Kazan enerji işletim sistemi için geliştirilmiş SVM tabanlı akustik emisyon teknolojisi kullanılarak boru hattı sızıntı tespiti yöntemi

Gizli sızıntıların enerji santrallerinde neden önemli olduğu

Büyük enerji santrallerinin içinde, ışıkları açık tutan kaynar buharı ve sıcak gazları taşıyan metal boru ağları bulunur. Bu borulardan biri, bir iğne deliği kadar küçük bir delikten sızıntı yapmaya başlasa bile enerji israfına, ekipman hasarına ve uç durumlarda tehlikeli patlamalara yol açabilir. Ancak çalışan bir kazanın çıkardığı gürültü ve ısı, bu tür sızıntıları erken aşamada tespit etmeyi zorlaştırır. Bu çalışma, ses dalgaları ve makine öğrenimi kullanarak boruların içinde olan biteni daha akıllıca “dinlemenin” bir yolunu araştırır; amaç, çok gürültülü endüstriyel ortamlarda bile küçük sızıntıları hızlı ve güvenilir şekilde yakalamaktır.

Göstergeleri izlemek yerine boruları dinlemek

Geleneksel sızıntı tespit yöntemleri basınç veya akışa odaklanır: operatörler basınç düşüşlerini veya giren ile çıkan akış arasındaki uyumsuzlukları izler. Bu yöntemler büyük, ani arızalar için makul düzeyde işe yarar, ancak tepki vermeleri yavaştır ve küçük veya yavaş büyüyen sızıntıları sıklıkla kaçırırlar. Bu makaledeki yaklaşım ise akustik emisyona dayanır—bir çatlak oluştuğunda veya buhar kaçtığında metal içinde yayılan küçük gerilim dalgaları. Boru duvarına yapıştırılan hassas piezoelektrik sensörler bu dalgaları yakalar; dalgalar filtrelenip dijital sinyallere dönüştürülür. Bu ses imzaları doğrudan sızıntının kendisinden geldiğinden, sorunları daha erken ortaya çıkarabilir ve diğer sensörlerin zorlandığı sert koşullarda bile işe yarayabilir.

Ham gürültüyü anlamlı desenlere dönüştürmek

Sadece ses kaydetmek yeterli değildir: çalışan bir kazan, pompalar, fanlar ve akışan gazdan gelen arka plan gürültüsüyle doludur. Araştırmacılar bunu, her akustik patlamayı zaman ve frekans boyunca sinyalin davranışını tanımlayan sekiz sayılık bir “parmak izi”ne sıkıştırarak çözüyor. Bazı sayılar patlamanın ne kadar güçlü ve ne kadar uzun sürdüğünü yakalar; diğerleri ne kadar hızlı yükseldiğini, ne sıklıkla çaldığını ve enerjisinin düşük veya yüksek tonlara nasıl dağıldığını ölçer. Bu parmak izleri, inceledikleri üç sızıntı türü—küçük noktalar, büyüyen çatlaklar ve şiddetli tüp patlamaları—için karakteristik olarak farklılık gösterir, bu sayede bir bilgisayar bunları ayırt etmeyi öğrenebilir.

Gürültülü fabrikalar için daha akıllı bir karar motoru

Sistemin merkezinde, yaygın olarak kullanılan bir sınıflandırma algoritması olan destek vektör makinesinin geliştirilmiş bir versiyonu bulunur. Bu algoritmanın standart sürümleri veriler gürültülü olduğunda ve farklı sızıntı türleri net bir şekilde ayrışmayan sinyaller ürettiğinde zorlanır. Yazarlar iki önemli yükseltme sunar. İlk olarak, bir sinyalin frekans içeriğinin ne kadar yoğun veya yaygın olduğuna göre otomatik olarak basit ile daha esnek bir karar kuralı arasında seçim yaparlar: seyrek, keskin tepeye sahip spektralar basit bir kuralla; karmaşık, geniş bant spektralar ise eğrili bir kural ile ele alınır. İkincisi, eğitim sırasında karar sınırına yakın düşen örnek sinyallere ekstra önem verilir—gürültünün hatalara en çok neden olacağı yerler buralardır—böylece algoritma daha güvenilir ayırma çizgileri çizmeyi öğrenir.

Yöntemi teste koymak

Ekip, üç tür kontrollü sızıntı üretmek ve bunların akustik imzalarını kaydetmek için laboratuvar ölçekli bir kazan boru hattı sistemi kurdu. İyi izole edilmiş bir laboratuvar benzeri sessiz koşullar altında, geliştirilmiş sınıflandırıcı spot, çatlak ve patlama sızıntılarının tüm test örneklerini doğru olarak tanımladı—yüzde 100 doğruluk sağlandı. Gerçek zorluk, araştırmacıların gerçek kazan odalarına özgü tipik 70 dB arka planı taklit etmek için güçlü yapay gürültü eklediğinde ortaya çıktı. Buna rağmen, yöntemleri üç sızıntı türünün tamamında yüzde 85’in üzerinde doğrulukla sınıflandırdı ve dikkatle ayarlanmış geleneksel bir destek vektör makinesini yaklaşık 12–15 puan farkla geride bıraktı. Ayrıca karar ağaçları, rastgele ormanlar, güçlendirilmiş modeller, k-en yakın komşu ve aynı küçük veri kümesi üzerinde eğitilmiş kompakt bir derin öğrenme ağı gibi diğer yaygın araçlardan da daha iyi performans gösterdi.

Daha güvenli, daha temiz enerji için bunun anlamı

Uzman olmayanlar için çıkarılacak ders, bu çalışmanın kritik kazan boru hatlarını sesi kullanarak izlemeyi çok daha pratik hale getirmesidir; büyük miktarda eğitim verisine veya kusursuz sessiz koşullara ihtiyaç duymadan. Kompakt bir akustik parmak izini uyarlanabilir, gürültüye duyarlı bir sınıflandırıcıyla birleştirerek yöntem, muhtemel sızıntı türünü erken ve güvenilir şekilde işaretleyebilir. Enerji santrallerinde bu, daha az yıkıcı arızaya, daha az yakıt israfına ve daha verimli bakım rutinlerine dönüşebilir—ekiplerin, sorun görünür hale gelmeden çok önce onları işaret eden akıllı dinleme sistemleri tarafından yönlendirildiği bir yaklaşım.

Atıf: 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

Anahtar kelimeler: boru hattı sızıntı tespiti, akustik emisyon, kazan güvenliği, makine öğrenimi, destek vektör makinesi