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。