基于模擬仿真的石化油氣輸送系統(tǒng)數(shù)字孿生體技術(shù)

周 波

(中國(guó)石油工程建設(shè)有限公司 西南分公司，四川 成都 610041)

天然氣能否準(zhǔn)確計(jì)量直接影響著開(kāi)發(fā)、運(yùn)行、配給及用戶(hù)等各方的經(jīng)濟(jì)利益，而管路結(jié)構(gòu)的安全性是影響天然氣流量計(jì)量準(zhǔn)確性的主要因素之一。天然氣管道事故常處于突發(fā)情況，需要建立能即使發(fā)現(xiàn)天然氣輸送管道的應(yīng)急響應(yīng)技術(shù)。

數(shù)字孿生是通過(guò)物理模型、傳感器更新、運(yùn)行歷史等數(shù)據(jù)，包括多學(xué)科、多物理量和時(shí)間尺度及多概率的實(shí)時(shí)仿真過(guò)程，在虛擬空間中進(jìn)行映射，創(chuàng)造一個(gè)能表達(dá)其相對(duì)應(yīng)的實(shí)體設(shè)備全部周期過(guò)程的數(shù)字模型。數(shù)字孿生體的工程意義是在實(shí)際運(yùn)行系統(tǒng)之外，構(gòu)建一個(gè)與實(shí)際運(yùn)行系統(tǒng)運(yùn)行環(huán)境基本一致的虛擬化系統(tǒng)，且使虛擬化系統(tǒng)的運(yùn)行時(shí)間前推一定周期，從而判斷實(shí)際運(yùn)行系統(tǒng)在未來(lái)短周期內(nèi)可能發(fā)生的故障，并作出提前預(yù)警。

受制于工程邏輯學(xué)的局限性，實(shí)際搭建液化天然氣((Liquefied Natural Gas，簡(jiǎn)稱(chēng)LNG)輸送管道數(shù)字孿生體時(shí)，存在海量的隱藏傳導(dǎo)機(jī)制和不完備數(shù)據(jù)，所以，只能通過(guò)機(jī)器學(xué)習(xí)系統(tǒng)搭建仿真系統(tǒng)，而無(wú)法實(shí)現(xiàn)完全一致且無(wú)需后續(xù)干預(yù)的數(shù)字孿生體。建筑信息模型(Building Information Modeling，簡(jiǎn)稱(chēng)BIM)系統(tǒng)中內(nèi)置的數(shù)字孿生體的時(shí)間前推能力難以滿(mǎn)足實(shí)際運(yùn)行需求。

該研究設(shè)計(jì)了一套相對(duì)完善的基于機(jī)器學(xué)習(xí)算法的數(shù)字孿生體仿真運(yùn)行算法，并對(duì)其進(jìn)行了驗(yàn)證。

1 天然氣管道電子儀表系統(tǒng)及數(shù)字孿生體的搭建

今天，大部分LNG天然氣管道已經(jīng)實(shí)現(xiàn)了壓力、流量、溫度等儀表的1 s周期遠(yuǎn)程實(shí)時(shí)抄表工作且形成了物聯(lián)網(wǎng)大數(shù)據(jù)體系。隨著量子力學(xué)發(fā)展，使用高精度三軸激光陀螺儀捕捉管道的震動(dòng)，可以有效反映出管道內(nèi)的氣液混合情況、渦流湍流情況等。數(shù)字孿生體建設(shè)中，這些儀表采集的物聯(lián)網(wǎng)大數(shù)據(jù)稱(chēng)為其主要數(shù)據(jù)來(lái)源。

該研究設(shè)計(jì)的數(shù)字孿生體，對(duì)各探頭數(shù)據(jù)在BIM系統(tǒng)中構(gòu)建數(shù)據(jù)LOD(Levels of Detail，簡(jiǎn)稱(chēng)LOD)技術(shù)圖，且在授時(shí)系統(tǒng)驅(qū)動(dòng)下形成圖時(shí)序序列，進(jìn)而使用模糊神經(jīng)網(wǎng)絡(luò)對(duì)所有圖序列分別執(zhí)行卷積壓縮，使每個(gè)圖序列形成1個(gè)雙精度浮點(diǎn)型特征變量，再將這些特征變量輸入到多列神經(jīng)網(wǎng)絡(luò)中，重新組建各個(gè)壓力表、流量表、溫度表在前推時(shí)間點(diǎn)的曲線估計(jì)前推結(jié)果數(shù)據(jù)。該數(shù)字孿生體構(gòu)建策略如圖1所示：

圖1 圖論統(tǒng)計(jì)支持下的多列神經(jīng)網(wǎng)絡(luò)數(shù)字孿生體系統(tǒng)算法邏輯

圖1中，使用了圖論統(tǒng)計(jì)法、空間卷積法、時(shí)序圖序列同構(gòu)化方法等數(shù)據(jù)前置治理算法，模糊神經(jīng)網(wǎng)絡(luò)、對(duì)數(shù)神經(jīng)網(wǎng)絡(luò)等機(jī)器學(xué)習(xí)算法，多列神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)重構(gòu)法等數(shù)據(jù)解模糊算法等，形成數(shù)字孿生體中前推一定時(shí)間周期的數(shù)據(jù)曲線估計(jì)前推模型。相關(guān)算法將在后續(xù)章節(jié)中展開(kāi)論述。

2 數(shù)據(jù)融合與數(shù)字模擬仿真大數(shù)據(jù)技術(shù)體系

2.1 數(shù)據(jù)的前置治理算法

圖論統(tǒng)計(jì)學(xué)方法

使用LOD法將儀表數(shù)據(jù)定義到BIM的三維模型中，形成數(shù)據(jù)投影。數(shù)據(jù)表達(dá)為{,,,,,,,}，其中，{}為儀表序列號(hào)，{,,}為儀表測(cè)量點(diǎn)的BIM三維空間坐標(biāo)，{,}為儀表管道邏輯關(guān)系前后連接點(diǎn)，{}為儀表讀數(shù)；{}為儀表讀數(shù)時(shí)間戳；將相同{,,,,,}標(biāo)識(shí)的序列在時(shí)間軸{}上展開(kāi)，形成圖序列原始統(tǒng)計(jì)結(jié)果；

四維時(shí)空空間卷積方法

四維時(shí)空空間卷積方法是將上述{,,,,,,,}序列，以{,,,}四個(gè)坐標(biāo)維度作為卷積維度，對(duì){}值執(zhí)行空間卷積，強(qiáng)化特征數(shù)據(jù)，其基函數(shù)如公式(1)：

(1)

式中：(,,,)為卷積后輸出結(jié)果；()為卷積核，為一個(gè)小規(guī)模四維陣列數(shù)據(jù)，不同的卷積核賦值方式會(huì)實(shí)現(xiàn)不同的卷積效果，如邊緣強(qiáng)化、離群捕捉、峰值強(qiáng)化等；(-)(-)(-)(-)為被卷積序列分量函數(shù)；

2.2 基于機(jī)器學(xué)習(xí)的數(shù)據(jù)深度挖掘算法

基于六階多項(xiàng)式深度迭代回歸算法的模糊神經(jīng)網(wǎng)絡(luò)

六階多項(xiàng)式深度迭代回歸算法的統(tǒng)計(jì)學(xué)本質(zhì)是將大宗數(shù)據(jù)卷積到1個(gè)雙精度浮點(diǎn)型變量?jī)?nèi)，使其在最小的信息損失量前提下使用較小規(guī)模數(shù)據(jù)代表大宗數(shù)據(jù)的數(shù)據(jù)特征。六階多項(xiàng)式深度迭代回歸算法的節(jié)點(diǎn)基函數(shù)如公式(2)：

(2)

基于對(duì)數(shù)深度迭代回歸算法的對(duì)數(shù)神經(jīng)網(wǎng)絡(luò)

對(duì)數(shù)深度迭代回歸算法的統(tǒng)計(jì)學(xué)本質(zhì)是利用對(duì)數(shù)曲線的非線性特征放大數(shù)據(jù)在自變量坐標(biāo)軸0值附近的細(xì)節(jié)，該數(shù)字孿生體算法中，將其作為多列神經(jīng)網(wǎng)絡(luò)的節(jié)點(diǎn)函數(shù)，其基函數(shù)如公式(3)：

(3)

式中：、為待回歸系數(shù)；其他數(shù)學(xué)符號(hào)含義同式(2)。

3 數(shù)字孿生體的仿真度驗(yàn)證分析

3.1 仿真驗(yàn)證方案

在Matlab中加載Simulink控件構(gòu)建仿真環(huán)境，數(shù)據(jù)訓(xùn)練中，采用某單位LNG天然氣輸送管道中壓力、流量、溫度、震動(dòng)加速度儀表數(shù)據(jù)作為原始數(shù)據(jù)作為原始數(shù)據(jù)，使用中間數(shù)據(jù)作為輸入數(shù)據(jù)，對(duì)應(yīng)的前推數(shù)據(jù)作為輸出數(shù)據(jù)執(zhí)行數(shù)據(jù)訓(xùn)練，后續(xù)類(lèi)似數(shù)據(jù)組織方式組織收斂效果驗(yàn)證。每個(gè)特定分列的算法模塊內(nèi)部邏輯結(jié)構(gòu)相同，根據(jù)不同的大數(shù)據(jù)訓(xùn)練需求對(duì)其分別訓(xùn)練，使其向特定的應(yīng)用方向數(shù)據(jù)收斂。

驗(yàn)證試驗(yàn)中，使用仿真數(shù)據(jù)與原始數(shù)據(jù)之間的決定系數(shù)、標(biāo)準(zhǔn)偏差率和平均離群率作為驗(yàn)證方法。其中：

決定系數(shù)()的算法如式(4)：

(4)

標(biāo)準(zhǔn)偏差率的算法如式(5)：

(5)

