表示为：

d_k＝[d_k1,d_k2,…,d_kP],k＝1,2,…；

中间各隐含层的权值向量分别为：

第n次迭代时输入层与隐层I之间的权值向量为：

第n次迭代时隐层I与隐层J间的权值向量为：

第n次迭代时隐层J与输出层之间的权值向量为：

隐藏层和输出层神经元设置的激活函数，采用S型函数，函数表达式为：

式中，x为随机变量。

本发明的进一步改进在于，步骤4中，神经网络模型的训练过程包括：

1)选取由步骤3搜集的数据作为训练组，包括：输油管道工作节点定位信息以及传感器工作节点监测的溶液浓度、迭代次数、控制参数以及解的限定范围；

2)初始化参数，赋予W_MI(0),W_IJ(0),W_JP(0)为接近于0的随机值；

3)随机输入样本X_k，并前向计算BP网络每层神经元的输入信号u和输出信号v；

其中，

4)由期望输出d_k和上一步求得的实际输出Y_k(n)计算误差，判断是否满足预设要求；其中，若满足，则训练结束；若不满足则需根据梯度下降法，调整权值；

5)反向计算每层神经元的局部梯度δ，各隐含层梯度表达式为：

6)权值调整量表达式为：

7)调整后权值的表达式为：

w_jp(n+1)＝w_jp(n)+Δw_jp(n)，

w_ij(n+1)＝w_ij(n)+Δw_ij(n)，

w_mi(n+1)＝w_mi(n)+Δw_imi(n)；

8)k每经历1至M后，判断指标是否满足精度要求：E≤ε，其中E是总误差函数，且

如果不满足，继续迭代，如果满足，则训练结束。

本发明的进一步改进在于，步骤6中，

泄漏点处的泄漏速率计算表达式为：

式中，

式中，x为泄漏点距离下游传感器工作节点的距离；R为上下游传感器工作节点之间的距离；v₀为海洋水流的速率；v为漏油点泄漏的速率；Δt为上下游传感器工作节点监测到浓度发生变化的时间差；

Δt＝t₂-t₁，t₂为下游传感器节点监测到浓度发生变化的时刻，t₁为上游传感器节点监测到浓度发生变化的时刻；

海洋水流的速率的计算表达式为：

v₀＝v_0max·{1-[1-y/(h₁+h₂)²]}，

式中，v_0max为海水的最大速度；h₁为输油管道到海面的距离；h₂为输油管道到海底的距离；y为独立变量，0≤y≤h₁+h₂。

与现有技术相比，本发明具有以下有益效果：

本发明的方法，能够提高水下立体传感器网络的监测效率，提升对水下输油管道泄漏速率的判断可靠性。本发明方法的应用，对水下环境污染及时采取相应的解决措施有指导作用和重要意义。具体的，本发明的方法，能够通过训练好的神经网络模型，对水下输油管道发生泄露后的泄漏点进行准确定位，本发明的方法，能够实现水下输油管道漏油点位置的准确识别判断，降低识别误差，提高水下传感器监测漏油点的工作效率和可靠性；本发明的方法，能够通过水下输油管道传感器工作节点的压力与浓度变化信息迅速准确判断水下输油管道是否漏油，并根据训练好的神经网络模型对漏油点进行定位，进而计算出漏油点的漏油速率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面对实施例或现有技术描述中所需要使用的附图做简单的介绍；显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来说，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例的一种基于水下传感器网络的输油管道漏油点与漏油速率的探测方法的流程示意框图；

图2是本发明实施例中，神经网络模型结构示意图；

图3是本发明实施例中，水下输油管道漏油点位置的示意图；

图4是本发明实施例中，水下传感器网络系统示意图；

图4中，1、基站；2、中转节点；3、输油管道；4、工作节点。

具体实施方式

为使本发明实施例的目的、技术效果及技术方案更加清楚，下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述；显然，所描述的实施例是本发明一部分实施例。基于本发明公开的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的其它实施例，都应属于本发明保护的范围。

