Sensor Berbasis Machine Learning Deteksi Kebocoran Gas Alam dengan Presisi

Alat deteksi kebocoran gas alam menggunakan sensor dan machine learning untuk menentukan titik kebocoran di lapangan minyak dan gas, berjanji untuk pemantauan otomatis dan terjangkau di seluruh infrastruktur gas alam. Sistem Deteksi Kebocoran Otonomis, Murah, dan Cepat (ALFaLDS) dikembangkan untuk menemukan rilis tidak sengaja metana, gas rumah kaca yang kuat.

ALFaLDS mendeteksi, menentukan lokasi, dan mengukur kebocoran gas alam berdasarkan pengukuran metana dan etana (dalam gas alam) serta angin atmosfer secara real-time yang dianalisis oleh kode machine learning yang dilatih untuk menemukan kebocoran. Kode dilatih menggunakan model dispersi pluma tinggi dan pelatihan disesuaikan di lokasi dengan rilis terkontrol.

Tes menunjukkan bahwa ALFaLDS menentukan lokasi kebocoran metana yang dirancang dengan presisi dan mengukur ukurannya. Kemampuan baru untuk menemukan kebocoran dengan keterampilan, kecepatan, dan akurasi tinggi dengan biaya lebih rendah berjanji untuk pemantauan kebocoran gas loncat yang terjangkau di tempat sumur dan lapangan minyak dan gas. Keberhasilan ALFaLDS dalam menemukan dan mengukur kebocoran metana loncat di fasilitas gas alam dapat mengakibatkan pengurangan emisi metana hingga 90 persen jika diterapkan oleh industri.

ALFaLDS menggunakan sensor kecil, yang membuatnya ideal untuk diterapkan pada mobil dan drone. Tim mengembangkan sensor yang terintegrasi dengan anemometer sonik 3D mini dan kode machine learning yang kuat dalam tes. Kode otonom dan dapat membaca data dari sensor gas dan angin apa pun untuk membantu menemukan kebocoran dengan cepat dan meminimalkan emisi gas loncat dari jaringan ekstraksi, produksi, dan konsumsi gas alam yang luas.