Sensoren aangedreven door machine learning Gaslekkages snel opsporen

Een nieuwe studie heeft het succes bevestigd van een door wetenschappers van Los Alamos National Laboratory ontwikkeld instrument voor het detecteren van aardgaslekken, dat sensoren en machine learning gebruikt om lekkages bij olie- en gasvelden te lokaliseren. gasinfrastructuur.

“Ons geautomatiseerde systeem voor het opsporen van lekkages vindt snel gaslekken, ook kleine lekkages door falende infrastructuur. Het verlaagt ook de kosten in vergelijking met de huidige methoden voor het repareren van gaslekken, die arbeidsintensief, duur en traag zijn”, zegt hoofdwetenschapper Manvendra Dubey. “Onze sensoren presteerden beter dan concurrerende technieken in gevoeligheid voor het detecteren van methaan en ethaan. Bovendien kan ons neurale netwerk aan elke sensor worden gekoppeld, wat onze tool zeer krachtig maakt en marktpenetratie mogelijk maakt.”

Het Autonomous, Low-cost, Fast Leak Detection System (ALFaLDS) is ontwikkeld om accidentele lozingen van methaan, een krachtig broeikasgas, te ontdekken. Het systeem detecteert, lokaliseert en kwantificeert een aardgaslek op basis van realtime methaan en ethaan (in aardgas) en atmosferische windmetingen die worden geanalyseerd door een machine-learningcode die is getraind om lekken te lokaliseren. De code wordt getraind met behulp van de hoge resolutie pluimverspreidingsmodellen van Los Alamos National Laboratory en de training wordt ter plaatse verfijnd door gecontroleerde afgifte.

Testresultaten met blinde lozingen in een olie- en gasputfaciliteit aan de Colorado State University in Fort Collins, Colorado, toonden aan dat de ALFaLDS de aangelegde methaanlekken nauwkeurig lokaliseert en hun grootte kwantificeert. Deze nieuwe mogelijkheid voor het lokaliseren van lekken met hoge vaardigheid, snelheid en nauwkeurigheid tegen lagere kosten, belooft nieuwe automatische, betaalbare bemonstering van voortvluchtige gaslekken bij boorputten en olie- en gasvelden.

Het succes van ALFaLDS bij het lokaliseren en kwantificeren van voortvluchtige methaanlekken bij aardgasinstallaties zou kunnen leiden tot een reductie van 90 procent van de methaanemissies als dit door de industrie wordt geïmplementeerd.

Het systeem maakt gebruik van een kleine sensor, waardoor het ook ideaal is voor inzet op auto's en drones. Het Los Alamos-team ontwikkelt de sensoren die zijn geïntegreerd met een mini 3D sonische anemometer en krachtige machine learning-code. De code is autonoom en kan gegevens van alle gas- en windsensoren lezen om lekken snel op te sporen en voortvluchtige emissies van het netwerk van aardgaswinning, -productie en -verbruik tot een minimum te beperken.