买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：生态环境部华南环境科学研究所(生态环境部生态环境应急研究所);中国矿业大学(北京)

摘要：本发明属于环境污染监测技术领域，公开了一种页岩气返排液渗漏污染的自适应智能监测方法及系统，其方法包括以下步骤：S1、设置自适应智能监测系统；S2、采集页岩气返排液渗漏污染的实时监测数据；S3、得到自适应智能监测分析AI模型；S4、对待监测工地实施自适应智能监测。本发明通过软硬件的协同改进，对硬件模块进行模块化、简单化和便携化设计，对软件模块引入深度学习算法模型，对实际运行的页岩气开采过程中压裂施工中污染情况进行感知、分析、预测，快速给出实时监测数据和进行扩散风险预警，大幅提高页岩气返排液渗漏污染监测系统的自动化、智能化程度和监测结果的可靠性。

主权项：1.一种页岩气返排液渗漏污染的自适应智能监测方法，其特征在于，包括以下步骤：S1、设置自适应智能监测系统设置由云服务器、管理终端和至少一可移动部署的现场监测软硬件单元，共同构成的页岩气返排液渗漏污染的自适应智能监测系统；其中，现场监测软硬件单元用于采集被监测施工现场产生的、与页岩气返排液渗漏污染相关的实时监测数据；所述的云服务器内置有现场监测控制单元和AI监测分析单元；所述的现场监测控制单元用于控制现场监测软硬件单元的工作，接收现场监测软硬件单元上传的实时监测数据，并进行数据预处理；所述的AI监测分析单元内置有基于深度学习的AI模型和渗漏污染事故扩散预测预警模型，用于对现场监测控制单元预处理的数据进行分析处理，并根据渗漏污染事故扩散预测预警模型预设的安全阈值，输出监测结果；所述的管理终端，用于向云服务器输入数据、指令或者显示云服务器输出的监测结果；S2、采集页岩气返排液渗漏污染的实时监测数据将可移动部署的现场监测软硬件单元，部署到预先设置的页岩气返排液渗漏污染的工地实验模型；通过页岩气返排液渗漏污染的工地实验模型，分别模拟多种工况条件下的页岩气返排液渗漏污染事故，由现场监测软硬件单元采集页岩气返排液渗漏污染产生的连续变化的实时监测数据，并上传给现场监测控制单元，具体包括以下步骤：S2-1：预先设置页岩气返排液渗漏污染的工地实验模型，并使其能够模拟出页岩气压裂开采现场的多种不同的工况条件：钻井开采现场所在区域场景、地质地貌、地质条件、土壤特性、钻井液成分、钻井工程参数、地下环境参数、地上环境参数、返排液理化性质；S2-2：将可移动部署的现场监测软硬件单元，部署到预先设置的页岩气返排液渗漏污染的工地实验模型；所述工地实验模型，是由地质实验模型主体、压力表、压力泵、流体计量表、阀门、补给液池在连接管路的连接下构成压裂返排液模拟的工地实验模型；将现场监测软硬件单元的传感器、监测线、探测雷达设置到工地实验模型中，开启前端计算机、网络通讯设备；S2-3：使工地实验模型改变各种工况条件进行实验，分别模拟多种工况条件下的页岩气返排液渗漏污染事故，并在各种实验状态下，由现场监测软硬件单元的探地雷达、监测线和传感器对土壤污染扩散范围、扩散速度进行监测，并采集各处监测对象产生的连续变化的实时监测数据，包括：土壤结构、岩石分布、有效监测区域范围、环境参数、返排液的理化性质、泄漏流量、泄漏起止时间、扩散范围、扩散速度；S2-4：探地雷达和传感器将采集的实时监测数据上传和存储在前端计算机中，经过前端计算机校验数据、打包处理后，由网络通讯设备上传给云服务器的现场监测控制单元；S2-5：现场监测控制单元对接收到的实时监测数据进行预处理，包括数据清洗、缺失值处理、噪声和重复数据、异常值处理，然后再处理进行数据归一化或标准化处理；S3、训练得到自适应智能监测分析AI模型构建基于深度学习的AI模型，使用页岩气返排液渗漏污染相关的实时监测数据，训练该AI模型，多次训练后得到自适应智能监测分析AI模型，具体包括以下步骤：S3-1：构建基于深度学习的AI模型针对页岩气返排液渗漏污染过程中不同的工况条件，提取出具有区分度的特征工程数据，将作其为选择算法的依据；再根据提取的特征工程数据，以深度学习算法为基本架构，构建多个独立运行的AI算法集，并由自适应智能监测系统在监测过程中，根据监测参数设置自行选择和匹配其中分析结果最优的AI算法，作为对工地现场监测的AI模型；S3-2：数据划分采集并预处理的页岩气返排液渗漏污染的实时监测数据和解译软件计算数据，进行数据划分，将预处理后的数据划分为训练集、验证集和测试集作为深度学习的格式数据；S3-3：AI模型训练将训练集数据分别导入AI模型进行强化训练，并在训练过程中调整AI模型的参数，通过深度学习算法，由该AI模型自适应定义、识别导致渗漏的特定工况条件和对应的参数；在训练中进行模型性能评估，选取其中分析结果最优的AI算法集；多次训练后，得到具备自动选择最接近的工况、最优数据解译算法和数据降噪算法，获得最优分析结果的自适应智能监测分析结果的AI模型；S3-4：AI模型验证将验证集导入AI模型，进行AI模型验证和超参数调整，通过实测的方式对AI模型输出的监测结果进行校验、修正，并根据验证集的性能调整模型的超参数，以获得更好的泛化能力；S3-5：AI模型评估将测试集数据导入AI模型，评估AI模型的泛化能力；S3-6：AI模型优化根据AI模型的验证结果，对AI模型进行优化，包括调整AI模型结构、改进特征选择方法、调整训练参数，以提高AI模型的自适应处理能力和分析结果的计算精度，最终得到自适应智能监测分析AI模型；S4、构建渗漏污染事故扩散预测预警模型构建有效介质模型式1作为渗漏污染事故扩散预测预警模型，基于该有效介质模型，在相对介电常数模型介质均一条件下，确定多相混合介质的有效介电常数的上下限： 式1式1中： ε为介电常数，砂、泥土壤平均介电常数范围为7~9，返排液介电常数平均为18； ε 1为背景介质的相对介电常数；ε2为添加介质的相对介电常数；f1为混合介质中背景介质的体积占比，f2为混合介质中添加介质的体积占比；预先设定式1的安全阈值，至少包括渗漏范围和深度两项安全阈值；将构建的渗漏污染事故扩散预测预警模型部署到AI监测分析单元中；S5、对待监测工地实施自适应智能监测将训练后的自适应智能监测分析AI模型部署到云服务器的AI监测分析单元中，将现场监测软硬件单元部署到实际运行的待监测工地现场、并划定监测区域；自适应智能监测系统运行启动后，现场监测软硬件单元采集现场的页岩气返排液渗漏污染相关的实时监测数据，上传到云服务器，自适应智能监测分析AI模型经过运算，输出实时监测数据到渗漏污染事故扩散预测预警模型中，渗漏污染事故扩散预测预警模型计算、比较预设的安全阈值后输出监测结果：在未超出预设的安全阈值时保持静默运行，在实时监测数据超出预设的安全阈值时发出报警信号，判断是否发生渗漏污染事故；如果已经发生渗漏事故，则进一步预测出渗漏污染的后续扩散区域和速度，具体包括以下步骤：S5-1：将训练后得到的自适应智能监测分析AI模型，和构建的渗漏污染事故扩散预测预警模型，均部署到云服务器的AI监测分析单元中；S5-2：将可移动部署的现场监测软硬件单元部署到实际运行的待监测工地，部署到一个或者多个待监测的页岩气返排液渗漏污染的工地现场；在划定的待监测区域内，布设传感器、探测雷达、监测线；S5-3：实时监测数据分析启动自适应智能监测系统，各传感器采集数据，并使用探测雷达进行探地作业；在现场监测控制单元的协调下，各现场监测软硬件单元分别采集现场的页岩气返排液渗漏污染相关的实测数据，上传到云服务器；由自适应智能监测分析AI模型自动对传感器采集的数据进行分析、实时监测得到的探测雷达剖面数据解译，并且自动匹配最接近的工况；自适应智能监测分析AI模型对实时监测得到的探测雷达剖面数据解译，进行直达波去除、并测定含水率后，得到探测雷达采集的实时监测数据；通过下式2计算高、低频功率谱包络的能量占比，即计算出介质的体积含水率： 式2式中：θυ表示体积含水率，Kβ表示调节系统，C0表示频率分割点，p（f）表示频率分割点以前的频谱，F表示雷达信号总的频谱，df表示雷达时域信号做傅立叶变换后的频谱；S5-4：将雷达传感得到的介质的体积含水率数据，代入式1风险预警模型，进行含水率与相对介电常数反演，获得渗漏范围和深度数据；S5-5：自适应智能监测分析AI模型经过运算、比较预设的安全阈值后输出监测结果：比较渗漏范围和深度数据是否达到设定的安全阈值，达到则发出报警信息、并进一步预测出发生渗漏现场潜在的污染扩散区域和速度，由人工介入处理；未达到安全阈值则保持静默运行；S6、自适应智能监测分析AI模型的迭代和更新定期导入新的实时监测数据训练AI模型，对自适应智能监测分析AI模型进行更新和迭代，评估、验证和优化自适应智能监测分析AI模型的性能，提高自适应智能监测分析AI模型的准确性和可靠性。

全文数据：

权利要求：

百度查询： 生态环境部华南环境科学研究所(生态环境部生态环境应急研究所) 中国矿业大学(北京) 一种页岩气返排液渗漏污染的自适应智能监测方法及系统