近日，北京农学院智能科学与工程学院青年教师张宇轩在国际可靠性工程领域顶级期刊Reliability Engineering & System Safety（IF=11.0）在线发表题为“Dynamic Causal Graph Network for Reliable Pipeline Leak Detection”的研究论文。该研究围绕复杂工业环境下管道泄漏检测可靠性不足的问题，提出了一种融合因果推理与图神经网络的动态因果图网络（Dynamic Causal Graph Network, DCGN），为工业管网结构健康监测（SHM）中的高可靠智能诊断提供了新的技术路径。

随着城市供水、油气输送及工业流体系统规模不断扩大，管道泄漏可能引发严重安全事故与环境污染。传统深度学习方法虽然能够利用多传感器数据进行泄漏识别，但容易受到环境振动、流体湍流等因素干扰，导致模型在复杂工况下可靠性下降。针对这一问题，研究团队首次将因果推理机制引入管道结构健康监测任务，通过构建动态因果图结构，实现了对真实泄漏传播路径的有效建模，从而显著提升了复杂环境下的检测稳定性与可信性。实验结果表明，该方法在两种复杂管网拓扑结构下均取得超过96%的检测准确率，在极低信噪比和小样本条件下仍保持优异性能，展现出良好的鲁棒性与工程应用潜力。研究进一步验证了模型学习得到的因果图结构与真实管道物理拓扑具有较高一致性，体现了方法良好的物理可解释性。

动态因果图网络（DCGN）的方法示意  

智能科学与工程学院青年教师张宇轩为本论文第一作者，北京农学院为第一完成单位。该研究与哈尔滨工程大学烟台研究院陆昱辰同学、香港理工大学李盾博士、瑞典中部大学Sebastian Bader副教授，以及意大利米兰理工大学Enrico Zio教授国内外学者合作完成。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： https://doi.org/10.1016/j.ress.2026.112795