近日，破处av
智能科学与工程破处av
青年教师张宇轩与国内外合作者在国际可靠性工程与系统安全领域顶级期刊《Reliability Engineering & System Safety》（中科院一区TOP期刊，影响因子11.0）在线发表题为“Dynamic Causal Graph Network for Reliable Pipeline Leak Detection”的研究论文。该研究聚焦复杂工业环境下管道泄漏检测中的可靠性问题，提出了一种融合因果推理与图神经网络的智能诊断框架，为工业基础设施安全监测与结构健康监测（SHM）提供了新的研究思路。
研究针对传统图神经网络依赖统计相关性、易受到环境噪声和伪相关干扰的问题，提出了动态因果图网络（DCGN）方法，通过引入因果骨架学习、动态因果机制与Transformer因果推理模块，实现了对真实泄漏传播路径的精准建模。实验结果表明，该方法在复杂管道拓扑结构下实现了超过96%的检测准确率，并在强噪声、低信噪比以及小样本场景下依然保持优异鲁棒性。该成果构建了“因果发现—动态图建模—可靠推理—工业验证”的完整技术链条，为因果人工智能在工业物联网、智能运维与安全可靠性评估中的应用提供了重要参考。
动态因果图网络（DCGN）的方法示意
本论文第一单位为破处av
智能科学与工程破处av
，由青年教师张宇轩担任第一作者。该研究与哈尔滨工程大学烟台研究院陆昱辰同学、瑞典中部大学Sebastian Bader副教授、香港理工大学李盾博士、意大利米兰理工大学Enrico Zio教授等学者合作完成。此外，哈尔滨工业大学李佳鑫博士与西安交通大学张颖博士也为该研究提供了宝贵建议与学术支持。该研究得到了瑞典知识基金会（Knowledge Foundation, Sweden）项目的资助。
论文链接：//doi.org/10.1016/j.ress.2026.112795
