基于模擬仿真的石化油氣輸送系統(tǒng)數(shù)字孿生體技術

周 波

(中國石油工程建設有限公司 西南分公司，四川 成都 610041)

天然氣能否準確計量直接影響著開發(fā)、運行、配給及用戶等各方的經(jīng)濟利益，而管路結構的安全性是影響天然氣流量計量準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急響應技術。

數(shù)字孿生是通過物理模型、傳感器更新、運行歷史等數(shù)據(jù)，包括多學科、多物理量和時間尺度及多概率的實時仿真過程，在虛擬空間中進行映射，創(chuàng)造一個能表達其相對應的實體設備全部周期過程的數(shù)字模型。數(shù)字孿生體的工程意義是在實際運行系統(tǒng)之外，構建一個與實際運行系統(tǒng)運行環(huán)境基本一致的虛擬化系統(tǒng)，且使虛擬化系統(tǒng)的運行時間前推一定周期，從而判斷實際運行系統(tǒng)在未來短周期內(nèi)可能發(fā)生的故障，并作出提前預警。

受制于工程邏輯學的局限性，實際搭建液化天然氣((Liquefied Natural Gas，簡稱LNG)輸送管道數(shù)字孿生體時，存在海量的隱藏傳導機制和不完備數(shù)據(jù)，所以，只能通過機器學習系統(tǒng)搭建仿真系統(tǒng)，而無法實現(xiàn)完全一致且無需后續(xù)干預的數(shù)字孿生體。建筑信息模型(Building Information Modeling，簡稱BIM)系統(tǒng)中內(nèi)置的數(shù)字孿生體的時間前推能力難以滿足實際運行需求。

該研究設計了一套相對完善的基于機器學習算法的數(shù)字孿生體仿真運行算法，并對其進行了驗證。

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)實現(xiàn)了壓力、流量、溫度等儀表的1 s周期遠程實時抄表工作且形成了物聯(lián)網(wǎng)大數(shù)據(jù)體系。隨著量子力學發(fā)展，使用高精度三軸激光陀螺儀捕捉管道的震動，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)字孿生體建設中，這些儀表采集的物聯(lián)網(wǎng)大數(shù)據(jù)稱為其主要數(shù)據(jù)來源。

該研究設計的數(shù)字孿生體，對各探頭數(shù)據(jù)在BIM系統(tǒng)中構建數(shù)據(jù)LOD(Levels of Detail，簡稱LOD)技術圖，且在授時系統(tǒng)驅動下形成圖時序序列，進而使用模糊神經(jīng)網(wǎng)絡對所有圖序列分別執(zhí)行卷積壓縮，使每個圖序列形成1個雙精度浮點型特征變量，再將這些特征變量輸入到多列神經(jīng)網(wǎng)絡中，重新組建各個壓力表、流量表、溫度表在前推時間點的曲線估計前推結果數(shù)據(jù)。該數(shù)字孿生體構建策略如圖1所示：

圖1 圖論統(tǒng)計支持下的多列神經(jīng)網(wǎng)絡數(shù)字孿生體系統(tǒng)算法邏輯

圖1中，使用了圖論統(tǒng)計法、空間卷積法、時序圖序列同構化方法等數(shù)據(jù)前置治理算法，模糊神經(jīng)網(wǎng)絡、對數(shù)神經(jīng)網(wǎng)絡等機器學習算法，多列神經(jīng)網(wǎng)絡數(shù)據(jù)重構法等數(shù)據(jù)解模糊算法等，形成數(shù)字孿生體中前推一定時間周期的數(shù)據(jù)曲線估計前推模型。相關算法將在后續(xù)章節(jié)中展開論述。

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

2.1 數(shù)據(jù)的前置治理算法

圖論統(tǒng)計學方法

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)表達為{,,,,,,,}，其中，{}為儀表序列號，{,,}為儀表測量點的BIM三維空間坐標，{,}為儀表管道邏輯關系前后連接點，{}為儀表讀數(shù)；{}為儀表讀數(shù)時間戳；將相同{,,,,,}標識的序列在時間軸{}上展開，形成圖序列原始統(tǒng)計結果；

四維時空空間卷積方法

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

(1)

式中：(,,,)為卷積后輸出結果；()為卷積核，為一個小規(guī)模四維陣列數(shù)據(jù)，不同的卷積核賦值方式會實現(xiàn)不同的卷積效果，如邊緣強化、離群捕捉、峰值強化等；(-)(-)(-)(-)為被卷積序列分量函數(shù)；

2.2 基于機器學習的數(shù)據(jù)深度挖掘算法

基于六階多項式深度迭代回歸算法的模糊神經(jīng)網(wǎng)絡

六階多項式深度迭代回歸算法的統(tǒng)計學本質是將大宗數(shù)據(jù)卷積到1個雙精度浮點型變量內(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。六階多項式深度迭代回歸算法的節(jié)點基函數(shù)如公式(2)：

(2)

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

對數(shù)深度迭代回歸算法的統(tǒng)計學本質是利用對數(shù)曲線的非線性特征放大數(shù)據(jù)在自變量坐標軸0值附近的細節(jié)，該數(shù)字孿生體算法中，將其作為多列神經(jīng)網(wǎng)絡的節(jié)點函數(shù)，其基函數(shù)如公式(3)：

(3)

式中：、為待回歸系數(shù)；其他數(shù)學符號含義同式(2)。

3 數(shù)字孿生體的仿真度驗證分析

3.1 仿真驗證方案

在Matlab中加載Simulink控件構建仿真環(huán)境，數(shù)據(jù)訓練中，采用某單位LNG天然氣輸送管道中壓力、流量、溫度、震動加速度儀表數(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)，對應的前推數(shù)據(jù)作為輸出數(shù)據(jù)執(zhí)行數(shù)據(jù)訓練，后續(xù)類似數(shù)據(jù)組織方式組織收斂效果驗證。每個特定分列的算法模塊內(nèi)部邏輯結構相同，根據(jù)不同的大數(shù)據(jù)訓練需求對其分別訓練，使其向特定的應用方向數(shù)據(jù)收斂。

驗證試驗中，使用仿真數(shù)據(jù)與原始數(shù)據(jù)之間的決定系數(shù)、標準偏差率和平均離群率作為驗證方法。其中：

決定系數(shù)()的算法如式(4)：

(4)

標準偏差率的算法如式(5)：

(5)

式中：為輸入序列的標準偏差率；為輸入序列中的第個輸入項；為輸入序列的算數(shù)平均值；為統(tǒng)計樣本數(shù)量。

平均離群率的算法如式(6)：

(6)

式中：為標準離群率；、、為離群率線性回歸預測直線的系數(shù);(,)為第個散點的二維空間坐標；max()；min()為離群率估計的最大值和最小值。

對數(shù)據(jù)孿生體前推時間周期曲線估計預測數(shù)據(jù)的算法效能驗證方法使用驗證敏感度的方式進行計算，敏感度計算方法為為數(shù)據(jù)預測值與數(shù)據(jù)實測值之差與數(shù)據(jù)實測值的比值均值，其算法如式(7)：

(7)

式中：為統(tǒng)計數(shù)據(jù)節(jié)點的數(shù)量；為第個數(shù)據(jù)實測值；為第個數(shù)據(jù)預測值。

3.2 流量分布數(shù)據(jù)耦合度

對天然氣流量分布數(shù)據(jù)流在定時域窗口進行值域區(qū)間的數(shù)據(jù)頻率分布統(tǒng)計和頻域區(qū)間的數(shù)據(jù)分散度運算，可以建立動態(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)計如表1所示。

表1 流量分布數(shù)據(jù)耦合度統(tǒng)計表

表1中，決定系數(shù)一般指可決系數(shù)，表示一個隨機變量與多個隨機變量關系的數(shù)字特征；標準偏差率時一種度量數(shù)據(jù)分布的分散程度標準，用以衡量實際值與理論值或者估計值的偏差程度；平均離群率是多點數(shù)據(jù)集中偏離大部分數(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參數(shù)會隨著輸送壓力的變換而發(fā)生動態(tài)變化,同時該變化又會影響到壓力的分布狀況，針對壓力分布數(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)計中的決定系數(shù)驗證結果略高于BIM自帶的結果，在標準偏差率和平均離群率的驗證結果卻明顯低于BIM自帶的數(shù)據(jù)結果。

3.4 數(shù)據(jù)前推估計敏感度

對數(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)耦合度驗證結果數(shù)據(jù)曲線，進行系統(tǒng)的數(shù)據(jù)前推估計敏感度統(tǒng)計，如表3所示。

表3 數(shù)據(jù)前推估計敏感度統(tǒng)計表

由表3可知，顯示數(shù)字孿生體算法仿真在5 s和曲線估計前推數(shù)據(jù)結果略高于BIM自帶的結果，在15、30、60 s時的估計前推數(shù)據(jù)均明顯優(yōu)于BIM自帶的敏感度結果，且比較結果為<10000，<005，說明具有明顯統(tǒng)計學意義。

4 結語

通過在MATLAB中加載Simulink控件構建仿真環(huán)境，對流量分布和壓力分布的數(shù)據(jù)耦合度，以及數(shù)據(jù)前推估計敏感度進行了測試，結果證明了數(shù)字孿生體算法仿真能夠有效的對異常數(shù)據(jù)預警和主動推送，能夠提高系統(tǒng)應用的安全性，具有很好的應用價值。