CN117334266A - 原油油气泄漏的总烃定量方法、系统、电子设备及介质 - Google Patents

原油油气泄漏的总烃定量方法、系统、电子设备及介质 Download PDF

Info

Publication number
CN117334266A
CN117334266A CN202311251362.3A CN202311251362A CN117334266A CN 117334266 A CN117334266 A CN 117334266A CN 202311251362 A CN202311251362 A CN 202311251362A CN 117334266 A CN117334266 A CN 117334266A
Authority
CN
China
Prior art keywords
gas leakage
gas
total hydrocarbon
hydrocarbon content
area
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202311251362.3A
Other languages
English (en)
Inventor
杨志华
朱超
邓峦珲
于雁飞
杨德铖
杨红铁
席利军
陈少祥
张雪
唐刘兵
李泽宇
朱世炫
齐丹阳
何剑
裴克珺
夏雨佳
周生霞
刘雯
孔德晶
郭艳艳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xuzhou Jinqiao Petrochemical Pipeline Transportation Technology Co ltd
China Oil and Gas Pipeline Network Corp
Pipechina Eastern Crude Oil Storage and Transportation Co Ltd
Original Assignee
Xuzhou Jinqiao Petrochemical Pipeline Transportation Technology Co ltd
China Oil and Gas Pipeline Network Corp
Pipechina Eastern Crude Oil Storage and Transportation Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xuzhou Jinqiao Petrochemical Pipeline Transportation Technology Co ltd, China Oil and Gas Pipeline Network Corp, Pipechina Eastern Crude Oil Storage and Transportation Co Ltd filed Critical Xuzhou Jinqiao Petrochemical Pipeline Transportation Technology Co ltd
Priority to CN202311251362.3A priority Critical patent/CN117334266A/zh
Publication of CN117334266A publication Critical patent/CN117334266A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/20—Identification of molecular entities, parts thereof or of chemical compositions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/766—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using regression, e.g. by projecting features on hyperplanes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70—Machine learning, data mining or chemometrics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10048—Infrared image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Multimedia (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Geometry (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Quality & Reliability (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明涉及原油油气泄漏的总烃定量方法、系统、电子设备及介质，方法包括获取原油油气泄漏点的光学图像；获取模型相关参数；模型相关参数包括光学相机与原油油气泄漏点的距离、单一气体的烃浓度以及泄漏点的工况信息；基于气体面积预估模型根据光学图像和距离确定气体泄漏面积；基于气体体积预估模型根据气体泄漏面积以及泄漏点的工况信息确定当前工况条件下的气体泄漏体积；基于总烃预估模型根据气体泄漏体积、单一气体的烃浓度和工况信息，确定当前工况条件下的第一预测总烃含量。本发明可远程获取大范围的光学图像，再对光学图像中的气体泄漏面积进行识别，并得到最终的总烃含量，实现了远程大范围且无接触式的总烃含量的检测。

Description

原油油气泄漏的总烃定量方法、系统、电子设备及介质
技术领域
本发明涉及原油油气泄漏监测技术领域，尤其涉及原油油气泄漏的总烃定量方法、系统、电子设备及介质。
背景技术
石油化工生产运输中存在油气泄漏问题，油气中含有多种气体成分，这些气体有害且易燃。油气泄漏不但污染环境对安全生产也会有很大的影响，严重的会产生爆炸事故。快速检测出油气泄漏、确认油气泄漏总量、判断油气泄漏走向是安全生产的重要保障。目前石化行业中使用的检测手段有点检、激光遥测、红外气体成像；点检装置需要人员手持装备进行检测，无法大范围快速检测且不能对泄漏油气进行总烃量估算；激光遥测装置可以实现远距离探测，不再需要接触式点检；但是激光遥测也只能线式检测也不能对泄漏油气进行总烃量估算；红外气体成像技术可以实现无接触大范围的定性检测，但无法对总烃进行定量检测。
综上，现有技术无法大范围且无接触式的对总烃含量进行检测。
发明内容
为了克服现有技术无法大范围且无接触式的对总烃含量进行检测的问题，本发明提供了原油油气泄漏的总烃定量方法、系统、电子设备及介质。
第一方面，为了解决上述技术问题，本发明提供了原油油气泄漏的总烃定量方法，包括：
获取原油油气泄漏点的光学图像；
获取模型相关参数；所述模型相关参数包括光学相机与原油油气泄漏点的距离、单一气体的烃浓度以及泄漏点的工况信息；
基于气体面积预估模型根据所述光学图像和所述距离确定气体泄漏面积；
基于气体体积预估模型根据所述气体泄漏面积以及泄漏点的工况信息确定当前工况条件下的气体泄漏体积；
基于总烃预估模型根据所述气体泄漏体积、单一气体的烃浓度和工况信息，确定当前工况条件下的第一预测总烃含量。
第二方面，本发明还提供了原油油气泄漏的总烃定量系统，包括：
光学数据收集处理单元，用于获取原油油气泄漏点的光学图像；
参数收集处理单元，用于获取模型相关参数；所述模型相关参数包括光学相机与原油油气泄漏点的距离、单一气体的烃浓度以及泄漏点的工况信息；
气体面积预估单元，用于基于气体面积预估模型根据所述光学图像和所述距离确定气体泄漏面积；
气体体积预估单元，用于基于气体体积预估模型根据所述气体泄漏面积以及泄漏点的工况信息确定当前工况条件下的气体泄漏体积；
总烃含量预估单元，用于基于总烃预估模型根据所述气体泄漏体积、单一气体的烃浓度和工况信息，确定当前工况条件下的第一预测总烃含量。
第三方面，本发明还提供了一种电子设备，包括存储器、处理器及存储在存储器上并在处理器上运行的程序，处理器执行程序时实现如上述的原油油气泄漏的总烃定量方法的步骤。
第四方面，本发明还提供一种计算机可读存储介质，计算机可读存储介质中存储有指令，当指令在终端设备上运行时，使得终端设备执行原油油气泄漏的总烃定量方法的步骤。
本发明的有益效果是：获取光学图像，再获取模型相关参数，即可根据气体面积预估模型确定气体泄漏面积，再通过气体体积预估模型得到气体泄漏面积对应的气体泄漏体积，最后通过总烃预估模型，得到气体泄漏体积对应的第一预测总烃含量，本发明仅需获取光学图像和计算参数即可对大范围内的总烃含量进行预测，无需工作人员接触泄漏气体，可实现大范围且无接触式的对总烃含量进行检测。
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，下面结合附图和实施例对本发明作进一步说明。
图1为本发明一实施例提供的原油油气泄漏的总烃定量方法的流程示意图；
图2为光学成像原理图；
图3为本发明提供的原油油气泄漏的总烃定量系统的结构示意图；
图4为本发明另一实施例提供的原油油气泄漏的总烃定量系统的流程示意图。
具体实施方式
下列实施例是对本发明的进一步解释和补充，对本发明不构成任何限制。
以下结合附图描述本发明实施例的原油油气泄漏的总烃定量方法、系统、电子设备及介质。
如图1所示，本发明实施例提供了原油油气泄漏的总烃定量方法，包括：
S1、获取原油油气泄漏点的光学图像。
S2、获取模型相关参数；模型相关参数包括光学相机与原油油气泄漏点的距离、单一气体的烃浓度以及泄漏点的工况信息。
工况信息可以包括温度、湿度、气压、释放压强和流速等。
由于泄漏的气体中包含了各类单一气体，比如甲烷、乙烷等，在总烃含量检测时，一种型号的设备只能对单一气体的烃浓度进行检测，但是依靠任意单一气体的烃浓度即可计算最终的第一预测总烃含量，因此，只需获取单一气体的烃浓度。
S3、基于气体面积预估模型根据光学图像和距离确定气体泄漏面积。
S4、基于气体体积预估模型根据气体泄漏面积以及泄漏点的工况信息确定当前工况条件下的气体泄漏体积。
S5、基于总烃预估模型根据气体泄漏体积、单一气体的烃浓度和工况信息，确定当前工况条件下的第一预测总烃含量。
可选地，根据光学图像和距离确定气体泄漏面积，公式如下：
其中，s表示气体在光学相机的成像面积，S表示气体泄漏面积，d表示光学相机与原油油气泄漏点的距离，f表示光学相机的焦距。
如图2所示，相机现场(泄漏点)与相机像面之间的关系可以通过三角函数进行计算，在知道光学相机与原油油气泄漏点的距离的情况下，气体的灰度与环境灰度不同，可以获得在相机像面中气体所占的成像面积，根据气体占有的成像面积、焦距和距离利用三角函数推算出气体泄漏面积。
可选地，气体体积预估模型通过如下方法得到：
获取不同工况条件下的历史气体泄漏面积，以及每个历史气体泄漏面积对应的真实气体泄漏体积，将各个历史气体泄漏面积输入第一深度神经网络，通过回归算法确定每个历史气体泄漏面积对应的预测气体泄漏体积；
计算每个预测气体泄漏体积和对应的预测气体泄漏体积之间的第一损失值，若各个第一损失值均满足第一预设值，则将各个第一损失值均满足第一预设值时的第一深度神经网络作为气体体积预估模型；
若任意一个第一损失值不满足第一预设值，则调整模型参数，重新训练第一深度神经网络，直到各个第一损失值均满足第一预设值。
第一深度神经网络为五层深度学习网络。
可选地，总烃预估模型通过如下方法得到：获取不同工况条件下的历史气体泄漏体积和对应的单一气体的历史烃浓度，以及每个历史气体泄漏体积对应的真实总烃含量，将各个历史气体泄漏体积和对应的历史烃浓度输入第二深度神经网络，通过回归算法确定每个历史气体泄漏体积对应的第二预测总烃含量；计算每个第二预测总烃含量和对应的真实总烃含量之间的第二损失值，若各个第二损失值均满足第二预设值，则将各个第二损失值均满足第二预设值时的第二深度神经网络作为总烃预估模型；若任意一个第二损失值不满足第二预设值，则调整模型参数，重新训练第二深度神经网络，直到各个第二损失值均满足第二预设值。
第二深度神经网络为五层深度学习网络。
可选地，该方法还包括：
根据对应关系确定第一预测总烃含量的补偿值，以及根据补偿值和第一预测总烃含量确定目标总烃含量，对应关系包括工况信息、历史预测总烃含量以及历史预测总烃含量与实际总烃含量的差值。
举例说明，对应关系是通过固定实验室环境搭建气体释放环境后进行实验获取的，在不同工况条件下计算历史预测总烃含量与实际总烃值之间的差值，得到补偿值，进而根据工况信息、历史预测总烃含量和实际总烃含量总结得到对应关系，在实际检测中，在a工况条件下得到第一预测总烃含量，根据对应关系，找到a工况条件下与第一预测总烃含量相同的历史预测总烃含量对应的补偿值作为第一预测总烃含量的补偿值。
如图3所示，本发明实施例提供了原油油气泄漏的总烃定量系统，包括：光学数据收集处理单元101、参数收集处理单元102、气体面积预估单元103、气体体积预估单元104和总烃预估单元105。
其中，光学数据收集处理单元包括红外气体成像系统和可见光成像系统，红外气体成像系统用于采集红外图像，可见光成像系统用于采集自然光图像，另外，光学数据收集处理单元还会对红外图像和可见光图像进行降噪、比对和增强等处理，并将处理好后的红外图像和可见光图像进行融合处理，得到光学图像。
参数收集处理单元包括激光遥测系统、激光测距系统和传感器系统，激光遥测系统用于获取单一气体的烃浓度，激光测距系统用于获取光学相机与原油油气泄漏点的距离，传感器系统用于获取泄漏点的温度、湿度、气压、释放压强和流速。
气体面积预估单元通过光学相机的成像原理获取气体泄漏面积。
气体体积预估单元和总烃含量预估单元均为五层深度学习网络，内置回归算法，通过回归算法获取气体泄漏体积和第一预测总烃含量。
基于上述，光学数据收集处理单元、参数收集处理单元、气体面积预估单元、气体体积预估单元和总烃预估单元具体用于：
光学数据收集处理单元，用于获取原油油气泄漏点的光学图像。
参数收集处理单元，用于获取模型相关参数；模型相关参数包括光学相机与原油油气泄漏点的距离、单一气体的烃浓度以及泄漏点的工况信息。
气体面积预估单元，用于基于气体面积预估模型根据光学图像和距离确定气体泄漏面积。
气体体积预估单元，用于基于气体体积预估模型根据气体泄漏面积以及泄漏点的工况信息确定当前工况条件下的气体泄漏体积。
总烃含量预估单元，用于基于总烃预估模型根据气体泄漏体积、单一气体的烃浓度和工况信息，确定当前工况条件下的第一预测总烃含量。
可选地，气体面积预估单元，具体用于：
根据光学图像和距离确定气体泄漏面积，公式如下：
其中，s表示气体在光学相机的成像面积，S表示气体泄漏面积，d表示光学相机与原油油气泄漏点的距离，f表示光学相机的焦距。
可选地，还包括校正单元，用于根据对应关系确定第一预测总烃含量的补偿值，以及根据补偿值和第一预测总烃含量确定目标总烃含量，对应关系包括工况信息、历史预测总烃含量以及历史预测总烃含量与实际总烃含量的差值。
下面以一具体实例对本发明方案进行详细描述，如图4所示，首先通过红外气体成像系统获取红外图像，通过可见光成像系统获取自然光图像，通过激光遥测系统获取单一气体的烃浓度，通过激光测距系统获取光学相机与原油油气泄漏点的距离，通过传感器系统获取泄漏点的温度、湿度、气压、释放压强和流速。
其次，通过气体面积预估单元得到气体泄漏面积。
再次，通过气体体积预估单元得到气体泄漏体积。
再次，通过总烃含量预估单元得到第一预测总烃含量。
最后，通过校正单元校正第一预测总烃含量得到目标总烃含量。
本发明实施例的一种电子设备，包括存储器、处理器及存储在存储器上并在处理器上运行的程序，处理器执行程序时实现上述的原油油气泄漏的总烃定量方法的部分或全部步骤。
其中，电子设备可以选用电脑，相对应地，其程序为电脑软件，且上述关于本发明的一种电子设备中的各参数和步骤，可参考上文中的原油油气泄漏的总烃定量方法的实施例中的各参数和步骤，在此不做赘述。
所属技术领域的技术人员知道，本发明可以实现为系统、方法或计算机程序产品。因此，本公开可以具体实现为以下形式，即：可以是完全的硬件、也可以是完全的软件(包括固件、驻留软件、微代码等)，还可以是硬件和软件结合的形式，本文一般称为“电路”、“模块”或“系统”。此外，在一些实施例中，本发明还可以实现为在一个或多个计算机可读介质中的计算机程序产品的形式，该计算机可读介质中包含计算机可读的程序代码。计算机可读存储介质例如可以是但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.原油油气泄漏的总烃定量方法，其特征在于，包括：
