作者：焦建瑛，張濤，王嵩梅， 何少平，任立坤，陳鵬第一作者單位：北京市燃氣集團有限責任公司
摘自《煤氣與熱力》2021年3月刊
1 概述 隨著社會經濟發展，天然氣在我國經濟和能源生產中的地位越來越重要。作為城市公共基礎設施的主要組成部分，城鎮燃氣管道安全運行不僅關系城市經濟發展，更關系到居民的生命財產安全［1］。 我國城市大部分燃氣管道的服役時間已超出30 a，正逐步進入事故多發階段［2］。因此，有效評估燃氣管道泄漏風險非常必要。為了更好地評估燃氣管道的健康狀況，相關部門采取了很多的檢測措施，在特定時期內對燃氣管道腐蝕程度進行檢測。但檢測需要耗費大量的人力物力，且存在檢測頻率低等問題［3］。本文以燃氣管道泄漏風險影響因素為出發點，建立燃氣管道泄漏風險評價體系。 2 體系架構 燃氣管道泄漏風險評價體系包括風險預測層、風險篩查層、風險預警層，架構見圖1。風險預測層：將泄漏風險影響因素歸納為10個風險強度指標，對評價時間段內各風險強度指標進行評分，量化評價風險強度指標。風險篩查層：基于風險強度指標評分，計算綜合風險得分，對高風險區域進行篩查，并量化各風險強度指標的風險強度貢獻度。風險預警層：在時序上實現快速迭代，對未來綜合風險得分做出預判，以實現風險預警。 
圖1 燃氣管道泄漏風險評價體系架構
3 風險預測層 通過整合燃氣管道泄漏風險影響因素，并結合燃氣管道泄漏事故原因［4］，將燃氣管道泄漏風險影響因素歸納為10個風險強度指標：雜散電流風險強度、土壤腐蝕性風險強度、防腐層風險強度、管道本體風險強度、庭院管道環境風險強度（僅適用于庭院管道）、地面沉降風險強度、地質擾動風險強度、天氣風險強度、施工風險強度、穿跨越風險強度。 3.1 評價單元 在實際工程中，由管網編號（由壓力級制編碼、測量編碼、順序碼、地區編碼等組成）描述的管段是燃氣管道的最小單元，由于管段長度過短，將管段作為風險評價單元并不合適。因此，將由多條管段組成的評價單元作為燃氣管道泄漏風險評價體系的評價對象。 通常，評價單元可分為固定長度單元、可變長度單元［5］。本文采用可變長度單元，并將管道分為庭院管道、庭院外管道：庭院管道以小區燃氣管道作為評價單元，庭院外管道以若干分配管段作為評價單元。
3.2 風險強度指標
3.3 評價單元數據融合 第k（k=1~10）個風險強度指標的風險強度值Sk的計算式為：
4 風險篩查層 4.1 高風險區域篩查 基于風險強度指標評估燃氣管道泄漏風險的問題屬于有監督學習，高風險區域篩查的一般步驟為：①統計各風險強度上的事件數。②標注標簽：將泄漏樣本標記為1，未泄漏樣本標記為0。③樣本對照組數據集整理：正樣本集是發生管道泄漏事件的樣本集，負樣本集是未發生管道泄漏事件的樣本集。④模型訓練：確定訓練集、驗證集和測試集。本研究中的正負樣本分布不均衡，生成訓練集時采用的是組合-集成方法，反復多次抽取與正樣本數相同的負樣本，采用隨機森林模型建立泄漏風險二分類模型［6］。⑤泄漏風險評價：將二分類預測時的輸出概率作為評價單元對應的綜合風險得分。綜合風險得分越高，則表明該評價單元的泄漏風險可能性越大。 4.2 各風險強度指標的風險強度貢獻度
5 風險預警層 風險預警層并不是對某一風險強度指標進行預警，而是對評價單元的綜合風險得分進行預警。在時序上實現快速迭代，基于風險時序數據對未來風險得分做出預判，實現風險預警。 6 結語 伴隨著機器學習技術的發展，利用內外部的時空大數據，由宏觀至微觀，由預測篩查至預警的城鎮燃氣管道泄漏風險評價得以實現。軟檢測技術對大量容易測量的過程數據和外部數據進行有監督學習，突破傳統風險預測技術的小樣本、貧信息等限制，有效預測復雜的多因素耦合泄漏風險的發生和發展趨勢。 以燃氣管道泄漏風險影響因素為出發，建立包括風險預測層、風險篩查層、風險預警層的燃氣管道泄漏風險評價體系。可實現對評價時間段內各風險強度指標進行評分，量化評價風險強度指標。基于風險強度指標評分，計算綜合風險得分，對高風險區域進行篩查，并量化各風險強度指標的風險強度貢獻度。在時序上實現快速迭代，對未來綜合風險得分做出預判，以實現風險預警。 本研究由北京市燃氣集團有限責任公司“燃氣管道泄漏風險耦合軟檢測模型研究與應用示范”項目提供資助。
參考文獻：
［1］陳利民，胡勇.淺析合肥燃氣居民戶內安全風險和安檢措施［J］.城市燃氣，2017（9）：24-28.
［2］王春雪，呂淑然.我國燃氣爆炸研究現狀及熱點前沿可視化分析［J］.消防科學與技術，2016（11）：1620-1623. ［3］劉新想，楊永超，范建全.燃氣管道檢測技術［J］.化工管理，2016（27）：95. ［4］賈雁群，李連星，葉茂，等.燃氣管網泄漏事故原因分析與預防措施［J］.煤氣與熱力，2005（7）：59-61. ［5］馬濤，於孝春，沈士明.埋地管道風險評價單元劃分方法［C］//第一次全國工程風險分析技術學術會議論文集.南京：中國石化股份有限公司，2012：197-202. ［6］ANTON S D D，SINHA S，SCHOTTEN H D. Anomaly-based intrusion detection in industrial data with SVM and Random Forests［J］. Cryptography and Security，2019（7）：1-6.
