Sensor Berbasis AI Mendeteksi Kebocoran Gas Alami dengan Cepat dan Hemat Biaya
Sebuah studi baru telah mengonfirmasi keberhasilan alat deteksi kebocoran gas alami yang dipioneirkan oleh ilmuwan Laboratorium Nasional Los Alamos, yang menggunakan sensor dan pembelajaran mesin untuk menentukan titik kebocoran di lapangan minyak dan gas, menjanjikan pemantauan otomatis dan terjangkau di seluruh infrastruktur gas alami yang luas.
“Sistem lokasi kebocoran otomatis kami menemukan kebocoran gas dengan cepat, termasuk yang kecil dari infrastruktur yang gagal. Ini juga menurunkan biaya, dibandingkan metode saat ini untuk memperbaiki kebocoran gas, yang intensif tenaga kerja, mahal, dan lambat,” ujar ilmuwan utama Manvendra Dubey. “Sensor kami mengungguli teknik bersaing dalam sensitivitas untuk mendeteksi metana dan etana. Selain itu, jaringan saraf tiruan kami dapat dikaitkan dengan sensor apa pun, yang membuat alat kami sangat kuat dan akan memungkinkan penetrasi pasar.”
Sistem Deteksi Kebocoran Otonom, Hemat Biaya, dan Cepat (ALFaLDS) dikembangkan untuk menemukan rilis sengaja metana, gas rumah kica yang kuat. Sistem mendeteksi, menentukan lokasi, dan mengukur kebocoran gas alami berdasarkan pengukuran metana dan etana (dalam gas alami) dan angin atmosfer secara real-time yang dianalisis oleh kode pembelajaran mesin yang dilatih untuk menemukan kebocoran. Kode dilatih menggunakan model dispersi pluma resolusi tinggi Laboratorium Nasional Los Alamos dan pelatihan disesuaikan di lokasi dengan rilis yang dikontrol.
Hasil tes menggunakan rilis buta di fasilitas sumur minyak dan gas di Colorado State University di Fort Collins, Colorado, menunjukkan bahwa ALFaLDS menentukan lokasi kebocoran metana yang direkayasa dengan tepat dan mengukur ukurannya. Kemampuan baru ini untuk menemukan kebocoran dengan keterampilan, kecepatan, dan akurasi tinggi dengan biaya lebih rendah, menjanjikan pemantauan otomatis dan terjangkau kebocoran gas melarikan diri di sumur dan lapangan minyak dan gas.
Keberhasilan ALFaLDS dalam menentukan lokasi dan mengukur kebocoran metana melarikan diri di fasilitas gas alami dapat mengakibatkan penurunan 90 persen emisi metana jika diterapkan oleh industri.
Sistem menggunakan sensor kecil, yang menjadikannya juga ideal untuk diterapkan pada mobil dan drone. Tim Los Alamos mengembangkan sensor yang terintegrasi dengan anemometer sonik 3D mini dan kode pembelajaran mesin yang kuat. Kode adalah otonom dan dapat membaca data dari sensor gas dan angin apa pun untuk membantu menemukan kebocoran dengan cepat dan meminimalkan emisi gas melarikan diri dari jaringan ekstraksi, produksi, dan konsumsi gas alami.
