A Graph-Enhanced DeepONet Approach for Real-Time Estimating Hydrogen-Enriched Natural Gas Flow under Variable Operations

📄 arXiv: 2504.08816v1 📥 PDF

作者: Sicheng Liu, Hongchang Huang, Bo Yang, Mingxuan Cai, Xu Yang, Xinping Guan

分类: cs.LG, eess.SY

发布日期: 2025-04-09

💡 一句话要点

提出图增强DeepONet框架，用于实时估计氢气掺混天然气管道中的氢气浓度。

🎯 匹配领域: 支柱六：视频提取与匹配 (Video Extraction)

关键词: 氢气掺混天然气 DeepONet 图神经网络 实时估计 管道网络

📋 核心要点

  1. 现有数据驱动方法难以适应氢气掺混天然气管道网络中多变的运行条件，限制了实际应用。
  2. 论文提出图增强的DeepONet框架，利用双网络结构和图神经网络来提升氢气浓度估计的准确性。
  3. 实验结果表明，该方法在不同运行条件下，能够更准确地估计氢气掺混天然气流量。

📝 摘要（中文）

将绿色氢气掺入天然气中是可再生能源整合和燃料脱碳的一种有前景的方法。准确估计氢气掺混天然气（HENG）管道网络中的氢气比例对于运行安全和效率至关重要，但由于复杂的动态特性，这仍然具有挑战性。现有的数据驱动方法采用端到端架构进行HENG流量状态估计，但它们对不同运行条件的适应性有限，阻碍了实际应用。为此，本研究提出了一种图增强DeepONet框架，用于实时估计HENG流量，特别是氢气比例。首先，采用双网络架构（称为分支网络和主干网络）来表征运行条件和稀疏传感器测量，以估计目标位置和时间点的HENG状态。其次，提出了一种图增强分支网络，以结合管道拓扑，提高大型管道网络中的估计精度。实验结果表明，与传统方法相比，该方法在不同运行条件下对HCNG流量的估计精度更高。

🔬 方法详解

问题定义：论文旨在解决氢气掺混天然气（HENG）管道网络中氢气比例的实时精确估计问题。现有数据驱动方法，特别是端到端架构，在面对多变的运行条件时，适应性不足，导致估计精度下降，难以满足实际应用需求。

核心思路：论文的核心思路是利用DeepONet框架，并结合图神经网络来增强其对管道网络拓扑结构的感知能力。DeepONet通过分支网络和主干网络分别处理输入函数（运行条件）和位置信息，从而实现对整个管道网络状态的估计。引入图神经网络可以有效利用管道的拓扑结构信息，提高估计精度。

技术框架：该方法采用图增强DeepONet框架，包含以下主要模块：1) 分支网络：用于处理运行条件和稀疏传感器测量数据，并将其映射到高维特征空间。该分支网络通过图神经网络进行增强，以融合管道拓扑信息。2) 主干网络：用于处理目标位置和时间信息，并将其映射到另一个高维特征空间。3) 输出层：将分支网络和主干网络的输出进行组合，得到目标位置和时间点的HENG状态估计值。

关键创新：该方法最重要的技术创新点在于图增强分支网络的设计。传统DeepONet的分支网络通常采用全连接网络或卷积神经网络，无法有效利用管道网络的拓扑结构信息。通过引入图神经网络，分支网络可以学习到节点之间的关系，从而提高对HENG状态的估计精度。

关键设计：论文中，图神经网络的具体结构未知，但可以推测其输入为管道网络的邻接矩阵和节点特征（例如，传感器测量值），输出为节点表示。损失函数可能采用均方误差（MSE）或类似的回归损失函数，用于衡量估计值与真实值之间的差异。分支网络和主干网络的具体网络结构（层数、神经元数量等）以及训练参数（学习率、batch size等）未知。

🖼️ 关键图片

fig_0
fig_1

📊 实验亮点

实验结果表明，所提出的图增强DeepONet方法在不同运行条件下，对HCNG流量的估计精度优于传统方法。具体的性能提升数据未知，但摘要中明确指出该方法实现了“superior estimation accuracy”，表明其具有显著的优势。

🎯 应用场景

该研究成果可应用于氢气掺混天然气管道网络的实时监控和优化运行。通过准确估计氢气浓度，可以提高管道运行的安全性，优化能源分配，并促进可再生能源的整合。此外，该方法还可以扩展到其他类型的管网系统，例如供水网络和天然气网络。

📄 摘要（原文）

Blending green hydrogen into natural gas presents a promising approach for renewable energy integration and fuel decarbonization. Accurate estimation of hydrogen fraction in hydrogen-enriched natural gas (HENG) pipeline networks is crucial for operational safety and efficiency, yet it remains challenging due to complex dynamics. While existing data-driven approaches adopt end-to-end architectures for HENG flow state estimation, their limited adaptability to varying operational conditions hinders practical applications. To this end, this study proposes a graph-enhanced DeepONet framework for the real-time estimation of HENG flow, especially hydrogen fractions. First, a dual-network architecture, called branch network and trunk network, is employed to characterize operational conditions and sparse sensor measurements to estimate the HENG state at targeted locations and time points. Second, a graph-enhance branch network is proposed to incorporate pipeline topology, improving the estimation accuracy in large-scale pipeline networks. Experimental results demonstrate that the proposed method achieves superior estimation accuracy for HCNG flow under varying operational conditions compared to conventional approaches.