Development of Digital/Visual Twin for Real‐Time Leak Detection in Gas Pipelines Under Multiphase Flow Conditions
Notice bibliographique
Résumé
ABSTRACT Leak detection (LD) in gas pipelines (GPs) is critical for ensuring operational safety and environmental protection. This study presents a novel digital/visual twin for detecting single‐ and multiple leaks in GPs under both single‐ and multiphase flow conditions. The framework of the digital twin leverages experimental data from a multiphase flow‐testing loop and synthetic data generated using OLGA software to validate and optimize machine learning (ML) models for leak detection and localization. Several ML models, including random forest (RF), support vector machine (SVM), k ‐nearest neighbors ( k ‐NNs), decision tree regression (DTR), and eXtreme gradient boosting (XGBoost), were tested individually for their ability to classify leak conditions and localize leaks. Initial results showed moderate performance for individual models, with accuracies ranging from 42% to 57%. However, a significant improvement was observed through the use of advanced techniques such as stacking models, feature engineering, and data averaging. The final stacking regressor model, which combined the strengths of RF, k ‐NN, and SVM, outperformed the individual models, achieving R 2 values exceeding 0.96 with an accuracy of 90% in complex multiple leak scenarios. The digital twin system integrates this ML framework with real‐time data visualization, allowing operators to visualize offshore pipeline conditions, detect leaks, and localize leak positions using a virtual twin representation of the physical pipeline. The virtual twin provides an interactive, high‐fidelity interface that enables users to monitor and analyze leak events as they occur, enhancing situational awareness and decision‐making capabilities. The combination of advanced ML techniques and digital twin technology provides a robust and accurate solution for real‐time LD in offshore pipelines. It significantly improves detection performance in multiphase flow conditions. This innovative approach sets a new benchmark for offshore pipeline monitoring systems, offering superior LD capabilities under a range of operational conditions. The system is readily adaptable for integration with SCADA platforms and pipeline monitoring infrastructures, supporting deployment in offshore oil and gas operations, industrial gas distribution networks, and critical energy corridors where early LD is essential.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».