用于多产品管道瞬态流模拟的时空增强型物理信息神经网络
《Chemical Engineering Research and Design》:Spatiotemporally enhanced physics-informed neural network for transient-flow simulation in multi-product pipelines
【字体:
大
中
小
】
时间:2026年03月19日
来源:Chemical Engineering Research and Design 3.9
编辑推荐:
郝冲李|建杜|韩宇赵|凯凯卢|瑞球|郑建勤|梁永图|廖奇中国石油大学(北京)人工智能学院,北京市昌平区福学路18号,邮编102249,中国摘要精确的瞬态水力模拟对于确保长距离多产品管道的安全高效运行至关重要。然而,传统的数值方法存在计算成本高的问题,而纯数据驱动模型在复杂的瞬态条
郝冲李|建杜|韩宇赵|凯凯卢|瑞球|郑建勤|梁永图|廖奇中国石油大学(北京)人工智能学院,北京市昌平区福学路18号,邮编102249,中国摘要精确的瞬态水力模拟对于确保长距离多产品管道的安全高效运行至关重要。然而,传统的数值方法存在计算成本高的问题,而纯数据驱动模型在复杂的瞬态条件下往往会产生与物理规律不符的结果。为克服这些挑战,本研究旨在建立一种通用且具有物理可解释性的瞬态水力状态估算框架。通过将质量守恒和动量守恒的控制方程与数据驱动学习相结合,构建了一种时空增强的物理信息神经网络模型。该模型还引入了基于CNN–Transformer的时空模块,以有效捕捉瞬态流动过程中的非线性时间依赖性和空间相关性,从而提升模型的稳定性和预测精度。在多产品管道系统上进行的大量数值实验表明,所提出的SE-PINN模型在包括启动、输送以及流量波动等多种工况下的性能均显著优于传统的深度神经网络和标准PINN模型。与DNN模型相比,SE-PINN在压力预测中的平均绝对百分比误差可降低87.2%,在流量预测中的均方根误差可降低88.6%。相较于PINN模型,其MAPE和RMSE分别降低了62.5%和58.2%。SE-PINN模型的决定系数始终高于0.99,纳什-萨特克利夫效率值接近1.0,这证明了其在复杂水力扰动条件下的优异鲁棒性、收敛稳定性及物理一致性。这些研究结果表明,SE-PINN为瞬态水力模拟提供了精确、通用且符合物理规律的解决方案,为长距离管道系统的智能监测与控制奠定了可靠基础。引言在各种运输方式中,管道是输送精炼油最常用的手段(Tu等人,2024)。长距离管道对于确保精炼油的安全及时输送起着关键作用(Li等人,2024;Liao等人,2026)。在多产品管道运行过程中,由于工况变化以及水力冲击波的影响,可能会出现压力波动,进而导致过压甚至管道破裂,威胁运营安全(Zheng等人,2022)。因此,实时监测管道内的流量和压力对于实现安全稳定的运行至关重要(Du等人,2023a)。在准稳态期间,不会发生显著的水力扰动,且有成熟的公式可用于计算水力状态,从而能够相对准确地估算管道内部状态。然而,液体管道输送介质的压缩性极低,且具有快速的瞬态特性。边界处的流量变化会引发管道沿线的剧烈压力波动。如图1所示,该图展示了一个阀门关闭过程:位于25公里外的中间站阀门按照计划以不同速度关闭。当阀门在0.5分钟内关闭时,管道最初处于稳态,但随后压力波会从中间站向上下游迅速传播,导致上游压力迅速上升,下游压力大幅下降。一旦开始关闭阀门,阀门处以及管道的高点、低点就会出现明显的压力波动,这些压力值可能接近允许的最大操作压力和最小操作压力。相反,如果阀门关闭时间超过5分钟,压力扰动会较小,高点与低点的压力值偏离允许范围的程度也会降低,虽然这提升了管道安全性,但却降低了运营效率。因此,在水力瞬变过程中,准确评估管道沿线的压力和流量变化对于防止因过压或泄压而导致的安全事故至关重要(Lv等人,2018)。通过对瞬态状态进行精确的分析和模拟,可以更好地了解管道内的各种压力波动,进而提升管道运行的安全性和可靠性(Chmelko和Biro,2019)。此前提出的水力瞬态模拟方法通常假设初始条件和边界条件完整且明确。但在某些情况下,管道的初始状态并非准稳态,这就大大限制了传统方法在这些场景下的适用性和准确性。