Гибридный подход нейронных сетей для предотвращения аварий и утечек в трубопроводах и котельных по видеопотоку

Рассматривается комплексный подход к решению проблемы аварий и утечек в трубопроводных и котельных системах, сочетающий методы прогнозирования рисков и современные алгоритмы компьютерного зрения для анализа видеопотока. Актуальность исследования обусловлена высокой аварийностью инженерных сетей, значительными экономическими потерями и экологическими рисками, связанными с несвоевременным обнаружением утечек. Целью работы является разработка и экспериментальная оценка гибридного метода предотвращения аварий и утечек на основе прогнозирования рисков и нейросетевого анализа видеоданных в реальном времени. В рамках исследования проанализированы архитектуры сверточных нейронных сетей, применяемые для обработки видеопотока, и показаны ограничения традиционных методов мониторинга, основанных на точечных датчиках давления и расхода. На основе исторических, эксплуатационных и телеметрических данных формируется прогнозная таблица рисков, определяющая приоритетность контроля потенциально опасных участков инженерных систем. Для участков с повышенным уровнем риска применяется гибридная нейросетевая модель, включающая модуль пространственно-временной детекции аномалий и модуль семантической сегментации визуальных признаков утечек. Результаты экспериментального исследования, проведённого на наборе данных объемом 120 часов видеозаписей с 20 промышленных объектов, демонстрируют точность обнаружения до 94,7%, F1-score 92,9% и среднее время отклика около 22 секунд. В заключении отмечается, что предложенное решение позволяет перейти от реактивной к проактивной модели эксплуатации инженерных систем, повысить уровень промышленной и экологической безопасности и может быть интегрировано с существующими средствами контроля для расширения зоны мониторинга.

1. Review and analysis of pipeline leak detection methods. N. V. S. Korlapati, F. Khan, Q. Noor, S. Mirza, S. Vaddiraju. Journal of Pipeline Science and Engineering 2022; 2 (4): 100074.

2. Нгула Б.-Ж., Кузяков О. Н. Обнаружение утечек в нефте- и газопроводах с помощью интернет вещей и алгоритма глубокого об-учения. Научный аспект 2024; (5).

3. Пленкина К. О. Применение методов визуализации утечек газа. Молодой ученый 2025; 21 (572): 94 – 96.

4. Evaluation of deep learning approaches for oil & gas pipeline leak detection using wireless sensor networks. C. Spandonidis, P. Theodoropoulos, F. Giannopoulos, N. Galiatsatos, A. Petsa. Engineering Applications of Artificial Intelligence 2022; 114: 104890.

5. Saleem F., Ahmad Z., Kim J.-M. Real-Time Pipeline Leak Detection: A Hybrid Deep Learning Approach Using Acoustic Emission Signals. Applied Sciences 2025; 15 (1): 185.

6. Automated leakage detection method of pipeline networks under complicated backgrounds by combining infrared thermography and Faster R-CNN technique. J. Xie, Y. Zhang, Z. He, P. Liu, Y. Qin, Z. Wang, C. Xu. Process Safety and Environmental Protection 2023; 174: 39 – 52.

7. Video Swin Transformer. Z. Liu, J. Ning, Y. Cao, Y. Wei, Z. Zhang, S. Lin, H. Hu. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) 2022: 3202 – 3211.

8. Wang J., Ruhaiyem N. I. R., Fu P. A Comprehensive Review of U-Net and Its Variants: Advances and Applications in Medical Image Segmentation. IET Image Processing 2025.10.1049/ipr2.70019.

9. Khalid S., Azad M. M., Kim H. S. Real-world steam powerplant boiler tube leakage detection using hybrid deep learning. Mathematics 2024; 12 (24): 3887.

10. Aragonés R., Oliver J., Ferrer C. Thermoelectric Generator-Powered Long-Range Wireless Real-Time Steam Leak Detection in Steam Traps. Future Internet 2024; 16 (12): 474.

11. Pipeline leakage identification method based on DPR-net and distributed optical fiber acoustic sensing technology. Y. Zhan, L. Liu, Z. Wang, W. Zhang, K. Li, Y. Liu, Y. Liu, J. Wu, C. Yici, B. Chen, Q. Ye, Q. Ye, H. Cai. Optics Communications 2025; 574: 131096.

12. Leak detection in pipelines based on acoustic emission and growing neural gas network utilizing unlabeled healthy condition data. A. Mishra, J. Dhebar, B. Das, S. S. Patel, A. Rai. Flow Measurement and Instrumentation 2025; 102: 102816.

13. Лозовой С. В. Системы обнаружения утечек на нефтяных и газовых месторождениях. Отходы и ресурсы 2024; 11 (1).