本发明实施例的一种水下传感器网络探测输油管道漏油点与漏油速率的方法，包括以下步骤：

步骤1，布置水下传感器，形成水下立体传感器网络；其中，所述传感器网络的节点类型包括：工作节点4和中转节点2；所述工作节点沿输油管道3设置，用于数据监测采集点，所述中转节点用于将工作节点采集的数据传到岸基基站1或工作站；

步骤2，记录水下输油管道上下游传感器工作节点压力、浓度数值，通过与理论计算值相比，判断水下输油管道是否发生泄露情况；

步骤3，搜集水下输油管道周围布置的传感器工作节点位置以及不同传感器工作节点监测到的不同浓度数据与实际的漏油点漏油位置的数据包，作为神经网络的训练数据；

步骤4：将步骤3搜集的浓度数据以及定位数据进行神经网络训练；

步骤5：水下输油管道传感器工作节点监测到水下溶液浓度发生变化后，即刻将采集到的溶液浓度数据经中转节点传递到地面基站，将浓度数据与传感器工作节点的定位信息带入到经步骤4训练好的神经网络模型中，可准确定位到输油管道的泄露位置(x,y,z)；

步骤6：根据步骤5计算的漏油点位置(x,y,z)知道漏油点距离下游传感器节点的距离x，通过所述数学模型可求得漏油点的漏油速率。

本发明实施例中，水下传感器部署要求为：

(1)水下传感器网络的部署由两种类型的传感器节点组成，分别是工作节点和中转节点；

(2)考虑到传感器通讯半径R和能耗问题，上下左右相邻的两个传感器距离应不超过

本发明实施例中，所述判断是否漏油的方法为：

由式(1)所得传感器上下游节点的压力、浓度变化情况，若压力、浓度变化超过阈值范围，即可判断出水下输油管道是否漏油。

本发明实施例中，所述漏油点定位的方法为：

通过搜集传感器工作节点定位信息以及传感器工作节点所监测到的水下溶液中石油浓度的数据作为输入条件，对神经网络进行训练，将训练好的神经网络模型保存于水面基站。当判断出水下输油管道发生泄露情况后，传感器工作节点将监测到水下溶液中石油浓度的数据以及监测到浓度发生变化的传感器工作节点的定位信息经传感器中转节点传递给地面基站，地面基站将传递的浓度数据以及传感器工作节点的定位信息代入以及训练好的神经网络模型中，可对漏油点进行位置定位。

本发明实施例中，所述神经网络训练过程为：

(1)选取由步骤4搜集的数据作为训练组，包括：输油管道工作节点定位信息以及传感器工作节点监测的溶液浓度、迭代次数、控制参数以及解的限定范围；

(2)初始化参数，赋予W_MI(0),W_IJ(0),W_JP(0)为接近于0的随机值；

(3)随机输入样本X_k，并前向计算BP网络每层神经元的输入信号u和输出信号v，其中：

(4)由期望输出d_k和上一步求得的实际输出Y_k(n)计算误差，判断是否满足要求，若满足，则训练结束；若不满足则需根据梯度下降法，调整权值；

(5)反向计算每层神经元的局部梯度δ，各隐含层梯度表达式为：

(6)权值调整量表达式为：

(7)调整后权值的表达式为：

w_jp(n+1)＝w_jp(n)+Δw_jp(n)

w_ij(n+1)＝w_ij(n)+Δw_ij(n)

w_mi(n+1)＝w_mi(n)+Δw_imi(n)

