CN114611418A - 天然气管道流动状态预测方法 - Google Patents
天然气管道流动状态预测方法 Download PDFInfo
- Publication number
- CN114611418A CN114611418A CN202111544230.0A CN202111544230A CN114611418A CN 114611418 A CN114611418 A CN 114611418A CN 202111544230 A CN202111544230 A CN 202111544230A CN 114611418 A CN114611418 A CN 114611418A
- Authority
- CN
- China
- Prior art keywords
- equation
- pipeline
- gas
- loss function
- momentum
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 49
- 239000003345 natural gas Substances 0.000 title claims abstract description 35
- 239000007789 gas Substances 0.000 claims description 57
- 230000006870 function Effects 0.000 claims description 51
- 238000013528 artificial neural network Methods 0.000 claims description 21
- 230000014509 gene expression Effects 0.000 claims description 10
- 210000002569 neuron Anatomy 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 5
- 239000012530 fluid Substances 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 claims description 3
- 230000004069 differentiation Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 2
- 238000001514 detection method Methods 0.000 claims 1
- 238000004364 calculation method Methods 0.000 abstract description 4
- 238000005259 measurement Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Fluid Mechanics (AREA)
- Algebra (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开一种天然气管道流动状态预测方法,涉及天然气管道输送领域,通过构建深度神经网络预测模型,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,通过学习优化得到智能预测模型,利用该智能预测模型来预测天然气管道流动状态。本发明方法只需要正向计算一次。即能够准确预测天然气管道流动状态,大大降低了计算量、资源消耗和预测时间。
Description
技术领域
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
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。
发明内容
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。
为实现上述目的,本发明采用的技术方案如下:
一种天然气管道流动状态预测方法,包括以下步骤:
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;
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;
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;
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;
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。
优选地,所述一维流动控制方程的表达式如下:
连续方程:
动量方程:
状态方程:
p=ρRgT;
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。
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:
优选地,5个隐藏层的神经元个数分别为[100,200,300,200,100]。
优选地,激活函数采用双曲正切函数:
优选地,所述深度神经网络的输出量的表达式为:
tanh(W5 tanh(W4 tanh(W3 tanh(W2 tanh(W1x+b1)+b2)+b3)+b4)+b5);
其中,tanh()为双曲正切函数,W,b为参数。
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:
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+wpMSEp;其中,w为权重系数,MSEb、MSEc、MSEu、MSEp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;
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,fp以及深度神经网络输出的边界条件;x0为目标值,对于fc,fu,fp,x0均为零;对于 边界条件,x0为给定的值;N为训练数据量。
本发明的有益效果如下:
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
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。
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。
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
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。
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:
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:
连续方程:
动量方程:
状态方程:
p=ρRgT (3)
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)。
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 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。
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:
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:
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:
tanh(W5 tanh(W4 tanh(W3 tanh(W2 tanh(W1x+b1)+b2)+b3)+b4)+b5) (9)
其中参数W,b是需要用优化方法来学习调整的,下面介绍。
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:
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:
MSE=wbMSEb+wcMSEc+wuMSEu+wpMSEp (13)
其中,w为权重系数(取10-10000),MSEb、MSEc、MSEu、MSEp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:
其中,t=b,c,u,p,x=fc,fu,fp以及神经网络输出的边界条件;x0为目标值,对于fc,fu,fp, 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。
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***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。
本发明列举一具体的应用实例如下:
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min=1kg/s,出口定压边界为pout=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。
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。
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。
Claims (10)
1.一种天然气管道流动状态预测方法,其特征在于,包括以下步骤:
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;
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;
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;
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;
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。
6.如权利要求1所述的方法,其特征在于,5个隐藏层的神经元个数分别为[100,200,300,200,100]。
8.如权利要求8所述的方法,其特征在于,所述深度神经网络的输出量的表达式为:
tanh(W5 tanh(W4 tanh(W3 tanh(W2 tanh(W1x+b1)+b2)+b3)+b4)+b5);
其中,tanh()为双曲正切函数,W,b为参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111544230.0A CN114611418B (zh) | 2021-12-16 | 2021-12-16 | 天然气管道流动状态预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111544230.0A CN114611418B (zh) | 2021-12-16 | 2021-12-16 | 天然气管道流动状态预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114611418A true CN114611418A (zh) | 2022-06-10 |
CN114611418B CN114611418B (zh) | 2024-06-04 |
Family
ID=81857275
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111544230.0A Active CN114611418B (zh) | 2021-12-16 | 2021-12-16 | 天然气管道流动状态预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114611418B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116205013A (zh) * | 2022-12-22 | 2023-06-02 | 北京市燃气集团有限责任公司 | 一种天然气放散量及放散时间计算方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170351948A1 (en) * | 2016-06-01 | 2017-12-07 | Seoul National University R&Db Foundation | Apparatus and method for generating prediction model based on artificial neural network |
CN108197070A (zh) * | 2018-01-05 | 2018-06-22 | 重庆科技学院 | 天然气不完全堵塞管道数值模拟方法 |
CN112163722A (zh) * | 2020-10-30 | 2021-01-01 | 中国石油大学(北京) | 天然气管网的供气状态预测方法及装置 |
CN112818591A (zh) * | 2021-01-20 | 2021-05-18 | 北京科技大学 | 基于物理约束的dl模型预测致密油压裂范围的方法 |
-
2021
- 2021-12-16 CN CN202111544230.0A patent/CN114611418B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170351948A1 (en) * | 2016-06-01 | 2017-12-07 | Seoul National University R&Db Foundation | Apparatus and method for generating prediction model based on artificial neural network |
CN108197070A (zh) * | 2018-01-05 | 2018-06-22 | 重庆科技学院 | 天然气不完全堵塞管道数值模拟方法 |
CN112163722A (zh) * | 2020-10-30 | 2021-01-01 | 中国石油大学(北京) | 天然气管网的供气状态预测方法及装置 |
CN112818591A (zh) * | 2021-01-20 | 2021-05-18 | 北京科技大学 | 基于物理约束的dl模型预测致密油压裂范围的方法 |
Non-Patent Citations (2)
Title |
---|
李玉星, 冯叔初: "湿天然气管输瞬态模拟及调峰技术研究", 天然气工业, no. 04, 28 July 2000 (2000-07-28) * |
陈新果;冷绪林;安云朋;张健;王会豪;宫敬;: "基于深度学习结构网络的输气管道水力预测模型", 油气田地面工程, no. 08, 20 August 2018 (2018-08-20) * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116205013A (zh) * | 2022-12-22 | 2023-06-02 | 北京市燃气集团有限责任公司 | 一种天然气放散量及放散时间计算方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN114611418B (zh) | 2024-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lu et al. | Generalized radial basis function neural network based on an improved dynamic particle swarm optimization and AdaBoost algorithm | |
CN111324990A (zh) | 基于多层长短期记忆神经网络模型的孔隙度预测方法 | |
CN108846199A (zh) | 基于时空一体化的特高拱坝变形时空序列预测方法 | |
MX2013008812A (es) | Sistema y metodo para utilizar una red artificial neural para simular tuberias hidraulicas en un simulador de deposito. | |
CN109711617A (zh) | 一种基于blstm深度学习的中长期径流预测方法 | |
Zhang et al. | A novel variable selection algorithm for multi-layer perceptron with elastic net | |
CN112052617B (zh) | 一种非疾病诊断用途的用于预测支路血管流场的方法及*** | |
CN108763718A (zh) | 绕流物体和工况改变时流场特征量的快速预测方法 | |
CN114611418A (zh) | 天然气管道流动状态预测方法 | |
CN115438584A (zh) | 一种基于深度学习的翼型气动力预测方法 | |
CN114777192A (zh) | 基于数据关联和深度学习的二级网供热自主优化调控方法 | |
CN110162910A (zh) | 一种基于物联网技术的坡起优化方法 | |
CN115421216A (zh) | 一种基于stl-arima-nar混合模型的中长期月降雨预报方法 | |
CN113219871A (zh) | 一种养护室环境参数检测*** | |
CN115049041A (zh) | 基于woa-bp神经网络的湿气管道持液率预测方法 | |
CN117786286A (zh) | 基于物理信息神经网络的流体力学方程求解方法 | |
CN114912364A (zh) | 天然气井流量预测方法、装置、设备及计算机可读介质 | |
Silva et al. | Data assimilation predictive GAN (DA-PredGAN) applied to a spatio-temporal compartmental model in epidemiology | |
CN114239397A (zh) | 基于动态特征提取与局部加权深度学习的软测量建模方法 | |
Sahu et al. | Prediction of entrance length for low Reynolds number flow in pipe using neuro-fuzzy inference system | |
CN111708388B (zh) | 一种基于gru-pid的锅炉调压预测控制方法 | |
CN117034808A (zh) | 一种基于图注意力网络的天然气管网压力估计方法 | |
CN110619382A (zh) | 适用于地震勘探的褶积深度网络构建方法 | |
CN116595845A (zh) | 一种螺旋翅片管式换热器的结构优化方法 | |
Wang | Data preprocessing for soft sensor using generative adversarial networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |