天然气管道流动状态预测方法

1.本发明涉及天然气管道输送领域，提出了一种利用预测模型结合物理信息来预测管道内 天然气流动状态的方法。


背景技术：

2.目前对于天然气管道流动管理的基础仍然是通过数值模拟方法得到管道内流动的状态， 而该方法需要一步一步迭代求解，无法直接得到流动状态，导致计算量过大，效率低下，难 以应用于日益增长的管道长度与用户需求。另外，如果利用一般的智能模型来预测管道流动， 则需求大量的现场实测数据或者模拟数据，导致在实际应用中受到数据采集的限制。


技术实现要素：

3.本发明的目的是提供一种天然气管道流动状态预测方法，通过构建深度神经网络的预测 模型，采用数据驱动的方式来模拟流动，再利用流动微分方程作为模型参数优化的损失函数， 通过学习优化预测模型，利用最终得到的智能预测模型预测天然气管道流动状态。
4.为实现上述目的，本发明采用的技术方案如下：
5.一种天然气管道流动状态预测方法，包括以下步骤：
6.获取天然气管道参数：管道长度、管道内径和摩阻系数，以及检测管道内天然气流体参 数：气体密度、气体速度、气体压力和气体温度，根据上述参数建立天然气管网的一维流动 控制方程，包括连续方程、动量方程和状态方程；
7.选取一管道长度值、一边界条件的一气体速度值、一气体压力值和一气体密度值作为特 征量，利用所述特征量引入无量纲量来表示管道长度、气体速度、气体压力和气体密度，对 所述一维流动控制方程的连续方程、动量方程和状态方程中进行无量纲化；
8.构建全连接深度神经网络预测模型，该全连接深度神经网络包括一个输入层、五个隐藏 层和一个输出层，该输入层为表示管道长度的神经元，该输出层为表示气体速度、气体压力 和气体密度的三个神经元；该全连接深度神经网络的激活函数采用双曲正切函数；
9.构造关于无量纲化的连续方程、动量方程和状态方程的输出量对输入量的导数，得到连 续方程、动量方程和状态方程的三个微分方程，并为所述三个微分方程和边界条件构建模型 损失函数，该模型损失函数由边界条件损失函数、连续方程损失函数、动量方程损失函数和 状态方程损失函数的加权组成；
10.对于全连接深度神经网络预测模型，采用adam优化求解器对边界条件损失函数进行预 学习，输入量为天然气管道总管道长度内任意的长度值；并在该预学习的基础上采用lbfgs 优化求解器继续学习，最终得到智能预测模型，利用该智能预测模型预测天然气管道流动状 态。
11.优选地，所述一维流动控制方程的表达式如下：
12.连续方程：
[0013][0014]
动量方程：
[0015][0016]
状态方程：
[0017]
p＝ρrgt；
[0018]
其中，x为管道长度，ρ为气体密度，u为气体速度，p气体压力，λ摩阻系数，d管道内径， rg气体常数，t为气体温度。
[0019]
优选地，选取管道长度值x

、气体速度值ur、气体压力值pr和气体密度值ρr作为特征量， 设定无量纲量则管道长度、气体速度、气体压力和气体密度引 入无量纲量的表示为x＝x

x,u＝uur,p＝ppr,
[0020]
优选地，无量纲化的一维流动控制方程的连续方程、动量方程和动量方程的表达式为：
[0021][0022][0023][0024]
优选地，根据状态方程可得则无量纲化动量方程的表达式简化为
[0025]
优选地，5个隐藏层的神经元个数分别为[100,200,300,200,100]。
[0026]
优选地，激活函数采用双曲正切函数：
[0027][0028]
优选地，所述深度神经网络的输出量的表达式为：
[0029]
tanh(w
5 tanh(w
4 tanh(w
3 tanh(w
2 tanh(w1x b1) b2) b3) b4) b5)；
[0030]
其中，tanh()为双曲正切函数，w，b为参数。
[0031]
优选地，采用开源深度学习框架提供的自动微分技术，构造关于无量纲化的连续方程、 动量方程和状态方程的输出量对输入量的导数；得到的连续方程、动量方程和状态方程的三 个微分方程表达式如下：
[0032][0033][0034]
[0035]
优选地，采用平均方差法构建模型损失函数，该模型损失函数的表达式为mse＝ wbmseb wcmsec wumseu w
p
mse
p
；其中，w为权重系数，mseb、msec、mseu、mse
p
分别表示边界条件损失函数、连续方程损失函数、动量方程损失函数、状态方程损失函数；
[0036]
对于任意变量的平均方差的损失函数表示为其中，t＝b，c，u，p， x＝fc，fu，f
p
以及深度神经网络输出的边界条件；x0为目标值，对于fc，fu，f
p
，x0均为零；对于 边界条件，x0为给定的值；n为训练数据量。
[0037]
本发明的有益效果如下：
[0038]
本发明提出的预测方法，通过利用深度学习模型来求解管道流动微分方程，得到能够预 测天然气管道流动状态的智能预测模型，相较于传统预测方法，由于引入的物理方程和深度 神经网络，从而大幅减少了对实际测量数据的依赖，能够大幅减少测量设备的投入，降低天 然气管理流动管理成本。
附图说明
[0039]
图1是本发明实施例提供的一种天然气管道流动状态预测方法流程图。
[0040]
图2是利用传统方法和本发明方法预测天然气管道压力分布的对比图。
[0041]
图3是利用传统方法和本发明方法预测天然气管道速度分布的对比图。
具体实施方式
[0042]
为使本发明的上述特征和优点能更明显易懂，下文特举实施例，并配合所附图作详细说 明如下。
[0043]
本发明实施例提供一种天然气管道流动状态预测方法，如图1所示，具体包括以下步骤：
[0044]
1)获取天然气管道参数：管道长度、管道内径、摩阻系数等，以及检测获取管道内天然 气流体参数：气体密度、气体速度、气体压力、气体温度等；由于管道长度远大于管道直径， 因此根据上述参数建立一维流动控制方程，包括连续方程、动量方程与理想气体状态方程：
[0045]
连续方程：
[0046][0047]
动量方程：
[0048][0049]
状态方程：
[0050]
p＝ρrgt
ꢀꢀꢀꢀ
(3)
[0051]
其中，x为管道长度，ρ为气体密度，u为气体速度，p气体压力，λ摩阻系数(取定值)， d管道内径，rg气体常数(取287j/(kg
·
k))，t为气体温度(取288.15k)。
[0052]
2)选取特征量：特征长度、特征速度、特征压力、特征密度，用于计算上述一维流动控 制方程的无量纲量。在本实施例中，选取特征长度x

＝d(管道内径)，特征速度ur为最大
流 速或边界流速，特征压力pr为边界压力，特征密度ρr为边界密度，并设无量纲量为边界密度，并设无量纲量则相应的物理变量利用无量纲量可以表示为x＝x

x，u＝uur，p＝ ppr，注意：上述选取的特征量可以根据实际情况任意选取，原则是尽量保证无量纲 量的取值在0到1之间，但不是必需保持在该区间。上述各个边界值是根据实际情况直接给 定，不需要测量，在特殊情况下，也可以直接人为设定一个特征量用于计算无量纲量。
[0053]
将上述无量纲量表示的物理变量代入步骤1)中的一维流动控制方程，可得无量纲化的 一维流动控制方程，为：
[0054][0055][0056][0057]
另外根据状态方程可得代入公式(6)得到：
[0058][0059]
3)由以上方程可以看出，流体流动状态由三个变量表示，即压力、密度、流速，而这三 个变量都是管道长度的函数，因此可以通过神经网络来学习这个函数，从而达到预测的目的。 因此构建全连接深度神经网络，该网络的输入层为一个神经元，用于表示管道长度；输出层 为三个神经元，用于表示压力、密度、流速，在输入层与输出层之间包含5层隐藏层，这5层 隐藏层的神经元个数分别为[100，200，300，200，100]。激活函数采用双曲正切函数：
[0060][0061]
根据以上参数构建的神经网络输出量可以用以下表达式表示：
[0062]
tanh(w
5 tanh(w
4 tanh(w
3 tanh(w
2 tanh(w1x b1) b2) b3) b4) b5)
ꢀꢀꢀ
(9)
[0063]
其中参数w，b是需要用优化方法来学习调整的，下面介绍。
[0064]
4)在介绍优化方法前，需要构建深度神经网络训练学习时的评价标准，因此需要构建此 神经网络的损失函数。利用开源深度学习框架(如tensorflow)提供的自动微分技术，构造输 出量对输入量的导数，并通过组合建立如下微分方程：
[0065][0066][0067][0068]
要求上述三个微分方程最终结果为0，因此利用平均方差法可以为上述三个微分方程以 及边界条件构建模型损失函数为：
[0069]
mse＝wbmseb wcmsec wumseu w
p
mse
p
ꢀꢀꢀꢀ
(13)
[0070]
其中，w为权重系数(取10-10000)，mseb、msec、mseu、mse
p
分别表示边界条件、 连续
方程、动量方程、状态方程的损失函数，对于任意变量的平均方差的损失函数表示为：
[0071][0072]
其中，t＝b，c，u，p，x＝fc，fu，f
p
以及神经网络输出的边界条件；x0为目标值，对于fc，fu，f
p
， x0均为零；对于边界条件，则x0是根据实际情况给定的值；n为训练数据量。
[0073]
5)首先利用adam优化求解器对边界条件损失函数mseb进行预学习，输入量为管道总 长度内任意的长度值，输出量通过第4)步构建的边界条件平均方差得到损失函数mseb，学 习次数通常为10000次左右；其次在预学习的基础上利用lbfgs优化求解器继续学习，学习 次数通常为50000次左右，最终得到训练调整后的w，b，从而确定步骤3)构建的神经网络中 的参数值，得到能够预测天然气管道流动状态的预测模型。本步骤可以直接调用计算软件 matlab或python中相应的函数完成训练。
[0074]
本发明列举一具体的应用实例如下：
[0075]
本实例中天然气管道长为10m，内径d＝0.6m，摩阻系数λ＝300，入口定流边界为m
in
＝1kg/s，出口定压边界为p
out
＝105pa。取离散点为n0＝1000，训练次数分别为10000,20000。 利用传统方法和本发明提供的方法对天然气管道流动状态进行预测，对预测的结构进行对比， 对比结果如图2和图3所示。由结果对比可以看出，利用本发明方法预测得到的结果与采用 传统方法预测得到的结果基本重合，说明了本发明方法可以正确求解天然气管道的流动状态。 不仅如此，传统方法需要迭代上万次甚至上百万次才能得到正确的结果，但是本发明方法通 过训练后的智能预测模型只需要正向计算一次即可得到同样的结果，大大降低了计算量、资 源消耗和预测时间。另外传统方法的数值求解算法只能从管道入口或出口处开始一步步推进 来得到结果，但是本发明方法的智能预测模型却可以直接通过输出管道长度来得到相应的流 动状态，使用更为灵活便捷。因此，本发明方法相较于传统方法在效率与灵活性上均有明显 提升。
[0076]
由上述实施例可知，本发明提供的一种天然气管道流动状态预测方法，通过构建深度学 习模型，充分利用预测模型“黑箱”特点，采用数据驱动的方式来模拟流动。再利用自动微 分技术(由计算机实现的函数求导运算方法)，求得预测模型输出变量与输入变量的导数，组 合成为流动微分方程，作为模型参数优化的损失函数，再通过lbfgs优化算法学习预测模 型，得到流动预测模型解，能够很好地预测天然气管道流动状态，能够代替传统的基于数值 迭代求解法的预测方法。
[0077]
虽然本发明已以实施例公开如上，然其并非用以限定本发明，本领域的普通技术人员对 本发明的技术方案进行的适当修改或者等同替换，均应涵盖于本发明的保护范围内，本发明 的保护范围以权利要求所限定者为准。