获取原油油气泄漏点的光学图像；
获取模型相关参数；所述模型相关参数包括光学相机与原油油气泄漏点的距离、单一气体的烃浓度以及泄漏点的工况信息；
基于气体面积预估模型根据所述光学图像和所述距离确定气体泄漏面积；
基于气体体积预估模型根据所述气体泄漏面积以及泄漏点的工况信息确定当前工况条件下的气体泄漏体积；
基于总烃预估模型根据所述气体泄漏体积、单一气体的烃浓度和工况信息，确定当前工况条件下的第一预测总烃含量。
2.根据权利要求1所述的方法，其特征在于，所述根据所述光学图像和所述距离确定气体泄漏面积，公式如下：
其中，s表示气体在光学相机的成像面积，S表示气体泄漏面积，d表示光学相机与原油油气泄漏点的距离，f表示光学相机的焦距。
3.根据权利要求1所述的方法，其特征在于，所述气体体积预估模型通过如下方法得到：
获取不同工况条件下的历史气体泄漏面积，以及每个历史气体泄漏面积对应的真实气体泄漏体积，将各个历史气体泄漏面积输入第一深度神经网络，通过回归算法确定每个所述历史气体泄漏面积对应的预测气体泄漏体积；
计算每个所述预测气体泄漏体积和对应的预测气体泄漏体积之间的第一损失值，若各个第一损失值均满足第一预设值，则将各个所述第一损失值均满足所述第一预设值时的第一深度神经网络作为气体体积预估模型；
若任意一个第一损失值不满足第一预设值，则调整模型参数，重新训练所述第一深度神经网络，直到各个第一损失值均满足第一预设值。
4.根据权利要求1所述的方法，其特征在于，所述总烃预估模型通过如下方法得到：
获取不同工况条件下的历史气体泄漏体积和对应的单一气体的历史烃浓度，以及每个历史气体泄漏体积对应的真实总烃含量，将各个历史气体泄漏体积和对应的历史烃浓度输入第二深度神经网络，通过回归算法确定每个所述历史气体泄漏体积对应的第二预测总烃含量；
计算每个所述第二预测总烃含量和对应的真实总烃含量之间的第二损失值，若各个第二损失值均满足第二预设值，则将各个所述第二损失值均满足所述第二预设值时的第二深度神经网络作为总烃预估模型；
若任意一个第二损失值不满足第二预设值，则调整模型参数，重新训练所述第二深度神经网络，直到各个第二损失值均满足第二预设值。
5.根据权利要求1所述的方法，其特征在于，该方法还包括：
根据对应关系确定所述第一预测总烃含量的补偿值，以及根据所述补偿值和所述第一预测总烃含量确定目标总烃含量，所述对应关系包括工况信息、历史预测总烃含量以及历史预测总烃含量与实际总烃含量的差值。
6.原油油气泄漏的总烃定量系统，其特征在于，包括：
光学数据收集处理单元，用于获取原油油气泄漏点的光学图像；
参数收集处理单元，用于获取模型相关参数；所述模型相关参数包括光学相机与原油油气泄漏点的距离、单一气体的烃浓度以及泄漏点的工况信息；
气体面积预估单元，用于基于气体面积预估模型根据所述光学图像和所述距离确定气体泄漏面积；
气体体积预估单元，用于基于气体体积预估模型根据所述气体泄漏面积以及泄漏点的工况信息确定当前工况条件下的气体泄漏体积；
总烃含量预估单元，用于基于总烃预估模型根据所述气体泄漏体积、单一气体的烃浓度和工况信息，确定当前工况条件下的第一预测总烃含量。
7.根据权利要求6所述的系统，其特征在于，气体面积预估单元具体用于：
根据所述光学图像和所述距离确定气体泄漏面积，公式如下：
其中，s表示气体在光学相机的成像面积，S表示气体泄漏面积，d表示光学相机与原油油气泄漏点的距离，f表示光学相机的焦距。
8.根据权利要求6所述的系统，其特征在于，还包括校正模块，用于根据对应关系确定所述第一预测总烃含量的补偿值，以及根据所述补偿值和所述第一预测总烃含量确定目标总烃含量，所述对应关系包括工况信息、历史预测总烃含量以及历史预测总烃含量与实际总烃含量的差值。
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并在所述处理器上运行的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至5任一项所述的原油油气泄漏的总烃定量方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有指令，当所述指令在终端设备上运行时，使得所述终端设备执行如权利要求1至5任一项所述的原油油气泄漏的总烃定量方法的步骤。
CN202311251362.3A 2023-09-26 2023-09-26 原油油气泄漏的总烃定量方法、系统、电子设备及介质 Pending CN117334266A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311251362.3A CN117334266A (zh) 2023-09-26 2023-09-26 原油油气泄漏的总烃定量方法、系统、电子设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311251362.3A CN117334266A (zh) 2023-09-26 2023-09-26 原油油气泄漏的总烃定量方法、系统、电子设备及介质

