基于先验知识的自适应联邦双场景图神经网络在凝析气生成预测中的应用

《Engineering Applications of Artificial Intelligence》:Prior Knowledge-Informed Adaptive Federated Dual Scenario Graph Neural Network for Boil-Off Gas Generation Prediction

【字体: 大 中 小 】 时间:2026年04月01日 来源:Engineering Applications of Artificial Intelligence 8

编辑推荐:

  BOG预测框架融合物理先验知识、联邦学习与图神经网络,通过加权图结构建模传感器间拓扑依赖,开发双场景自适应联邦学习机制,在保护数据隐私前提下提升模型泛化能力,实验验证其物理一致性、预测精度及多场景适应性显著优于传统方法。

  
王玉倩|刘刚|陈雷|张超|于淼|桂一林
中国石油大学(华东)管道与土木工程学院,中国青岛市长江西路66号,266580

摘要

准确可靠地预测蒸发气(Boil-Off Gas,BOG)的产生对于液化天然气接收站的安全、高效和经济运行至关重要。然而,在实际操作中实现这一目标面临诸多挑战,包括蒸发过程的物理复杂性、工业传感器网络中的图结构依赖性以及数据隐私限制,这些因素阻碍了不同客户端之间的协作模型训练。为了解决这些问题,本文提出了一种基于人工智能的新方法——一种利用先验知识(Prior Knowledge)的自适应联邦双场景图神经网络(Prior Knowledge-Informed Adaptive Federated Dual Scenario Graph Neural Network,PKI-AFDSGNN)框架。该人工智能系统的特点在于范式的转变:它利用领域特定的先验知识来明确指导并构建神经网络的架构,而不仅仅是限制其损失函数。具体而言,首先推导出卸载和非卸载场景下的热力学先验知识,然后将其转换为图结构,以规范图神经网络中的信息流动,确保学习过程在物理上是一致且可解释的。此外,为了提高泛化能力同时保护数据隐私,该框架将这种物理指导的架构与联邦学习(Federated Learning)相结合,为每种操作场景部署单独的模型,并采用自适应的客户端-服务器更新策略。使用来自中国液化天然气站的真实数据进行的广泛验证表明,所提出的框架显著优于现有方法,能够提供准确且物理上一致的蒸发气生成预测结果,在不同操作条件下表现出良好的鲁棒性,并突显了每个组成部分的关键作用。

引言

在液化天然气(LNG)的储存和运输过程中,由于环境热量的侵入、压力波动和储存时间的影响,会持续产生蒸发气(BOG)。蒸发气的生成速率直接影响再液化系统的负荷、压缩机的能耗以及接收站的整体安全性和经济性。因此,实现高精度的实时蒸发气生成预测对于优化能源管理、降低运营成本以及提高系统安全性和可靠性至关重要。尽管这一点至关重要,但在实际工业环境中实现准确、可靠且可解释的实时预测仍面临诸多挑战。
首先,物理机制的复杂性和数据驱动模型的可解释性构成了重大障碍。蒸发气的生成本质上是当LNG吸收外部热量并达到饱和温度时发生的相变过程。这一过程受到多种因素的非线性耦合影响,包括储罐的热力学状态、卸载操作和大气条件。虽然现有的基于深度学习的预测方法能够拟合复杂的非线性模式,但由于忽略了物理约束,它们往往会产生与热力学原理不符的预测结果。也就是说,这些模型可能获得较低的数值误差指标,但却违反了实际的物理定律。此外,这类模型通常缺乏可解释性,其决策过程的不透明性阻碍了领域专家的理解和信任,严重限制了它们在关键运营决策中的实际应用。
其次,工业系统中内在的拓扑信息被忽视也是一个主要挑战。LNG储罐场由储罐、管道、设备和众多传感器组成的复杂物理网络构成。传感器读数并非独立存在,它们通过热传递、质量传递和过程流相互关联,形成了内在的图结构依赖性。例如,储罐内壁的温度与内部的LNG温度密切相关,而环境温度同时影响多个储罐的热量侵入行为。由于这些依赖性的不确定性(Abbasi, 2020; Abbasi and Seifi, 2013; Kavousi-Fard et al., 2015; Abbasi et al., 2015),大多数现有预测方法将传感器数据视为扁平化的特征向量或独立的时间序列,忽略了系统的固有拓扑关系,未能充分利用其中包含的丰富信息。
最后,工业数据孤岛与模型泛化能力之间的冲突进一步加剧了这一问题。由于数据隐私、商业保密性和网络安全的考虑,不同液化天然气接收站之间,甚至同一站内不同部门之间共享原始数据往往很困难,导致可用于训练的数据量有限,使得模型容易过拟合局部数据特征,泛化能力较弱。传统的集中式机器学习方法需要数据聚合,在这种情况下是不可行的。
随着人工智能技术的不断发展(Abdullah et al., 2023; Abosuliman et al., 2024; Nawaz et al., 2025),它在各个工业领域展示了显著的应用价值。例如,张宇等(2024)提出了一种基于双层语言信息的神经网络方法,用于解决制造业中的复杂决策问题;Ullah等(2025)开发了一种基于勾股模糊可信度的可再生能源选择模型。这些研究展示了智能方法在解决实际工程问题方面的潜力。基于此背景,我们的核心研究动机是构建一个能够深度整合物理先验知识、明确利用系统拓扑结构,并通过融合多源知识来提高模型泛化能力的预测框架,同时保护数据隐私。该框架不仅旨在提高预测准确性,还旨在建立一个物理上可信、可解释且能够协同发展的工业AI范式,对推动液化天然气行业及整个流程行业的数字化和智能化转型具有重要的实际意义。
为了解决第一个挑战,我们首先将整个LNG储罐系统作为研究对象。从热力学的角度分析了不同系统组件之间的热交换过程。基于能量守恒原理,我们建立了卸载和非卸载条件下的系统热平衡方程,从而形成了先验知识(Prior Knowledge,PK)。在PK与深度学习的结合方面,陈等(2021)应用了Austin-Palfrey方程通过GBDT来预测油混合长度,而袁等(2023)将变分贝叶斯-高斯混合回归与领域知识相结合以提高预测准确性。类似的方法也被用于分析、预测和优化LNG储罐系统内的行为(Hidalgo-Mompeán et al., 2021; Ghernaout et al., 2025; Bin et al., 2023; Wang et al., 2025; Mehrenjani et al., 2022; Tan et al., 2022; Wu et al., 2024; Xu et al., 2023; Sui et al., 2025; Niu et al., 2025),验证了PK引导建模的可行性。然而,主流的物理信息神经网络(Physics-Informed Neural Networks,PINNs)方法(Raissi et al., 2019; Yuan et al., 2022; Boussaid et al., 2024; Culos et al., 2020; Zeng et al., 2020)主要将物理残差作为“软约束”纳入损失函数,这通常会导致收敛速度慢且难以平衡数据拟合与物理真实性。为了解决这个问题,我们将PK的角色从训练“监督者”提升为架构“指导者”,从而将物理定律更直接地嵌入模型结构本身。
为了解决第二个挑战,我们利用PK作为基础,明确定义了传感器节点之间的物理关系,构建了一个带有权重的图。在这个图中,节点代表传感器,边表示物理关联,权重来自特征值。然后我们使用图神经网络(Graph Neural Networks,GNNs)(Bruna et al., 2014; Defferrard et al., 2016; Kipf and Welling, 2017; Hamilton et al., 2017; Velickovic et al., 2017)在该PK引导的图上进行消息传递和特征聚合,实现了从纯粹的“数据驱动”到“物理引导、数据驱动”的学习转变。
为了解决第三个挑战,我们采用了联邦学习(Federated Learning,FL)(McMahan et al., 2016),这是一种能够在多个客户端之间协作训练全局模型的分布式方法,同时保护数据隐私。尽管FL已在医疗(Zhang et al., 2021)、能源(Li and Li, 2025)、环境监测(Xu et al., 2024)和智能家居(Z. Zhang et al., 2024)等领域得到成功应用,但其在LNG站中的蒸发气预测应用尚未被报道。鉴于卸载和非卸载代表不同的热力学状态,我们根据各自的热平衡方程定制了图结构,并分别对每种场景应用了FL框架。此外,我们设计了一种自适应的模型更新机制,根据不同场景进行差异化的模型下载和聚合,使每个客户端能够获得更稳健的预测器。
总之,我们提出了一个基于先验知识的自适应联邦双场景图神经网络(PKI-AFDSGNN)。本工作的主要贡献如下:
  • 强大的可解释性和物理一致性:通过严格的热力学分析,我们为两种操作场景构建了PK系统。然后提出了一种将物理方程“转换为图结构”的创新方法,将PK嵌入模型架构中,以确保预测结果具有内在的物理可解释性和一致性。
  • •
    先验知识引导的模型架构:我们开发了一种基于PK构建加权邻接矩阵的方法,明确表征了节点间的物理关联。该矩阵直接驱动GNN的消息传递,使模型在学习过程中遵循物理定律,从而提高了可靠性和外推能力。
  • •
    高泛化能力和隐私保护:我们首次将PINNs的原则与FL范式有机结合,专门针对卸载和非卸载操作场景进行了定制。同时,设计了客户端/全局模型交换的自适应策略,有效保护了数据隐私,同时协同提高了模型的整体性能和泛化能力。
  • •
    使用真实工业数据验证
本文的其余部分安排如下:第2节详细介绍了所提出的方法;第3节评估了该方法;第4节总结了本文并展望了未来的工作。

章节片段

概念框架

本节重点关注三个方面:PK的建立、在客户端节点上建立PKI-GNN架构以及自适应联邦双场景(AFDS)学习。单个客户端节点的总体技术路线图如图1所示。

实验

在本节中,我们首先描述了数据集,然后展示了我们的比较和消融研究结果。为了减少随机性,每个实验都重复进行了多次;报告的结果代表了平均性能,最佳分数以粗体显示。

结论

在这项研究中,从创新的角度将工业系统中的先验知识与神经网络相结合。首先,基于热力学原理分析了LNG储罐系统内的热输入和输出,并根据能量守恒定律建立了相应的先验知识。其次,基于这种先验知识开发了一种图结构依赖性权重自学习算法,用于建模各组件之间的依赖关系

CRediT作者贡献声明

王玉倩:撰写——原始草稿、方法论、调查。刘刚:监督、资金获取、概念化。陈雷:监督、概念化。张超:验证、数据管理。于淼:撰写——审阅与编辑、验证、监督。桂一林:撰写——审阅与编辑、可视化、监督。

资助

本研究得到了“通过机器学习与混合整数规划及工程应用融合优化复杂油气管道网络的新算法”(项目编号:2021YFA1000104)的国家重点研发计划的支持。

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号