(8)当k每经历1至M后，判断指标是否满足精度要求：E≤ε，其中E是总误差函数，且

如果不满足，继续迭代。如果满足，则训练结束。

本发明实施例中，所述漏油点的漏油速率计算方法为：

可解得漏油点的漏油速率为：

本发明实施例中，传感器网络包括：传感器工作节点、传感器中转节点、地面基站。

所述传感器工作节点负责采集水下输油管道工作节点的温度、压力、浓度，传感器工作节点部署于输油管道周围，将采集到的浓度、压力、温度数据信息传递给传感器中转节点；

所述传感器中转节点负责接收由传感器工作节点传递过来的信息，能够对三个参数进行处理，同时计算出漏油点的位置并传递给地面基站；

所述地面基站能够接收由传感器中转节点传递来的信息，计算出水下输油管道泄漏速率。

请参阅图1，本发明实施例的一种基于水下传感器网络的输油管道漏油点与漏油速率的探测方法，具体包括以下步骤：

步骤1，传感器部署，包括：

为保证水下立体传感器网络良好的监测范围，在某区域内多个点都能起到监测作用，本发明实施例提出一种传感器部署的距离模型，表达式为：

式中，R_i为传感器的监测半径，R为传感器通讯半径。

水下传感器网络由两种类型的传感器节点组成，分别为工作节点和中转节点；工作节点用于数据监测采集点，中转节点负责将工节点采集的数据传到岸基基站或工作站。

步骤2：记录水下输油管道上下游传感器工作节点压力、浓度数值，通过与理论计算值相比，判断水下输油管道是否发生泄露情况。所述判断是否发生泄露的具体步骤如下：

步骤2.1，压力参数的计算，包括：

式中：H_x为距离下游传感器x处的压力(m)；H₀为输油管下游传感器的压力(m)；Z_x为距离输油管下游x处的高程(m)；Z₀为输油管下游传感器的高程(m)；Q为管道中的体积流量(m³/s)；v为石油的运动粘度(m²/s)；D为管道内径(m)；x为泄漏点距离下游传感器的距离(m)；β,m为石油流体系数。

步骤2.2，检测是否发生泄漏，包括：

利用水下输油管道上游传感器工作节点压力边界和输油管道下游传感器工作节点压力边界的组合作为两端边界的输入条件。计算管道下游传感器节点压力，再将计算值与实测值进行比较，当两者差值超过报警阈值时，即下式成立时表明有泄漏发生：

式中：H_nc为下游传感器节点压力计算值(m)；H_ns为下游传感器节点实测值(m)；α1为压力报警阈值(m)；C1,C2分别为输油管道上下游传感器工作节点浓度(mol/L)。

步骤3：搜集水下输油管道周围布置的传感器工作节点位置以及不同传感器工作节点监测到的不同浓度数据与实际的漏油点漏油位置的数据包，作为神经网络的训练数据；

步骤4：将步骤3搜集的浓度数据以及定位数据进行神经网络训练。具体的神经网络训练包括如下步骤：

步骤4.1：所述神经网络模型包括正向传播和反向传播。

(1)工作信号正向传播

正向传播为将传感器工作节点定位信息以及传感器监测到的水下溶液的浓度作为输入层的输入信号，经过隐含层，传向输出信号为漏油点定位的输出层。

(2)误差信号反向传播

输油管道漏油点定位的实际输出与期望输出之间差值即为误差信号，误差信号由输出端开始逐层向前传播，这是误差信号的反向传播。

步骤4.2：设置输入层、输出层以及隐含层。

输入层包括输油管道周围传感器工作节点x轴，y轴，z轴的定位信息以及传感器工作节点监测到的水下溶液浓度信息，输入层可表示为：

X_k＝[x_k1,x_k2,…,x_kM],k＝1,2,…(4)

式(2)中，M为输入层的单元数。

输出层为输油管道泄漏点x轴，y轴，z轴的定位信息，即(x,y,z)，输出层可表示为：

Y_k(n)＝[y_k1(n),y_k2(n),…,y_kP(n)],k＝1,2,…(5)

式(3)中，P为输出层的单元数。

期望目标输出矢量为：

d_k＝[d_k1,d_k2,…,d_kP],k＝1,2,…(6)

中间各隐含层的权值向量分别为；

第n次迭代时输入层与隐层I之间的权值向量为：

第n次迭代时隐层I与隐层J间的权值向量为：

第n次迭代时隐层J与输出层之间的权值向量为：

步骤4.3:为为隐藏层和输出层神经元设置相应的激活函数，采用S型函数，其函数表达式为：

式(10)中，x为随机变量

步骤4.4：神经网络的训练过程如下：

(1)选取由步骤4搜集的数据作为训练组，包括：输油管道工作节点定位信息以及传感器工作节点监测的溶液浓度、迭代次数、控制参数以及解的限定范围；

(2)初始化参数，赋予W_MI(0),W_IJ(0),W_JP(0)为接近于0的随机值；

(3)随机输入样本X_k，并前向计算BP网络每层神经元的输入信号u和输出信号v，其中

(4)由期望输出d_k和上一步求得的实际输出Y_k(n)计算误差，判断是否满足要求，若满足，则训练结束；若不满足则需根据梯度下降法，调整权值；

(5)反向计算每层神经元的局部梯度δ，各隐含层梯度表达式为：

(6)权值调整量如式(15)-式(17)所示：

(7)调整权值，如式(18)-式(20)所示：

w_jp(n+1)＝w_jp(n)+Δw_jp(n) (18)

w_ij(n+1)＝w_ij(n)+Δw_ij(n) (19)

w_mi(n+1)＝w_mi(n)+Δw_imi(n) (20)

(8)当k每经历1至M后，判断指标是否满足精度要求：E≤ε，其中E是总误差函数，且

如果不满足，继续迭代。如果满足，则训练结束。

步骤5：水下输油管道传感器工作节点监测到水下溶液浓度发生变化后，即刻将采集到的溶液浓度数据经中转节点传递到地面基站，将浓度数据与传感器工作节点的定位信息带入到经步骤5训练好的神经网络模型中，可准确定位到输油管道的泄露位置(x,y,z)。

步骤6，泄漏速率计算；经步骤5能够确定漏油点的定位信息，可知道漏油点距离上下游传感器的距离。

本发明实施例中，步骤6具体包括：

当水下输油管道突然发生泄漏情况后，泄漏处的石油迅速流失，泄漏点泄漏的石油向上、下游的传感器两个方向以一定的速度传播扩散，通过上下游传感器监测到浓度发生变化的时间求出泄漏的速率，具体模型如下式所示：

式中：x为泄漏点距离下游传感器节点的距离；R为上下游传感器节点之间的距离；v₀为海洋水流的速率；v为漏油点泄漏的速率；Δt为上下游传感器节点监测到浓度发生变化的时间差(Δt＝t₂-t₁，t₂为下游传感器节点监测到浓度发生变化的时刻，t₁为上游传感器节点监测到浓度发生变化的时刻)。

海洋水流的速率可通过下式计算：

v₀＝v_0max·{1-[1-y/(h₁+h₂)²]} (22)

式中：v_0max为海水的最大速度；h₁为输油管道到海面的距离；h₂为输油管道到海底的距离；y为独立变量(0≤y≤h₁+h₂)。

根据式(11)所得v即为泄漏点处的泄漏速度,，表达式为：

综上所述，本发明公开了一种水下传感器网络探测输油管道漏油点与漏油速率的方法，该方法包括以下步骤：部署水下传感器，考虑到传感器通讯半径R和能耗问题，上下左右相邻的两个传感器距离应不超过

在输油管道周围分别布置传感器的工作节点和中转节点，建立起立体传感器网络；记录水下输油管道上下游传感器工作节点监测到的压力、浓度数值，通过与理论计算值相比，判断水下输油管道是否发生泄漏情况；搜集水下输油管道周围布置的传感器工作节点位置以及不同传感器工作节点监测到的不同浓度数据与实际的漏油点漏油位置的数据包，作为神经网络的训练数据；对搜集的浓度数据以及定位数据进行神经网络训练；水下输油管道传感器工作节点监测到水下溶液浓度发生变化后，即刻将采集到的溶液浓度数据经中转节点传递到地面基站，将浓度数据与传感器工作节点的定位信息带入到训练好的神经网络模型中，可准确定位到输油管道的泄露位置(x,y,z)；计算出漏油点位置，知道漏油点距离下游传感器节点的距离，通过所述数学模型可求得漏油点的漏油速率。本发明提出的一种水下传感器网络探测输油管道漏油点与漏油速率的方法，可实现对水下输油管道漏油点的定位，能够迅速准确判断漏油点的定位信息；还能测算出漏油点的漏油速率，工作人员能够根据漏油点的漏油速率采取相应的解决措施，能够对避免海洋污染做出较大的贡献。

以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员依然可以对本发明的具体实施方式进行修改或者等同替换，这些未脱离本发明精神和范围的任何修改或者等同替换，均在申请待批的本发明的权利要求保护范围之内。

Claims (4)

1.一种基于水下传感器网络的输油管道漏油点与漏油速率的探测方法，其特征在于，包括以下步骤：

步骤1，布置水下传感器，形成水下立体传感器网络；其中，所述传感器网络的节点类型包括：工作节点和中转节点；所述工作节点沿输油管道设置，用于数据监测采集点，所述中转节点用于将工作节点采集的数据传到岸基基站或工作站；

步骤2，采集记录水下输油管道上下游传感器工作节点压力、浓度数值，通过与理论计算值相比，判断水下输油管道是否发生泄露情况；

步骤3，搜集水下输油管道周围布置的传感器工作节点位置以及不同传感器工作节点监测到的不同浓度数据与实际的漏油点漏油位置的数据包，用于作为神经网络的训练数据；

步骤4，通过步骤3搜集的浓度数据以及定位数据进行预构建神经网络模型训练，获得训练好的神经网络模型；

步骤5，水下输油管道传感器工作节点监测到水下溶液浓度发生变化后，将采集到的浓度数据经中转节点传递到地面基站，将浓度数据与传感器工作节点的定位信息带入到经步骤4训练好的神经网络模型中，获得输油管道的漏油点位置(x,y,z)；

步骤6：根据步骤5获得的漏油点位置(x,y,z)，计算获得漏油点距离下游传感器节点的距离，求得漏油点的漏油速率；

其中，步骤1中，

水下传感器布置的距离模型表达式为，

式中，R_i为传感器的监测半径，R为传感器通讯半径；

步骤2中，压力参数的计算表达式为，

式中：H_x为距离下游传感器x处的压力；H₀为输油管下游传感器的压力；Z_x为距离输油管下游传感器x处的高程；Z₀为输油管下游传感器的高程；Q为管道中的体积流量；v为石油的运动粘度；D为管道内径；x为泄漏点距离下游传感器的距离；β,m为石油流体阻力系数；

步骤4具体包括：

步骤4.1，所述神经网络模型包括：正向传播和反向传播；

(1)工作信号正向传播，包括：正向传播用于将传感器工作节点定位信息以及传感器监测到的水下溶液的浓度作为输入层的输入信号，经过隐含层，传向输出信号为漏油点定位的输出层；

(2)误差信号反向传播，包括：输油管道漏油点定位的实际输出与期望输出之间差值为误差信号，误差信号由输出端开始逐层向前传播；

步骤4.2，所述神经网络模型设置有输入层、输出层以及隐含层；

所述输入层包括：输油管道周围传感器工作节点x轴、y轴、z轴的定位信息以及传感器工作节点监测到的水下溶液浓度信息，输入层表示为：

X_k＝[x_k1,x_k2,…,x_kM],k＝1,2,…，

式中，M为输入层的单元数；

所述输出层包括：输油管道泄漏点x轴、y轴、z轴的定位信息，表示为(x,y,z)；输出层表示为：

Y_k(n)＝[y_k1(n),y_k2(n),…,y_kP(n)],k＝1,2,…，

式中，P为输出层的单元数；

期望目标输出矢量表示为：

d_k＝[d_k1,d_k2,…,d_kP],k＝1,2,…；

中间各隐含层的权值向量分别为：

第n次迭代时输入层与隐层I之间的权值向量为：

第n次迭代时隐层I与隐层J间的权值向量为：

第n次迭代时隐层J与输出层之间的权值向量为：

隐藏层和输出层神经元设置的激活函数，采用S型函数，函数表达式为：

式中，x为随机变量；

步骤4中，神经网络模型的训练过程包括：

1)选取由步骤3搜集的数据作为训练组，包括：输油管道工作节点定位信息以及传感器工作节点监测的溶液浓度、迭代次数、控制参数以及解的限定范围；

2)初始化参数，赋予W_MI(0),W_IJ(0),W_JP(0)为接近于0的随机值；

3)随机输入样本X_k，并前向计算BP网络每层神经元的输入信号u和输出信号v；

其中，

4)由期望输出d_k和上一步求得的实际输出Y_k(n)计算误差，判断是否满足预设要求；其中，若满足，则训练结束；若不满足则需根据梯度下降法，调整权值；

5)反向计算每层神经元的局部梯度δ，各隐含层梯度表达式为：

6)权值调整量表达式为：

7)调整后权值的表达式为：

w_jp(n+1)＝w_jp(n)+Δw_jp(n)，

w_ij(n+1)＝w_ij(n)+Δw_ij(n)，

w_mi(n+1)＝w_mi(n)+Δw_imi(n)；

8)k每经历1至M后，判断指标是否满足精度要求：E≤ε，其中E是总误差函数，且

ε为初始化精度控制参数；如果不满足，继续迭代，如果满足，则训练结束。

2.根据权利要求1所述的一种基于水下传感器网络的输油管道漏油点与漏油速率的探测方法，其特征在于，步骤2具体包括：

记录水下输油管道上下游传感器工作节点压力、浓度数值，通过与理论计算值相比，判断水下输油管道是否发生泄露情况；其中，将实测值与理论计算值进行比较，比较结果超过阈值，为有泄露发生。

3.根据权利要求1所述的一种基于水下传感器网络的输油管道漏油点与漏油速率的探测方法，其特征在于，步骤2中，通过与理论计算值相比，判断水下输油管道是否发生泄露情况具体包括：

利用水下输油管道上游传感器工作节点压力边界和输油管道下游传感器工作节点压力边界的组合作为两端边界的输入条件；计算管道下游传感器节点压力，将计算获得的理论值与实测值进行比较，判断表达式为，

式中：H_nc为下游传感器节点压力计算值；H_ns为下游传感器节点实测值；α1为压力报警阈值；C1,C2分别为输油管道上下游传感器工作节点浓度；

当判断表达式成立时，表明输油管道有泄漏发生。

4.根据权利要求1所述的一种基于水下传感器网络的输油管道漏油点与漏油速率的探测方法，其特征在于，步骤6中，

泄漏点处的泄漏速率计算表达式为：

式中，

式中，x为泄漏点距离下游传感器工作节点的距离；R为上下游传感器工作节点之间的距离；v₀为海洋水流的速率；v为漏油点泄漏的速率；Δt为上下游传感器工作节点监测到浓度发生变化的时间差；

Δt＝t₂-t₁，t₂为下游传感器节点监测到浓度发生变化的时刻，t₁为上游传感器节点监测到浓度发生变化的时刻；

海洋水流的速率的计算表达式为：

v₀＝v_0max·{1-[1-y/(h₁+h₂)²]}，

式中，v_0max为海水的最大速度；h₁为输油管道到海面的距离；h₂为输油管道到海底的距离；y为独立变量，0≤y≤h₁+h₂。

Images