Über das Projekt
Teréga, ein Fernleitungsnetzbetreiber für Erdgas im Südwesten Frankreichs, untersuchte den Einsatz von Distributed Acoustic Sensing (DAS) , um seine Erdgaspipelines besser vor Eingriffen durch Dritte (Third Party Interference, TPI) zu schützen. Eine der größten Gefahren für die Integrität von Pipelines sind unbefugte Erdarbeiten. Durch eine kontinuierliche Überwachung mit DAS rund um die Uhr lässt sich dieses Risiko reduzieren.
AP Sensing setzte dafür seine DAS -Überwachungslösung ein. Hierzu wurde eine freie Glasfaser in einem bereits vorhandenen Telekommunikationskabel genutzt, das parallel zur Pipeline verläuft. In Kombination mit fortschrittlichem maschinellem Lernen überwacht das System kontinuierlich akustische Aktivitäten, klassifiziert erkannte Ereignisse und liefert präzise Positionsangaben, damit diese vor Ort überprüft werden können.
Die Herausforderung
DAS erkennt selbst kleinste Vibrationen über große Entfernungen. Entlang einer Pipeline sind die meisten dieser Aktivitäten jedoch harmlos. Landwirtschaftliche Maschinen, Forstarbeiten, Straßenverkehr, Bauarbeiten und sogar Wildtiere können akustische Signale erzeugen, die denen von Erdarbeiten ähneln.
Für Pipelinebetreiber kommt es deshalb nicht darauf an, jede einzelne Vibration zu erfassen, sondern zuverlässig zu erkennen, welche Ereignisse genauer untersucht werden müssen. Zu viele Fehlalarme verursachen zusätzlichen Aufwand und können das Vertrauen in das Überwachungssystem beeinträchtigen. Entscheidend ist daher eine zuverlässige Klassifizierung, die alltägliche Aktivitäten von möglichen Gefahren für die Pipeline unterscheidet.
Die Lösung
AP Sensing installierte ein phasensensitives DAS-System , das eine freie Glasfaser in einem bereits vorhandenen Telekommunikationskabel nutzt. Das Kabel verläuft parallel zu einer Pipeline von Teréga. Das System überwacht die gesamte Strecke kontinuierlich mit hoher räumlicher Auflösung und erkennt und lokalisiert akustische Ereignisse in Echtzeit.
Für eine zuverlässige Klassifizierung kombiniert AP Sensing die DAS -Technologie mit fortschrittlichem maschinellem Lernen. Die Algorithmen berücksichtigen dabei nicht nur die Signalstärke, sondern analysieren auch, wie sich ein Ereignis räumlich und zeitlich entwickelt. So kann das System Erdarbeiten und andere Bautätigkeiten von gewöhnlichen Umgebungsgeräuschen unterscheiden.
Trainiert wurden die Klassifizierungsmodelle anhand von Hunderten kontrollierten Feldversuchen sowie realen Betriebsdaten aus überwachten Anlagen. Dabei wurden unterschiedliche Bodenverhältnisse, Installationsbedingungen und Umwelteinflüsse berücksichtigt. Durch die Verknüpfung der Positionen entlang der Glasfaser mit GPS-Koordinaten lassen sich erkannte Ereignisse präzise lokalisieren. So können Einsatzkräfte mögliche Gefahren schnell und gezielt vor Ort überprüfen.
Umsetzung & Ergebnisse
Das Projekt wurde in mehreren Schritten getestet und ausgewertet. Zunächst führte AP Sensing 90 kontrollierte Feldversuche mit Baggern, hydraulischen Abbruchhämmern, Erdbohrern, Rammgeräten und manuellen Erdarbeiten durch. Dabei kamen die Geräte in unterschiedlichen Entfernungen zum verlegten Glasfaserkabel zum Einsatz. Die gewonnenen Daten dienten dazu, die Erkennungsleistung und die Genauigkeit der Ereignisklassifizierung zu überprüfen.
Nach der Inbetriebnahme wurde das System 18 Monate lang unter realen Betriebsbedingungen getestet. In dieser Zeit erfasste es Tausende alltägliche Ereignisse, beispielsweise durch landwirtschaftliche Arbeiten, Straßenverkehr und Querungen der Pipeline. Gleichzeitig erkannte das System zuverlässig sowohl angemeldete als auch unangemeldete Bauarbeiten entlang der Pipeline.
Die wichtigsten Ergebnisse im Überblick:
- 23 tatsächliche Eingriffe durch Dritte, überwiegend genehmigte Arbeiten, wurden erfolgreich erkannt und präzise lokalisiert.
- Erdarbeiten in bis zu etwa 15 m Entfernung vom Glasfaserkabel wurden zuverlässig erkannt.
- Die Zahl unerwünschter Alarme sank von durchschnittlich acht auf 2,5 pro Monat, indem die Machine-Learning-Modelle kontinuierlich optimiert wurden.
Der Überwachungszeitraum umfasste einen vollständigen landwirtschaftlichen Jahreszyklus, von der Bodenvorbereitung über die Aussaat und Pflanzenpflege bis zur Ernte. Damit konnte das System seine Zuverlässigkeit auch bei wechselnden saisonalen Bedingungen und unterschiedlichen Aktivitäten entlang der Pipeline unter Beweis stellen.
Fazit
Das Projekt bei Teréga zeigt, dass Distributed Acoustic Sensing (DAS) in Kombination mit fortschrittlichem maschinellem Lernen auch unter realen Betriebsbedingungen zuverlässig zwischen alltäglichen Aktivitäten und möglichen Gefahren für Pipelines unterscheiden kann. Die 18-monatige Testphase bestätigte die hohe Genauigkeit der Ereignisklassifizierung. Gleichzeitig konnte die Zahl unerwünschter Alarme deutlich reduziert werden. Damit erhalten Pipelinebetreiber zuverlässige Informationen, um die Sicherheit und Integrität ihrer Leitungen langfristig zu gewährleisten.
