CN113483805B - 一种长距离管道输送现场疏浚输送系统数据处理方法 - Google Patents

Abstract

一种长距离管道输送现场疏浚输送系统数据处理方法，所述数据包括流速数据、压力数据、浓度数据；所述流速数据、压力数据通过已有方法获得，其特征在于，首先，选取整个输送管道的起始点作为监测点，获得该监测点的泥沙流体流速值视为其下游整个管道(包括待测目标管段)同时刻共同的流速值，获得该监测点处的浓度值，将监测点随时间变化的浓度值推演出任意时刻整个输送管道上的浓度分布，为目标管段压差进行匹配，构建数据组；接着，清洗数据组；接着，将数据组作为二维空间数据，按其大小分别排序、分组、取平均，弱化数据的集中性。经本发明方法处理后的数据组具代表性和真实性，为后续研究提供了可靠的工程数据。

Description

一种长距离管道输送现场疏浚输送系统数据处理方法

技术领域

本发明属于疏浚工程技术领域。

背景技术

疏浚工程中，泥沙输送的主要形式是水力输送，尤其是固液混合多相流的长距离管道输送，并经常使用多泵系统。管道输送对疏浚施工效率影响大，能耗大，例如管道输送能耗在绞吸式挖泥船施工中，占总能耗的80％以上。浆体流速过快往往会增加摩阻，浪费动力，流速过慢则泥沙沉积，导致堵管、爆管等一系列问题。实现高效、稳定、安全的水力输送是一直以来追求的目标。

考虑到疏浚管线实际作业数据随时间及沿程分布的波动性，常规现场测试数据多采用按时段平均(比如1小时、1天等)的处理方案，使得处理后的数据在流速和浓度分布上趋于集中，不能有效地反映实际输送特性。而现场获取的数据跟实验室内稳定可控的数据不同，其波动性大，复杂程度高，且实时变化的流速、浓度和压差等数据之间又相互关联。

这些数据是进一步研究管道输送机理，完善输送理论，建立输送理论模型等研究工作的基础，而现场测试数据只有经过科学的方法处理后才可以有效利用，例如，多年来，国内外相关领域的专家和学者，针对管道水力输送的摩阻损失及临界流速问题，开展了大量的测试和研究，早期研究多是从宏观层面出发，基于一定的理论假定以及室内小管径管道输送试验或现场中小管径管道输送测试结果，建立了大量经验性或半经验半理论计算模型，在疏浚界及相关领域，以Durand、Newitt、Wasp、费祥俊、王绍周等研究成果为代表。这些计算模型用于现代大管径管道、高浓度输送、粗颗粒或复杂土质工况下疏浚输送系统性能分析计算，可能存在较大的偏差。合理处理后的现场数据可以较好的修正优化这些经验模型，乃至于提出更合理的计算模型。

综上，有必要提出一种科学可行的现场输送数据的处理方法。考虑到浓度传感器价格昂贵，在水面管线上布置和安装较困难，因此，通过大量的实物浓度传感器布设来采集有效数据的成本和难度都很大，不易推广和工程应用。

发明内容

针对上述问题，本发明的目的是公开一套数据处理方法，通过该方法可以得到基础管道数据，以有效代替密布实物浓度传感器方式获得基础管道数据，用于工程应用及疏浚管道特性研究。本发明考虑采用按流速、浓度大小，分类平均的处理方法，首先，对实测流速、浓度、压力数据进行前处理，然后结合管线及测点布置情况，在合理假设下推演得到测试管段的实时浓度数据。随后，将测试工况数据组合(流速、浓度以及压差)按照流速、浓度进行分类排序，并按一定数量(一般不低于500个数据组合)进行划分。最后，取划分后各数据组的平均值，形成最终的测试工况数据组。通过以上处理方式，可以得到实际施工较广泛流速及浓度分布下的测试结果，并通过平均降低少数数据测试偏差及各类异常情况导致的测试结果偏离。进一步应用，即对该数据和方法进行应用，其可用于研究管道输送机理，完善输送理论，建立输送理论模型等工作。

为实现上述目的，本发明需要保护的下技术方案：

概括的技术方案：

一种长距离管道输送现场疏浚输送系统数据处理方法，所述数据包括流速数据、压力数据、浓度数据；所述流速数据、压力数据通过已有方法获得，其特征在于，首先，选取整个输送管道的起始点作为监测点，获得该监测点的泥沙流体流速值视为其下游整个管道(包括待测目标管段)同时刻共同的流速值，获得该监测点处的浓度值，将监测点随时间变化的浓度值推演出任意时刻整个输送管道上的浓度分布，为目标管段压差进行匹配，构建数据组；接着，清洗数据组；接着，将数据组作为二维空间数据，按其大小分别排序、分组、取平均，弱化数据的集中性。经本发明方法处理后的数据组具代表性和真实性，为后续研究提供了可靠的工程数据。

与现有技术相比，本发明的创新与优点在于：建立了一种长距离管道输送现场数据处理方法及其应用，可以按流速、浓度的大小对数据分类平均，形成最终的测试工况数据组，可以得到实际施工较广泛流速及浓度分布下的测试结果，并通过平均降低少数数据测试偏差及各类异常情况导致的测试结果偏离；可以用于研究管道输送机理，完善输送理论，建立输送理论模型等工作，例如研究不同的摩阻经验公式与该输送工程的匹配性，并对其进行修正优化乃至提出新的计算公式，其在相关计算中可以提供更准确的计算结果，具有切实的工程意义。

附图说明

图1所示为长距离管道输送现场数据处理与经验公式修正方法流程图；

图2所示为某时刻管道上的浓度分布图；

图3所示为数据分类二维示意图；

图4所示为某钢制管段常用公式计算摩阻损失与实测值对比图；

图5所示为某钢制管段新型公式计算摩阻损失与实测值对比图。

具体实施方式

为能进一步了解本发明的发明内容、特点及功效，兹以某绞吸挖泥船某施工工况为实施例，并配合附图对本发明作如下详细说明：

该方法不限于本实施例中的绞吸挖泥船管道输送，也适用于其他多泵-管道固液两相流的输送过程。在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其他方式来实施，因此本发明的保护范围并不受下面公开的具体实施例的限制；

本发明提出一种长距离管道输送现场数据处理方法及其应用，流程图如图1所示，本实施例所用工程工况是绞吸挖泥船管道输送，具体包含以下步骤：

S1：长距离管道输送施工数据采集，提供给S2：

S1-1：采集管道输送静态数据，即在某时间段内，不随时间变化的数据，这些数据往往在工程施工短期内不会变化，例如输送管道长度、直径、类型、粗糙度，输送泥沙粒径、容重，以及挖深、高程等，这些数据在下文的数据处理和应用实例中会使用到；

S1-2：采集管道输送动态数据，即随时间实时变化的数据，主要包括输送起始点浓度、流速、测试目标段管道压力，这三个物理量同时也是疏浚工程中长距离管道输送的最主要物理量，是进行分析研究的关键参数。下文主要就是针对动态数据进行处理、分析。在研究管道输送问题时，单个管道截面上的压力意义不大，往往需要分析流体流经一段管道后，压力损失程度，也就是这段管道的首尾压力差，因此在实际测量中，测量了这段管道(测试目标段)起始和结束位置上的的绝对压力值。

S2：长距离管道输送数据前处理，主要是针对上述动态数据进行处理：

S2-1：流速数据的前处理，通过颜色示踪法获取流速准确值，并对流速传感器进行标定；在施工作业中，绞吸挖泥船上的信号采集时存在个别时刻或个别极短时段数据丢失的情况，而数据变化往往不是突变的，所以可以通过前后时刻测量的数据进行修正；

