Gas leakage poses a significant threat to public safety, and accurate gas source localization is crucial for effective hazard management. Traditionally, gas leakage monitoring systems use bulky and expensive equipment to accurately identify the characteristics of target gas leakages. However, conventional gas sensing systems encounter technical constraints associated with spatial coverage, precise leakage characterization, and source localization. To confront these limitations, recent research in the field of mobile robotic olfaction and sound source localization have focused on developing gas source localization techniques. Nonetheless, issues with reliability, versatility, and maintenance costs persist as significant barriers to their effective integration.
This study introduces a novel deep convolutional neural network (CNN) model-based gas source localization and concentration prediction solution using fixed gas sensor grids and computational fluid dynamics (CFD) simulation. The proposed system employs various photoionization detector (PID) grid configurations in a $400\times 500\times 210 mm^3$ chamber apparatus. The sensors are integrated to an Arduino, which simultaneously operates the individual sensors by powering their ultraviolet (UV) lamps and retrieves sensor data signals. To optimize the number of sensors and their configuration to form the grid, the performance metrics for leakage point classification was evaluated for the single-point leakage scenario. The sensor configuration with the highest accuracy involved installing four PIDs at each corner of the chamber. (Leakage Accuracy: 95.6%, Leakage Location Classification Accuracy: 96.5%, Leakage Location MSE: 0.14) Additionally, this study reports experimental results identifying two-point leakages and single-point leakage conditions with a simple barrier within the chamber.
The multi-task deep learning-based gas source localization and monitoring system proposed in this study demonstrates the potential to enhance the safety of industrial sites. By addressing the limitations of current methods and advancing the integration of CFD simulations and deep learning, this study contributes to the development of more effective gas source localization techniques. The proposed framework holds promise for improving the safety and reliability of gas leak detection systems in various real-world applications.
가스 누출은 대중과 산업 안전에 중대한 위협을 제기하며 정확한 가스 누설 위치 파악은 안전 관리에 핵심이다. 이에 따라 정교한 가스 감지 기술이 필요하지만, 기존의 부피가 큰 고가의 가스 감지 장비는 측정 범위에 제약을 가지고 있어 유해가스 누설 위치를 신속하게 파악하는 데 어려움이 있다. 따라서 기존의 방법으로는 가스 누설 위치를 정확하게 규명하는 과정에서 오랜 시간이 소요되며, 신속한 조치를 취하기 어려운 실정이다. 이를 해결하기 위해 드론과 로봇에 가스센서를 탑재하여 누설 위치를 탐색하는 연구와 가스 누출 시 발생하는 소음을 추적하는 연구 등 다방면의 연구가 활발히 진행되고 있다. 그럼에도 불구하고 해당 기술들의 떨어지는 신뢰성, 제한적인 사용처 및 높은 비용들은 여전히 결정적인 장애물로 남아 있다.
본 연구에서는 전산 유체 역학 (Computational Fluid Dynamics, CFD) 시뮬레이션을 수행하여 얻은 가스누설 데이터를 기반으로 합성곱 신경망 (Convolutional Neural Network, CNN) 딥러닝 모델을 학습시켜 고정 가스센서 그리드에서 측정된 신호를 기반으로 가스 누설 감지, 위치 및 농도 식별을 하는 솔루션을 제시한다. 유해가스 확산 실험을 안전하고, 외부 간섭으로부터 격리하기 위해 통제된 환경을 구현할 필요가 있음에 따라, 본 연구에 사용된 가스 챔버는 실제 공간에 비해 다소 스케일이 작은 $400\times 500\times 210 mm^3$ 가스 챔버를 사용했다. 아두이노를 통해 각 광이온화 검출기(Photoionization Detector, PID)의 UV램프에 전원을 공급하고 센서 출력 값을 일괄적으로 수집하였다. 챔버 내 단일 누설 조건에서 센서 개수와 그 구성에 대한 최적화를 하기 위해 누설 위치 분류 성능 평가 지표를 비교 분석하였다. 그 중 누설 위치 정확도가 가장 높게 나오는 센서 구성은 네 개의 센서를 각 모서리에 설치했을 경우다 (누설 정확도: 95.6%, 누설 위치 정확도: 96.5%, 누설 위치 MSE: 0.14). 추가로 본 연구에서는 이중 누설을 식별하는 알고리즘과 챔버 내 장애물 벽이 있는 조건에 대한 실험 결과도 보고한다.
본 연구에서 제시된 multi-task 딥러닝 기반 가스 누설 모니터링 센서 그리드 시스템은 CFD 시뮬레이션을 통해 얻은 학습 데이터를 기반으로 딥러닝 모델을 학습시키고 실제 가스 누설의 위치 및 농도를 정확하게 예측하였다. 따라서 기존의 가스 누설 위치 식별 시스템들보다 높은 신뢰성과 확장 가능성을 가지고 있다. 본 연구 내용을 기존 산업 인프라에 적용함으로써 산업안전을 위한 가스 누설 모니터링 시스템 개발에 활용될 것으로 기대된다.
