طريقة كشف تسرب الأنابيب لنظام تشغيل طاقة الغلايات باستخدام تقنية الانبعاث الصوتي المعززة المعتمدة على SVM

لماذا تهم التسريبات المخفية في محطات الطاقة

داخل محطات الطاقة الكبيرة، تنقل شبكات من الأنابيب المعدنية البخار الساخن والغازات الحارقة التي تبقي الأضواء مضاءة. إذا بدأت إحدى هذه الأنابيب بالتسرب — حتى من خلال فتحة بحجم سن إبرة — فقد تهدر الطاقة، وتلحق الضرر بالمعدات، وفي حالات متطرفة قد تتسبب في انفجارات خطرة. ومع ذلك، فإن الضوضاء والحرارة نفسها لغلاية عاملة تجعل من الصعب اكتشاف مثل هذه التسريبات مبكراً. تستكشف هذه الدراسة طريقة أذكى «للإنصات» إلى المشاكل داخل هذه الأنابيب باستخدام الموجات الصوتية والتعلم الآلي، بهدف رصد التسريبات الصغيرة بسرعة وموثوقية، حتى في بيئات صناعية شديدة الضجيج.

الاستماع إلى الأنابيب بدلاً من مراقبة المؤشرات

تركز طرق كشف التسرب التقليدية على الضغط أو التدفق: يراقب المشغلون انخفاضات الضغط أو عدم التطابق بين كمية السائل الداخلة والخارجة. تعمل هذه الطرق بشكل مقبول مع الأعطال الكبيرة والمفاجئة، لكنها بطيئة في الاستجابة وغالباً ما تفشل في اكتشاف التسريبات الصغيرة أو المتنامية ببطء. تعتمد المقاربة في هذه الورقة بدلاً من ذلك على الانبعاث الصوتي — موجات إجهاد دقيقة تنتشر عبر المعدن عندما يتكون صدع أو يهرب البخار. تلتقط حساسات بيزوإلكتريك حساسة ملصوقة بجدار الأنبوب هذه الموجات، التي يتم بعد ذلك ترشيحها وتحويلها إلى إشارات رقمية. ونظراً لأن هذه البصمات الصوتية تأتي مباشرة من مصدر التسرب نفسه، فهي قادرة على كشف المشكلات مبكراً والعمل في ظروف قاسية حيث تكافح الحساسات الأخرى.

تحويل الضوضاء الخام إلى أنماط ذات معنى

التقاط الصوت وحده لا يكفي: فالغلاية العاملة مليئة بضوضاء الخلفية الناتجة عن المضخات والمراوح وتدفق الغاز. يتعامل الباحثون مع ذلك عن طريق ضغط كل دفقة من البيانات الصوتية إلى «بصمة» مكونة من ثمانية أرقام تصف كيف يتصرف الإشارة عبر الزمن وعبر الترددات. تلتقط بعض الأرقام مدى قوة الدفقة وطول مدتها؛ ويقيس بعضها مدى سرعتها في الصعود، وعدد المرات التي تدق فيها، وكيفية توزيع طاقتها عبر النغمات المنخفضة أو العالية. تختلف هذه البصمات بطرق مميزة لأنواع التسرب الثلاثة التي درسها الفريق — بقع صغيرة، شقوق متنامية، وانفجارات أنابيب عنيفة — بحيث يمكن للحاسوب تعلم التفريق بينها.

محرك قرار أذكى للمصانع المليئة بالضجيج

في قلب النظام توجد نسخة محسنة من آلة المتجه الداعم، وهي خوارزمية تصنيف مستخدمة على نطاق واسع. تعاني النسخ القياسية من هذه الخوارزمية عندما تكون البيانات صاخبة وعندما تنتج أنواع التسرب إشارات غير مفصولة بوضوح. يقدم المؤلفون تحديثين أساسيين. أولاً، يختارون تلقائياً بين قاعدة قرار بسيطة وأخرى أكثر مرونة استناداً إلى مدى تركيز أو انتشار محتوى التردد للإشارة: الطيف النادر والحاد يُعالج بقاعدة بسيطة، بينما الطيف المعقد واسع النطاق يستخدم قاعدة منحنية. ثانياً، يعطون أهمية إضافية أثناء التدريب للعَيّنات الإشارية التي تقع بالقرب من حدود القرار — تماماً حيث يكون الضجيج أكثر احتمالاً أن يسبب أخطاء — حتى تتعلم الخوارزمية رسم حدود فصل أكثر موثوقية.

تجربة الطريقة على أرض الواقع

بنى الفريق نظام أنابيب لغلاية بمقياس مختبري لتوليد تسريبات مضبوطة من ثلاثة أنواع وتسجيل بصماتها الصوتية. في ظروف هادئة مشابهة لمختبر معزول جيداً، صنف المُحسّن جميع عينات الاختبار لتسريبات البقع والشقوق والانفجارات بشكل صحيح — محققاً دقة 100 بالمائة. التحدي الحقيقي ظهر عندما أضاف الباحثون ضوضاء صناعية قوية لمحاكاة الخلفية القاسية بحدة 70 ديسيبل النموذجية في غرف الغلايات الحقيقية. حتى في هذه الحالة، صنفت طريقتهم أكثر من 85 بالمائة من التسريبات عبر الأنواع الثلاثة بشكل صحيح وتفوقت بحوالي 12 إلى 15 نقطة مئوية على آلة المتجه الداعم التقليدية المضبوطة بعناية. كما تفوقت على أدوات شائعة أخرى مثل أشجار القرار، والغابات العشوائية، والنماذج المعززة، وجار أقرب k، وشبكة تعلم عميق مدمجة مدرّبة على نفس مجموعة البيانات الصغيرة.

ما يعنيه ذلك للطاقة الأكثر أماناً وأنظف

بالنسبة لغير المتخصصين، الخلاصة هي أن هذا العمل يجعل من العملي أكثر مراقبة أنابيب الغلايات الحرجة باستخدام الصوت، دون الحاجة إلى كميات هائلة من بيانات التدريب أو ظروف صمت مثالية. من خلال الجمع بين بصمة صوتية مدمجة ومصنف تكيفي واعٍ للضجيج، يمكن لهذه الطريقة الإشارة مبكراً وبثقة إلى نوع التسرب المحتمل. في محطات الطاقة، قد يترجم ذلك إلى حالات فشل كارثية أقل، وهدر وقود أقل، وروتينات صيانة أكثر كفاءة — حيث توجه فرق العمل أنظمة استماع ذكية إلى مكان المشكلة قبل أن تصبح مرئية.

الاستشهاد: Yuan, T., Zhang, X., Zhang, Q. et al. A pipeline leakage detection method for boiler energy operation system using enhanced SVM-based acoustic emission technology. Sci Rep 16, 12520 (2026). https://doi.org/10.1038/s41598-026-42769-5

الكلمات المفتاحية: كشف تسرب الأنابيب, الانبعاث الصوتي, سلامة الغلاية, التعلم الآلي, آلة المتجه الداعم