Publications (1)

Publication Number Publication Date
CN117334266A true CN117334266A (zh) 2024-01-02

Family

ID=89289591

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311251362.3A Pending CN117334266A (zh) 2023-09-26 2023-09-26 原油油气泄漏的总烃定量方法、系统、电子设备及介质

Country Status (1)

Country Link
CN (1) CN117334266A (zh)

Similar Documents

Publication Publication Date Title
CN111815576B (zh) 金属部件腐蚀状况检测方法、装置、设备和存储介质
CN111104989A (zh) 燃气管道腐蚀预测方法和装置
CN114912789B (zh) 一种钻井井下风险预警方法、设备及存储介质
CN111881970A (zh) 一种基于深度学习的外破图像智能识别方法
CN113112510A (zh) 一种语义分割的森林火灾检测方法、控制器及存储介质
CN118037726B (zh) 一种铁路配件缺陷检测方法及系统
CN117556361A (zh) 基于多模态数据的异常监测预警系统及方法
CN114898273A (zh) 一种视频监控异常检测方法、装置及设备
CN115166177A (zh) 基于多传感器数据融合算法的水质监测方法和系统
CN114418945A (zh) 一种光伏组件热斑检测方法及装置
CN117334266A (zh) 原油油气泄漏的总烃定量方法、系统、电子设备及介质
CN117129815A (zh) 一种基于物联网的多劣化绝缘子综合检测方法和系统
CN117710759A (zh) 一种载人潜器故障和寿命预测系统及方法
CN116228770B (zh) 一种管道泄漏的识别监测方法及系统
CN112434600A (zh) 一种无人机巡检方法及系统
CN117392452A (zh) 基于图像分析的墙体裂缝检测系统及其方法
CN116843656A (zh) 钢带管的涂塑控制方法及其系统
CN115880629A (zh) 一种装卸车鹤管状态识别方法和系统
CN115984259A (zh) 缺陷图像判别方法、装置、设备及存储介质
Siraj et al. Quantification of measurement errors in the lengths of metal-loss corrosion defects reported by inline inspection tools
CN113252105B (zh) 一种硫化矿石存储隐患检测方法及系统
Ferreira et al. Corrosion-like defect severity estimation in pipelines using convolutional neural networks
JP2009003758A (ja) プラント用計測器校正支援装置及びプラント用計測器校正支援方法
Hassan et al. Compressed air leakage detection and quantification through infrared thermography
CN115471674B (zh) 基于图像处理的新能源车二氧化碳管的性能监测系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination