随着全球经济的发展和人口的不断增长，人类对能源的需求持续上升，且这一需求增长趋势预计将持续相当长的时间^[1]。然而，现有研究多集中于对传统化石燃料的评估，对其他能源的分析仍较少^[2]。作为一种绿色和可持续的能源，氢气的使用在减少温室气体排放方面发挥着重要作用，尤其是交通运输领域以燃料电池汽车为代表的氢产业链^[3]。与此同时，大量加氢站已经建成并投入运营，其通常采用高压储气方式，储氢罐内压力可达90 MPa。然而，高压氢气易于泄漏和扩散，一旦泄漏的可燃氢气遇到火源，则可能引发严重爆炸事故。因此，对加氢站氢气泄漏特性进行分析、监测和识别显得尤为重要。

目前，大规模氢气泄漏的分布预测主要依赖于数值模拟技术^[4-5]，流场的模拟通常采用基于有限元法或有限体积法的仿真软件^[6]，在合理的设置下，可获得较为准确的预测数据。然而，大规模氢气泄漏的计算成本极高，无法满足实时预测的需求。近年来，深度学习由于其强大的特征提取和数据挖掘能力，在泄漏定位研究中得到了广泛的应用，主要集中在石油化工行业^[7-9]。针对氢能应用场景，Suzuki等^[10]提出了一种结合机器学习和物理建模的方法用于氢气泄漏后果分析，成功区分了泄漏和非泄漏状态；Yang等^[11]基于波let去噪与深度学习开发了一种小波去噪-K最近邻-卷积神经网络混合模型(WD-KNN-CNN)，旨在预测氢泄漏的位置和强度；Li等^[12]提出了一种基于长短期记忆自编码器(LSTM-AE)的源项估计方法，解决了氢气泄漏源的定位与强度估计问题；Yan等^[13]通过动态-静态识别技术将高压氢罐的压力信号转换为图形特征，提出了一种基于双通道经典卷积神经网络(LeNet)网络的氢气泄漏诊断方法；王兴茂^[14]针对燃料电池汽车的氢气泄漏进行了数值计算模型及诊断方法的研究。基于此，Wang等^[15]、Bi等^[16]利用深度学习模型对算法进行优化从而提高检测精度。因此，当前针对氢泄漏检测与后果分析通常分开进行，缺乏有效结合的综合预测方法；针对氢泄漏在不同条件(如温度、压力、泄漏流量等)下的行为特性的系统分析仍存在不足，极大地限制了模型在实际应用中的有效性；此外，不同深度学习模型在氢泄漏预测中的性能比较还不够全面，从而影响了监测效率和安全性。因此，亟须开发更为高效的特征提取方法，以提升氢泄漏诊断的实时性和准确性。

本文结合计算流体动力学(CFD)工具与深度学习方法，建立了涵盖不同泄漏位置、泄漏强度和风向的高压加氢站泄漏数据集。深入分析了不同条件下氢泄漏的行为特性，利用6种常用深度学习模型对该数据集进行预测。通过对比不同模型的检测结果，发现基于卷积神经网络(CNN)和双向长短词记忆模型(BiLSTM)的卷积双向长短期记忆神经网络组合模型(CNN-BiLSTM)表现出最优的性能，在处理复杂的时间序列数据方面，该模型显著优于其他单一模型。

1 方法 1.1 反向传播神经网络(BPNN)模型

BPNN模型是一种用于监督学习的深度学习模型，可以在传感器监测的浓度数据和相应的标签数据之间建立关系^[17]。考虑k个输入(x₁, x₂, …, x_k)和1个偏置输入b_j连接到第j个神经元，则第j个神经元的输出如式(1)所示。

$ y_j=F\left(\sum\limits_{i=1}^k w_{j i} x_i-b_j\right) . $

(1)

其中：y_j为第j个神经元的输出值，F为计算神经元输出的传递函数。w_ji为第j个神经元与第i个输入之间的权重值，而k为输入神经元的总个数。本研究提出了一个四层BPNN模型，该模型首先获得随机初始化的权重，然后对输入的传感器数据样本进行前向传播后得到预测标签，并计算真实标签与预测标签之间的误差。通过反向传播更新内部权值，使模型能够建立传感器数据样本与相应标签之间的映射，从而减小了该误差。

1.2 卷积神经网络(CNN)模型

CNN因其在处理网格数据方面展现出的卓越能力而被广泛应用于图像及数据的分析领域^[18]。

在本研究中，采用最大池化过程来识别一组相邻输入的最大值。然后从得到的特征构造一个单一的一维向量，并应用多个卷积层和最大池化层进行分类。

1.3 长短期记忆人工神经网络(LSTM)模型

LSTM用以解决长期依赖问题^[19]。该模型由对应时间步的遗忘门f_t、输入门i_t、输出门o_t以及内部存储器$\widetilde{\boldsymbol{C}}_t$等部分组成，其变量的计算过程如式(2)所示。

$ \left\{\begin{array}{l} \boldsymbol{f}_t=\sigma_2\left(\boldsymbol{W}_{\mathrm{f}}\left[\boldsymbol{h}_{t-1}, \boldsymbol{x}_t\right]+b_{\mathrm{f}}\right), \\ \boldsymbol{i}_t=\sigma_2\left(\boldsymbol{W}_{\mathrm{i}}\left[\boldsymbol{h}_{t-1}, \boldsymbol{x}_t\right]+b_{\mathrm{i}}\right), \\ \widetilde{\boldsymbol{C}}_t=\tanh \left(\boldsymbol{W}_{\mathrm{C}}\left[\boldsymbol{h}_{t-1}, \boldsymbol{x}_t\right]+b_{\mathrm{c}}\right), \\ \boldsymbol{o}_t=\sigma_2\left(\boldsymbol{W}_{\mathrm{o}}\left[\boldsymbol{h}_{t-1}, \boldsymbol{x}_t\right]+b_{\mathrm{o}}\right), \\ \boldsymbol{C}_t=f_2 \boldsymbol{C}_{t-1}+\widetilde{\boldsymbol{C}}_t, \\ \boldsymbol{h}_t=\boldsymbol{o}_t \tanh \left(\boldsymbol{C}_t\right) . \end{array}\right. $

(2)

其中：b_f、b_i、b_c、b_o分别为遗忘门(forget gate)、输入门(input gate)、候选记忆单元(cell candidate)和输出门(output gate)的偏执参数，σ₂为sigmoid激活函数，x_t、h_t、C_t分别为时刻t的“细胞”输入、输出与状态，W_f、W_i、W_o、W_C分别为f_t、i_t、o_t、$\widetilde{\boldsymbol{C}}_t$的权重矩阵，f₂为遗忘门的激活函数。

LSTM模型包括3种栅极结构：遗忘栅极、输入栅极和输出栅极，LSTM中的遗忘门在丢弃或保留信息方面发挥重要作用。此外，输入门在确定将新信息纳入正在进行的计算中发挥关键作用。输出门通过考虑当前单元状态和输入，在预测后续时间步长的结果方面发挥重要作用。

1.4 卷积长短期记忆神经网络(CNN-LSTM)模型

CNN-LSTM模型结合了CNN和LSTM的优势^[20]，首先，输入数据通过CNN处理，通过卷积和池化操作对数据特征进行提取和降级；接着，CNN处理后的数据被传递给LSTM，LSTM内部的遗忘门、输入门和输出门经过多次迭代训练，调整参数，使其能够有效地学习来自CNN提取的数据中的时间关系。通过这样的训练过程，网络具备了建模输入和输出数据预测时间序列动态的能力。最终，经过训练的模型数据被输入到一个完全连接的神经元网络中以生成相应的预测值。

1.5 双向长短词记忆模型(BiLSTM)模型

BiLSTM由LSTM改进而来，该模型由2层相同数量神经元系统的LSTM网络构成，一层为前向传播、另一层为反向传播。输入数据在BiLSTM中进行2次网络迭代后再经输出层输出结果^[21]。

1.6 卷积长短期记忆神经网络(CNN-BiLSTM)模型

CNN-BiLSTM模型结合了CNN和BiLSTM的优势^[22]。CNN可以从输入数据中提取局部特征，而BiLSTM网络可以捕获提取特征之间的长期依赖关系。通过结合这2种模型，CNN-BiLSTM可以有效地捕获序列数据中的局部和全局依赖关系。

2 氢气泄漏数值模拟及专有数据库的建立 2.1 加氢站氢气泄漏数值模拟

本研究以重庆市某实际加氢站为例，建立了包括高压储氢罐、氢气压缩机、卸料塔、长管拖车、加氢机等的等比例加氢站模型，如图 1所示。根据对加氢站事故的统计分析和危险源识别，综合考虑设备管线的布局、工艺功能、介质的特性、操作状态、泄漏的概率以及已发生的泄漏事故等多个因素，能够识别出站内潜在的泄漏风险位置。这些位置主要包括连接法兰、阀门集中区域、卸车软管连接处以及压缩机等关键部位^[23]。本研究总结了8个加氢站泄漏源(见图 1中L1—L8)，对于每个泄漏源，将影响氢气泄漏事件的泄漏速率、环境风向这2个影响因素作为不确定性参数，同时根据泄漏概率大小排序设置了13个检测位点，安装传感器S1—S13。加氢站所在区域(本研究中为重庆市)的主导风向和风速作为模拟中环境风设置的依据。

CFD模拟中设置的加氢站泄漏时的工况如表 1所示。其中I1级—I3级为泄漏强度由弱到强，分别设置为0.4、0.6、0.8 kg/s的质量流量入口。

由于氢气泄漏扩散后参数变化的复杂性，在考虑计算效率的同时，需合理简化假设，以保证数值模拟的准确性。具体假设如下：

1) 泄漏过程中，泄漏孔呈圆形，直径为2 mm。由于小孔的尺寸相对于容器较为微小，因此在一个较短的时间间隔Δt内，气体可以视为处于稳定状态。在Δt内不考虑容器的热量损失，假设泄漏现象为等熵流动。同时，在喷嘴处，氢气的流动也被假设为绝热膨胀过程；

2) 泄漏过程中，风速、温度、湿度等外部因素保持恒定；

3) 泄漏气体为100%纯氢气，温度与外界环境相同。

氢气与空气的混合满足质量守恒、动量守恒和能量守恒方程，并遵循组分守恒定律。泄漏扩散过程满足各守恒方程。

考虑高压气体物理性质会偏离理想气体，在计算氢气泄漏时假设气体为绝热膨胀。CFD数值模型的边界条件和初始条件设置如下：

1) 模型的初始温度设定为300 K，环境压力为大气压。在研究氢气泄漏扩散过程时，考虑了重力和浮力对其扩散行为的影响。重力加速度的方向被定义为垂直向下，并设定为9.81 m/s²。此外，开启浮力扩散的效应；

2) CFD模型只包含一个计算域，即流体域。实体域部分不划分网格，不参与计算，墙体均采用无滑移边界条件；

3) 为了保证模拟的准确性，通过与其他类似研究的对比分析，选用可压缩理想气体描述氢气；

4) CFD计算过程选择基于压力的求解器。采用耦合求解器求解泄漏前的风速场，采用PISO(pressure-implicit with splitting of operators)算法求解氢气泄漏扩散过程的瞬态计算。时间步长设置为0.005 s，有效确保了计算结果的准确性，也降低了整体计算成本^[24]。

氢气泄漏后会与周围环境中的空气不断混合，造成湍流扩散的现象。在这一扩散过程中，气体保持着连续流动的特性，同时遵循质量和能量守恒原则。此外，各组分的分布情况也符合组分输运方程的要求。基本控制方程^[25]如下所示：

1) 连续性方程。

$ \frac{\partial \rho_{\mathrm{g}}}{\partial t}+\frac{\partial\left(\rho_{\mathrm{g}} v_a\right)}{\partial x_a}=0. $

(3)

其中：ρ_g为混合气体密度，x_a和v_a分别表示为混合气体在a方向上的位置和速度分量。

2) 动量方程。

$ \frac{\partial\left(\rho_{\mathrm{g}} v_a\right)}{\partial t}+\frac{\partial\left(\rho_{\mathrm{g}} v_a v_d\right)}{\partial x_d}=\frac{\partial p_0}{\partial x_a}+\frac{\partial \boldsymbol{T}_{a b}}{\partial x_b}+\rho G_a . $

(4)

其中：p₀为静压力，G_a和v_d分别为混合气体在a方向上的加速度分量和d方向上的速度分量。T_ab为在b平面上沿a方向的偏应力张量。

3) 能量方程。

$ \begin{aligned} & \frac{\partial\left(\rho_{\mathrm{g}} E\right)}{\partial t}+\frac{\partial\left(v_a\left(\rho_{\mathrm{g}} E p_0+p_0\right)\right.}{\partial x_a}= \\ & \frac{\partial}{\partial x_b}\left(\lambda_{\text {eff }}+\left(\frac{c_p \mu}{P r_{\mathrm{t}}}\right) \frac{\partial T}{\partial x_j}+v_a \boldsymbol{T}_{a b, \text { eff }} .\right. \end{aligned} $

(5)

其中：E为混合气体总能，μ为湍流黏度，Pr_t为湍流状态下的Prandtl数，λ_eff为有效导热系数，c_p为混合气体的定压比热容，T_{ab, eff}为在b平面上沿a方向的有效偏应力张量。

4) 组分输运方程。

$ \frac{\partial\left(\rho_{\mathrm{g}} \omega_c\right)}{\partial t}+\nabla \cdot\left(\rho_{\mathrm{g}} v \omega_c\right)=-\nabla J_c. $

(6)

其中：ω_c为组分c的质量分数；J_c为组分c的质量扩散速度。

Realizable k-ε湍流模型具有对含有射流和混合流的湍流流动进行精准模拟的能力^[26]。基于这一特性，在小孔泄漏的计算流体力学仿真中，选择该模型对氢气的泄漏过程进行详细的模拟分析。

2.2 数值模拟精度验证

利用网格划分工具(Fluent meshing)对模型进行了3种网格数(478 649、580 881和929 147个)的预先划分，并使用Fluent软件对上述3种网格数条件(网格条件1、2、3)下的氢气泄漏进行数值模拟分析，边界和初始条件统一设置为同一工况组合(泄漏源L8、泄露强度I2级、风向为西)，选取3个传感器(S1、S12和S13)示数进行分析。由图 2可知，3种网格数条件下的模拟结果几乎相同。因此，为了平衡计算精度和效率，选择580 881个网格作为后续模拟的网格输入。

2.3 专有数据库的建立

数据库包括96次CFD模拟，13个传感器在t=60 s内测量的氢气体积分数。图 3展示了输入深度学习模型的数据生成过程。然后，根据可调节的时间窗口对数据表进行扫描并切割成样本。依据式(7)对传感器的所有数据归一化处理，加速模型训练的收敛。

$ X_{\mathrm{nom}}=\frac{X-X_{\min }}{X_{\max }-X_{\min }} . $

(7)

其中：X_nom为归一化后的数据值，X为原始数据值，X_min为数据库中的最小值，X_max为数据库中的最大值。

本文研究框架如图 4所示。由图可知，首先使用CFD工具模拟了重庆市某一加氢站氢气泄漏的真实场景。来自不同传感器所收集的监测数据被存储在96次CFD模拟的专有数据库中。利用该专有数据库比较了BPNN、CNN、LSTM、CNN-LSTM、BiLSTM和CNN-BiLSTM模型在加氢站泄漏定位检测中的性能，选择其中性能最好的模型作为基线模型，进行超参数的敏感性分析，从而得到最终的定位检测模型。

3 加氢站氢泄漏分布特征 3.1 泄漏强度的影响

为了研究泄漏强度对氢气泄漏扩散的影响，选取了相同泄漏源(L1)和风向(西)条件，对不同泄漏强度下各传感器检测到的氢气体积分数随时间的变化进行对比，结果如图 5所示。不同泄漏强度下各传感器检测到的氢气体积分数存在明显差异，随泄漏强度的增大，泄漏源附近的S10、S11传感器指数不断上升。尤其是当泄漏强度达到最高级别(I3级)时，其他传感器也未检测出明显的氢气体积分数的增加。

氢气体积分数云图如图 6所示，由图可知，在储氢区和卸氢区(见图 1b)，整体氢气泄漏范围的分布并没有随泄漏强度的不同而出现显著变化。

3.2 风向的影响

为了研究风向对氢气泄漏扩散的影响，选取了相同泄漏源(L7)和泄漏强度(I2级)条件，对不同风向下各传感器检测到的氢气体积分数随时间的变化进行对比，结果如图 7所示。当风向与泄漏源出口夹角垂直时(见图 7b和7d)，所有传感器记录的氢气体积分数呈明显上升趋势。

进一步地，绘制三维氢气体积分数云图以分析风向对爆炸潜在范围的影响，如图 8所示，当风向与泄漏源出口垂直时(见图 8b和8d)，氢气呈广泛扩散，表明风向是影响氢气扩散范围的关键因素。

4 氢气泄漏智能定位检测方法的性能研究

为了提高加氢站氢气泄漏智能定位检测方法的检测精度，本章比较了不同深度学习模型BPNN、CNN、LSTM、CNN-LSTM、BiLSTM和CNN-BiLSTM的预测性能。这些模型在氢气泄漏扩散定位检测任务的验证集中的F1分数如图 9所示。由图可知，CNN-LSTM和CNN-BiLSTM模型在处理泄漏检测任务时的F1分数最高，这归因于2种技术的有效融合：CNN通过其优秀的局部特征提取能力，能够在输入层面减少数据噪声和信息冗余；LSTM则优化了时间序列数据的长期依赖处理，通过门控机制有效地选择和传递有用的信息。此外，CNN的特征提取与LSTM的时序信息处理的结合，使模型不仅在静态图像处理上表现出色，也能准确捕捉到动态变化，从而大幅提升了氢气泄漏检测的准确性和实时性。CNN-BiLSTM展示出优异的预测性能，该模型结构的创新不仅提高了泄漏检测的准确度，也为深度学习在复杂实时监测系统中的应用提供了新的研究方向和理论支持。

4.1 不同超参数对模型性能的影响

为了深入探讨了超参数配置对深度学习模型性能的显著影响，选取上述最优模型CNN-BiLSTM，针对批大小和循环次数这2个关键超参数进行模型的敏感性分析，关注指标为准确率(accuracy)、精确率(precision)、召回率(recall)和F1分数。由图 10可知，随着批大小的增加，模型在准确率、精确率、召回率和F1分数上的表现逐步减小，而后趋于稳定，这表明过大的批大小可能引发模型在动态数据处理上的适应性减弱。而随着循环次数的增加，模型在准确率、精确率、召回率和F1分数上的表现逐步增加，而后趋于稳定，这说明过多的训练循环可能导致过拟合，对模型在新数据上的表现带来相对负面的影响。

综合来看，调整批大小和循环次数对模型的预测准确性和学习稳定性产生细微但关键的影响。其中，批大小为16和循环次数为400的组合，在维持快速收敛的同时，优化了模型在处理动态数据时的响应能力和泛化性。

4.2 模型的预测效率

采用4.1节所得的超参数配置对模型的测试集进行评价，所得F1分数超过98%，且其混淆矩阵如图 11所示。图中对角线处的色块反映了模型对各泄漏源的正确识别情况，而非对角线处的色块则反映了错误识别情况。由图可知，模型在大多数泄漏源的定位精度大于98.00%，具有较高的泛化能力。泄漏源6和7的定位精度略低，分别为98.73% 和87.23%，其中泄漏源6错误定位为泄漏源7的概率为10.24%，泄漏源7错误定位为泄漏源6的概率为1.27%，这可能是因为这2处的传感器数量不足。该结果不仅验证了模型的有效性，也指出了在传感器布局上可能存在的改进空间。

5 结论

本研究针对当前氢能需求持续增长带来的加氢站泄漏问题，创新性地提出了一种基于CNN-BiLSTM预测模型的氢泄漏检测方法。通过结合CFD数值模拟和深度学习技术，成功构建了一个详尽的加氢站泄漏数据库，涵盖了不同的泄漏位置、泄漏强度和风向条件。主要结论如下：

1) 通过对比不同模型，发现CNN-BiLSTM模型在氢气泄漏源检测任务中表现最佳。该模型得益于CNN的强大局部特征提取能力和BiLSTM的长期依赖关系捕捉能力，其准确率和F1分数均超过98.00%。

2) 不同超参数对模型性能的影响分析显示，批大小和循环次数这2个关键超参数对模型性能具有显著影响。通过合理调整批大小为16和循环次数为400的组合，可以有效提升模型的实时监测能力。超参数的敏感性分析为系统的优化提供了重要参考。

3) 混淆矩阵结果表明，CNN-BiLSTM模型在检测大多数泄漏源时均具有较高的定位精度，超过98.00%。然而，在泄漏源6和7(即卸氢区和储氢区)上的检测精度略低，主要是受到传感器布局的限制。这一发现为未来系统设计和传感器布置优化提供了改进方向。

本研究成果不仅增强了加氢站的安全监控能力，也为氢气安全管理领域提供了一种高效的技术解决方案。未来工作将侧重于优化模型的泛化能力和适应性，同时探索更多的算法组合和特征提取技术，进一步提升系统的预测性能和实用性，以支持智能化安全监控系统的发展。