管道瞬态状态模拟是基于成熟的管道模拟模型以及存储在监控与数据采集系统中的实时运行数据,来估算管道内的水力和热力参数的过程,由此得到的模拟状态可近似反映实际的管道流动过程。管道系统水力模拟的主要方法是求解两个核心控制方程,常用的方法包括波特征法(Abdel-Gawad和Berge,2020)、特征线法(Wei等人,2025)、有限差分法(Zheng等人,2021)以及有限体积法(Jareteg等人,2020)。目前用于管道状态估算的主流方法可分为两类:第一类依赖于滤波技术,如卡尔曼滤波器(Apio等人,2021)、改进粒子滤波器(Xue等人,2007)、跟踪滤波器(Ge等人,2017)以及自适应滤波器(Chambers和Sinclair,1976);第二类则属于基于优化的方法,如约束最小二乘法(Mirezi等人,2023)以及最大似然估计法(Bogaerts等人,2003)。随着人工智能技术的出现,一些研究人员开始利用数据驱动模型进行管道的在线水力模拟,其中包括机器学习模型和深度学习模型。基于滤波的状态估算方法通常具有较小的模型规模和更快的计算速度。例如,Arifin等人(2015)采用粒子滤波作为传感器,利用已知的端点测量数据来估算中间位置的状态,并通过估算值与实际值之间的差异来实现管道泄漏检测与定位。Delgado-Aguinaga等人(2021)提出了一种基于卡尔曼滤波的管道泄漏诊断方法,该方法适用于参数变化的线性系统,通过从管道两端估算水力参数来检测泄漏。Chen等人(2021)则应用自适应卡尔曼滤波来估算天然气管道网络的水力状态,并根据模型结果更新测量协方差矩阵。然而,在长距离多产品管道的瞬态流动过程中,由于管道壁摩擦系数、油品性质等因素的变化,会出现较大的不确定性(Sukharev和Kulalaeva,2021)。这些不确定性扩大了模型的计算范围,使得模型参数的精确标定变得十分困难。为降低模型不确定性,许多研究人员将优化理论与管道瞬态模拟相结合。基于优化的方法将边界处的水力参数视为优化变量,通过求解带约束的控制方程,尽量减小这些参数的计算值与观测值之间的偏差。这种方法已被应用于SPS和PIPESIM等商业模拟软件中(Ahmed等人,2024)。Malekpour和She(2021)采用特征线法进行管道瞬态模拟,并运用遗传算法对模拟结果进行优化。基于模型参数的优化需要短时间内反复求解控制方程,这不仅会大幅增加计算成本,还会降低计算的及时性和准确性。许多研究人员开发了数据驱动模型,用于估算液体管道中瞬态过程的流量参数,旨在解决因管道参数频繁变化而需要反复求解模型、从而导致大量计算资源浪费的问题(Du等人,2023b)。Ridolfi等人(2014)使用人工神经网络,通过基于熵值方法选定的有限监测节点来估算供水系统的压力,并用水力模型对结果进行验证。He等人(2020)则开发了一种混合数据驱动与模型驱动的方法,用于精炼油管道的在线流量估算,该方法借助非线性自回归神经网络以及压力观测数据作为边界条件。这类数据驱动模型能够解决因管道参数快速变化而导致的估算精度低、响应不及时等问题。在实际流动过程中,管道边界通常配备多个传感器,能够实时监测边界点的水力参数。因此,大多数研究主要是基于边界点来估算运行压力和流量,往往忽视了管道内部那些存在较大高度变化和剧烈波动的区域。所以,确定管道上未被监测的盲区内的状态变化至关重要(Erasmus等人,2021)。有研究认为,将偏微分方程的解法与数据驱动方法相结合,是实现管道流动状态精确高效模拟的关键(Zhou等人,2022)。为了为工业应用提供更具可解释性的模型,将物理定律和工程知识融入深度学习模型是一种新的思路。Karpatne等人(2017)提出了一个以理论为指导的数据科学范式,旨在利用丰富的科学知识提升数据科学模型的效能。受Wang等人(2020)提出的理论指导建模框架的启发,一些研究开始探索多产品管道中瞬态流动的先验知识与机制,并将其与数据科学相结合。需要注意的是,传统的理论指导数据科学范式往往忽视了数据的固有时空特性,这使得模型难以得到准确的模拟结果。Du等人(2023b)从不同角度研究了同一系统,侧重于在观测数据有限的情况下进行时间外推,而本研究则着眼于在具有完整时间序列观测数据的情况下进行空间重建。这两种截然不同的问题设定需要采用不同的建模策略。现有研究的局限性可总结如下:1. 基于滤波的方法通常适用于短距离管道的准稳态模拟,但由于参数不确定性,其在长距离管道的瞬态状态模拟中会出现较大偏差。2. 基于优化的方法需要反复求解偏微分方程,以便在不确定性条件下修正模型参数,这会导致过高的计算成本,尤其是在参数组合多变时。3. 数据驱动模型仅能处理已观测到的点,无法覆盖管道的盲区,而且由于缺乏物理知识融合,往往会产生不现实的结果。同样,依赖特定初始条件的传统物理信息神经网络模型,在不同初始条件下的水力模拟方面也缺乏通用性。4. 传统的PINN方法虽然能够将数据驱动方法与物理知识有效结合,但难以揭示复杂动态系统中更深层次的时空依赖关系。为弥补现有研究的不足,本文提出了一种时空增强的PINN模型,以实现多产品管道的精确高效瞬态模拟。如图2所示,首先使用SPS模拟软件生成不同工况下的管道瞬态模拟数据(Zheng等人,2013)。这些数据被分为训练集和测试集。随后,采用深度神经网络建立管道中的流动时间、管道空间坐标与流量参数(压力和流量)之间的非线性映射关系(Zhang等人,2022)。在管道的瞬态状态下,流动特性遵循质量守恒和动量守恒等基本控制方程。为提升模型的物理可解释性和预测精度,将这些控制方程整合到深度神经网络模型中。之后,又提出了用于管道流动模拟的简易PINN模型(Velioglu等人,2025)。与传统神经网络相比,该方法在训练过程中融入了瞬态流动的物理定律,因此即便只有部分测量数据,也能得到符合物理规律的模拟结果(Han等人,2023)。在此基础上,进一步引入了时空建模模块,以更好捕捉数据中的复杂时空依赖关系。该模块以数据驱动损失项的形式嵌入PINN框架中,从而提升了所提出的SE-PINN模型的模拟精度。(i)针对多产品管道,开发了一种基于PINN的水力模拟模型,通过将控制方程作为惩罚项嵌入训练过程,从而明确地将物理约束纳入其中。(ii)为克服偏微分方程之间固有的尺度差异所带来的收敛难题,对控制方程进行了重新构建,这显著提升了模型在准稳态和瞬态状态下的稳定性、精度以及通用性。(iii)所提出的框架还整合了基于CNN–Transformer的时空特征提取模块,使网络能够在复杂的瞬态条件下捕捉流动的动态演变和空间相关性,从而无需手动校准参数,即可高效模拟未监测管道段的水力行为。(iv)利用基于SPS的模拟数据进行验证,发现该模型在瞬态流量预测精度方面有了显著提升,从80.3%提高到了99.7%,充分体现了该模型在捕捉非线性水力行为方面的强大能力。问题描述加压管道中瞬态流动的动态特性由一组质量守恒方程和动量守恒方程来描述。这些偏微分方程以距离(x)和时间(t)作为独立变量,表示为流量q(x, t)和水头H(x, t)的函数。基于多产品管道中可压缩流体的瞬态流动弹性理论,建立了相应的控制方程。这一过程可以用以下两个基本方程来表示。
实验设置
为验证所提模型在液压瞬态模拟中的近似能力,使用SPS软件构建了一个包含初始站、输送站和终端站的模拟多产品管道系统(见图5),用于监测管道沿线的压力和流量。该多产品管道系统的SPS仿真系统包括位于初始站的供应点(S1)、六个油泵(P1~P6)、两条管道(Pipe1、Pipe2)以及十六个节点。
结论
在本研究中,开发了一种SE-PINN框架,以实现长距离多产品管道中精确且符合物理规律的瞬态液压模拟。所提模型将质量守恒和动量守恒的控制方程与数据驱动学习相结合,从而在网络架构中融入了物理可解释性。通过引入基于CNN–Transformer的时空建模模块,SE-PINN能够有效捕捉复杂的时间依赖关系。
CRediT作者贡献声明
廖琪:写作——审阅与编辑、资金获取、形式分析。卢凯凯:验证、软件。赵欢宇:形式分析、数据整理。杜健:写作——初稿、方法论。李浩冲:写作——初稿、概念设计。邱瑞:研究、数据整理。梁永图:写作——审阅与编辑、监督。郑建琴:可视化、验证。
利益冲突声明
作者声明没有已知的财务利益或个人关系可能影响本文所述的工作。
致谢
本研究部分得到了国家自然科学基金(52202405)、北京市自然科学基金(4262064)以及中国石油大学(北京)科学基金(2462023BJRC026)的支持。作者感谢所有参与研究的同仁。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号