Gasläckor kan vara förrädiska och rent av livsfarliga. Ett sensornätverk som drivs av en AI-algoritm har nu utvecklats av forskare från Nanyang Technological University, Singapore (NTU). Denna kan upptäcka små gas- och vattenläckor i realtid.
Ett smart varningssystem som kan upptäcka även de minsta gasläckagen och trasiga gasrören i realtid har länge stått på önskelistan för industrin eftersom nuvarande tillämpning oftast sker via manuell övervakning med jämna mellanrum. Stora läckor kan lätt detekteras via konventionella sensorer eftersom gasvolymen och tryckskillnaderna märks i rörnätet, men små läckor är dock svårare att upptäcka.
För några år sedan tilldelades NTU-forskare stipendier för att utveckla ett program för att identifiera just avvikelser i rörledningsnät med lågt tryck. En AI-lösning togs fram och testades under fyra år i verklig drift. Algoritmen har nu patenterats och ligger till grund för ett start-up vid namn Vigti, som kommersialiserar tekniken.
-Vi har utformat olika AI-algoritmer som testats mot en mängd fältdata för att identifiera avvikelser som läckage, sprickor och vattenintrång. Den slutliga lösningen kan nu hjälpa industrier och energibolag att bättre hantera sina rörnätverk, säger Dr Justin Dauwels, som nu är AI-rådgivare för Vigti.
Den samlade förlusten av alla små läckor för stora företag över hela världen uppskattas till mellan 1,5 och 3 procent av den totala gasförbrukningen.
- Vi strävar efter att minska utsläppen av metan i den globala gasförsörjningskedjan till ett minimum. Med vårt system, för tidig upptäckt, hjälper vi företag att spara kostnader samtidigt som de skyddar liv, säger Vigtis verkställande direktör, Ishaan Gupta
För att nå fram till sina resultat använde forskarna olika sensorer för att mäta tryck, flöde, temperatur och vibrationer som resulterande i signaler som kopplades samman med avvikelserna i nätverkets rör. Denna process skapade unika "signaturer" i sensordata för varje avvikelse. Med maskininlärning och AI utvecklade teamet sedan en programvarealgoritm som är extremt känslig för att upptäcka avvikelser genom att matcha dessa unika signaturer i sensordata som rutinmässigt övervakas.