做燃气监测的人都遇到过一个尴尬：系统上线一个月，报警几百条；第二个月，值班人员开始只挑浓度高的看；第三个月，告警群被设成免打扰。
这不是责任心的问题，是误报率的问题。当一条告警有九成概率是假的，任何值班制度都会失效。
为什么单一阈值不够用
朴素的监测逻辑是设一个浓度阈值，超过就报警。但真实场景里，能让可燃气体传感器读数上升的源太多了：下水道的沼气、餐饮店的酒精、消毒用的喷雾、新刷的油漆、发酵的厨余。这些都会让读数上升，却与燃气管网泄漏无关。
方案文档提到的“燃气泄漏与沼气积聚辨别分析模型”，处理的就是这类问题。辨别依赖的不只是浓度，而是浓度、压力、流量、持续时间、相邻空间分布、气象条件与施工振动等多源参数的联合特征。
一条预警背后的算法链
从感知到处置，链路大致是这样：前端采集浓度、压力、流量、温度、液位、振动等参数；平台侧调用燃气管网运行安全风险评估、第三方施工影响地下管线风险评估、地下管网耦合隐患辨识、地质灾害影响地下管线风险评估、燃气管网与重大危险源耦合风险评估、建筑占压管网风险评估、管道燃气泄漏定位辅助分析等20余项自研算法；再叠加泄漏扩散、爆燃后果预测、连锁反应态势推演、应急疏散分析等仿真模型，输出研判报告与处置建议。
其中几项能力值得展开。泄漏定位解决“哪儿漏了”——只报“某片区浓度超标”，对抢修几乎没有帮助。扩散分析解决“往哪走”——地下空间的气体流向，决定了先封哪个井、先疏散哪栋楼。连锁反应推演解决“较坏坏会怎样”——餐饮场所致灾后果预测、爆燃连锁反应态势推演，正是替应急决策准备的。
准确率与误报率，是一枚硬币的两面
据企业披露，泰燃智能的预警准确率超过98%，误报率低于0.5%。这两个数字在行业中不算常见，对应的技术条件通常有三项：算法而非通用算法，动态阈值而非固定阈值，仿真推演而非人工经验判断。
动态阈值的意思是，系统基于历史案例库自动优化参数——同样的读数，在冬季供暖期与夏季、在餐饮密集区与居民区，判定逻辑并不相同。方案文档提到的“实时预测曲线分析”与用气规律、异常波动识别，本质上就是让系统先学会一段管网“正常长什么样”。
回到当初那个尴尬场景：如果误报率能从行业中常见的5%左右降到0.5%，值班人员面对每200条告警只有1条是假的，这套系统才真正被用起来。一个能被信任的告警，比一百个告警更有价值。