式中：為輸入序列的標(biāo)準(zhǔn)偏差率；為輸入序列中的第個(gè)輸入項(xiàng)；為輸入序列的算數(shù)平均值；為統(tǒng)計(jì)樣本數(shù)量。

平均離群率的算法如式(6)：

(6)

式中：為標(biāo)準(zhǔn)離群率；、、為離群率線性回歸預(yù)測(cè)直線的系數(shù);(,)為第個(gè)散點(diǎn)的二維空間坐標(biāo)；max()；min()為離群率估計(jì)的最大值和最小值。

對(duì)數(shù)據(jù)孿生體前推時(shí)間周期曲線估計(jì)預(yù)測(cè)數(shù)據(jù)的算法效能驗(yàn)證方法使用驗(yàn)證敏感度的方式進(jìn)行計(jì)算，敏感度計(jì)算方法為為數(shù)據(jù)預(yù)測(cè)值與數(shù)據(jù)實(shí)測(cè)值之差與數(shù)據(jù)實(shí)測(cè)值的比值均值，其算法如式(7)：

(7)

式中：為統(tǒng)計(jì)數(shù)據(jù)節(jié)點(diǎn)的數(shù)量；為第個(gè)數(shù)據(jù)實(shí)測(cè)值；為第個(gè)數(shù)據(jù)預(yù)測(cè)值。

3.2 流量分布數(shù)據(jù)耦合度

對(duì)天然氣流量分布數(shù)據(jù)流在定時(shí)域窗口進(jìn)行值域區(qū)間的數(shù)據(jù)頻率分布統(tǒng)計(jì)和頻域區(qū)間的數(shù)據(jù)分散度運(yùn)算，可以建立動(dòng)態(tài)的流量分布耦合數(shù)據(jù)，比較分析流量分布數(shù)據(jù)耦合度的統(tǒng)計(jì)如表1所示。

表1 流量分布數(shù)據(jù)耦合度統(tǒng)計(jì)表

表1中，決定系數(shù)一般指可決系數(shù)，表示一個(gè)隨機(jī)變量與多個(gè)隨機(jī)變量關(guān)系的數(shù)字特征；標(biāo)準(zhǔn)偏差率時(shí)一種度量數(shù)據(jù)分布的分散程度標(biāo)準(zhǔn)，用以衡量實(shí)際值與理論值或者估計(jì)值的偏差程度；平均離群率是多點(diǎn)數(shù)據(jù)集中偏離大部分?jǐn)?shù)據(jù)的一種算法。

3.3 壓力分布數(shù)據(jù)耦合度

天然氣輸送管道的滲透率和孔隙度等相關(guān)參數(shù)會(huì)隨著輸送壓力的變換而發(fā)生動(dòng)態(tài)變化,同時(shí)該變化又會(huì)影響到壓力的分布狀況，針對(duì)壓力分布數(shù)據(jù)耦合度如表2所示。

表2 壓力分布數(shù)據(jù)耦合度統(tǒng)計(jì)表

由表2可知，數(shù)字孿生體算法仿真在壓力分布數(shù)據(jù)耦合度統(tǒng)計(jì)中的決定系數(shù)驗(yàn)證結(jié)果略高于BIM自帶的結(jié)果，在標(biāo)準(zhǔn)偏差率和平均離群率的驗(yàn)證結(jié)果卻明顯低于BIM自帶的數(shù)據(jù)結(jié)果。

3.4 數(shù)據(jù)前推估計(jì)敏感度

對(duì)數(shù)字孿生體算法仿真和BIM自帶數(shù)據(jù)系統(tǒng)依據(jù)上述的系統(tǒng)數(shù)據(jù)耦合度驗(yàn)證結(jié)果數(shù)據(jù)曲線，進(jìn)行系統(tǒng)的數(shù)據(jù)前推估計(jì)敏感度統(tǒng)計(jì)，如表3所示。

表3 數(shù)據(jù)前推估計(jì)敏感度統(tǒng)計(jì)表

由表3可知，顯示數(shù)字孿生體算法仿真在5 s和曲線估計(jì)前推數(shù)據(jù)結(jié)果略高于BIM自帶的結(jié)果，在15、30、60 s時(shí)的估計(jì)前推數(shù)據(jù)均明顯優(yōu)于BIM自帶的敏感度結(jié)果，且比較結(jié)果為<10000，<005，說(shuō)明具有明顯統(tǒng)計(jì)學(xué)意義。

4 結(jié)語(yǔ)

通過(guò)在MATLAB中加載Simulink控件構(gòu)建仿真環(huán)境，對(duì)流量分布和壓力分布的數(shù)據(jù)耦合度，以及數(shù)據(jù)前推估計(jì)敏感度進(jìn)行了測(cè)試，結(jié)果證明了數(shù)字孿生體算法仿真能夠有效的對(duì)異常數(shù)據(jù)預(yù)警和主動(dòng)推送，能夠提高系統(tǒng)應(yīng)用的安全性，具有很好的應(yīng)用價(jià)值。