S2-2：浓度数据的前处理。同理，首先需对丢失的浓度数据进行修正，其次，将传感器测量的湿方浓度(也称船显浓度)换算为颗粒体积浓度；

所述湿方浓度：这是疏浚工程中管道输送方面的专业术语；挖泥船挖土时，原状土是松散的，这时直接测量的浓度为湿方浓度，其值比颗粒体积浓度偏大。

S2-3：压力数据的前处理。计算测量目标段起始位置和结束位置的压力差，并将缺失或明显错误的数据记为NaN；

S2-4：时钟匹配。所安装传感器的时间由于各种原因，有时显示记录的时间不一致，需进行时钟匹配。

S3：浓度分布的推演计算：

现场测量不可能在整个管道上都安装浓度计，其成本和安装难度很大，并不现实，因此，工程中往往选择在船甲板的某段适宜管道上进行浆体浓度测量和流量测量，流量在整个管道各个截面上基本是一致的，但受挖泥船作业方式和水下地形、土质条件等众多因素影响，浓度变化却比较复杂，其在整个管道内的分布也很不均匀，需要将船上单个测量点获得的浓度推演到在整个输送管道的空间分布上来，获得整个管道的浓度分布。

工程上为了安全，往往将浆体流速控制在高于临界流速的范围内，以减少泥沙沉积和防止堵管。因此，本发明假设浆体在输送过程中，其浓度值不随空间位置的改变而改变。以某一时刻管道吸口处的浆体微元为例进行说明，该浆体微元的颗粒体积浓度为C_vd，由于浆体流速V随时间是变化的，可以认为是时间t的函数，因此具有浓度值为C_vd的浆体微元不同时间内移动的距离并不同，Δt时间后，该浆体位于距起始点x处，可表示为：

x＝∫_t ^t+ΔtV dt (1)

对于该浆体微元，通过积分可以计算出其任意时刻距起始点的距离，同理，对于任意浆体微元，都可以通过该积分方法计算其移动距离，如此，便可以获得整个管道上任意时刻浆体的浓度分布，用于提供给步骤S4。本发明将时间以秒为单位进行离散化，追踪每一时刻，每一浓度值及其在管道上的位移距离。因此，追踪的各个浓度值之间的间隔距离是不同的，两浓度间的间隔长度上的浓度通过插值获得。本发明以浓度、流速测量位置为管道起始零点，以该点测量的浓度、流速测量值为基础，依次推算整个管道在不同时刻的浓度分布。本实施例选取了某25000s内的数据进行分析，以该时段第14000s时刻为例，推算的浓度分布结果如图3所示。

S4：计算目标管段的平均浓度

在S3中已经计算得到了不同时刻整个管道上的浓度分布，目标管段是整个管道的中的一小段，由于数据是离散化的，需通过数值积分方法来计算目标管段的浓度平均值。如此，便可以计算得到所有时刻，该目标管段上对应的平均浓度

值得注意的是，本实施例所研究的目标管段在任意时刻，该管段上的平均浓度

和泥浆流速V、管道首尾压差P三个物理量构成一个数据组

数据组内的数据是相互关联，一一对应的(下文中的数据处理都是对数据组进行的)。

S5：获取(流速-平均浓度-压差)一一对应的数据组集α，由S6进一步处理：

将S4中目标管段上计算出来的所有时刻平均浓度

与每一时刻对应的流速V，压差P组成的数据组集合到一起，构成一个数据组集合α，设α有n个数据组，则可以表示为

S6：数据筛选和剔除：

在S5中所获得的数据组并不是完全理想的数据组，存在很多“问题数据”，会影响后续研究，需要结合实际工况、数据采集特性、数据组内数据相关性、相关理论知识等对获得的数据组进行甄别和筛选，数据组内的任何一个数据存在问题，或数据组内数据间存在矛盾，都需要将整个数据组从数据组集合中剔除，剔除后的数据组集合为β，设m个数据组，则

现场测量的数据可能存在各种各样的问题，筛选并剔除掉这些问题数据，可以提高数据的准确性和有效性。以下对“问题数据”进行举例说明：

对于浓度小、压差大的数据组，疏浚船的绞刀头横向摆动作业，当摆动到边缘时需进行掉头，此时不再切削土体，浓度很小，甚至很多数据接近零，其对应的压差值也应当很小，但有时候测得的压差依然不小，这是由于传感器信号问题，工程中采集的数据不会瞬时变小；

对于浓度很大、压差正常的数据组，浓度计有量程限制，当实际浓度超过浓度计最大量程时，浓度计只记录为最大值，这时压差测量却是准确的，这也是一种“问题数据”；

在之前的计算过程中有部分压差数据置为NaN，是问题数据，在这一环节中也要将其对应的数据组剔除掉。

S7：数据后处理：

常规现场测试数据多采用按时段平均(比如1小时、1天等)的处理方案，使得处理后的数据在流速和浓度分布上趋于集中，不能有效地反映实际输送特性。

本发明应对策略：对流速、浓度进行排序和分类，并对同类内的数据分别取平均，弱化数据误差，弱化数据集中性，使得处理后的新数据组更具代表性和真实性，为后续研究提供了可靠的工程数据。

具体处理方法如下：

S7-1：将数据组集合β内的m个数据组，按数据组中的速度大小进行排序，并保持其余两个物理量与速度的对应关系，排序后，以每i个数据为一大类，依次分类，提供给步骤S7-2；

S7-2：在每个大类内，再将数据组按数据组中浓度的大小来排序，以每j个数据组为一小类，依次分类，提供给步骤S7-3；

S7-3：这样，庞大的数据组就以速度为横坐标，浓度为纵坐标被分割在二维空间内，为便于理解，绘制图3进行说明：

假设集合β内有98000个数据组，按速度排序后，从小到大，每7000个数据组为一大类，则总共有14个大类，在图3的坐标空间内被分成了14纵栏，由于实际施工中，浆体流速更集中的分布于5m/s的流速附近，所以流速靠近5m/s的类对应的速度变化范围小；同理，对同一大类中的数据组，按浓度排序后，从小到大，每500个数据组为一小类，则同一大类中又总共有14个小类，在图3的空间内又被分成了14横栏，纵栏和横栏就将98000个数据组分在了196个小类中，也就是说，图3中每一个格子相当于一个小类，每一个小类中都有500个数据组，我们认为这一小类中的数据组具有相似的特性，反映的是相似的物理现象。接着，对同一类中的数据组取平均，也就是对流速、管道平均浓度和管道首尾压差三个物理量分别取平均，可以得到一个处理后的新数据组

S7-4：将这些数据组合并到一个集合γ里，作为最后的数据组集合，设γ有k个数据组，则可以表示为

综上，本发明技术方案原理：通过数学手段，选个某个监测点，将监测点随时间变化的浓度值推演出任意时刻整个输送管道上的浓度分布，为目标管段的压差匹配提供便利，构建数据组；根据疏浚船施工特性和相关理论，分析甄别出存在的“问题数据”，对数据组进行清洗，提高了最终数据组的可靠性；首次提出将数据作为二维空间数据，按其大小分别排序、分组、取平均，弱化了数据的集中性，使得处理后的新数据组更具代表性和真实性，为后续研究提供了可靠的工程数据。值得注意的是，本发明技术方案处理方法对处理流程要求严格，不能颠倒顺序，例如在浓度推演时，需要用到连续时刻记录的浓度、流速数据，因而即便存在“问题数据”，也不能在该流程中进行剔除，这是一个环环相扣的、一套完整的数据处理方法，抛开其中任一环节，都会对最终数据组的可靠性造成影响。

实施例2

本实施例2基于实施例1进行数据分析及应用，视为S8：

由步骤S7提供来的数据可以应用到管道输送机理的研究，输送理论的完善，输送理论模型的建立等工作。

在本实施例中，以建立新型摩阻计算公式为应用实例进行说明。关于摩阻计算，研究者大多都是基于一定的理论假定以及室内小管径管道输送试验或现场中小管径管道输送测试结果，建立经验性或半经验半理论计算模型，在疏浚界及相关领域，以Durand、Newitt、Wasp、费祥俊、王绍周等研究成果为代表。这些计算模型用于现代大管径管道、高浓度输送、粗颗粒或复杂土质工况下疏浚输送系统性能分析计算，可能存在较大的偏差。而经过合理处理后的现场数据可以较好的修正优化这些经验模型，乃至于提出更合理的计算模型，这正是本实施例所要解决的主要问题。

本实施例首先将Durand公式、Jufin公式和费祥俊公式三个摩阻经验公式应用在该输送工程中进行摩阻计算，如图4所示，横坐标是S1-S7获取的现场数据，即实测值，纵坐标是通过经验公式计算的理论值，这些散点越接近中间的直线，表示理论计算值与现场实测值匹配度越高，显然，这些经验公式计算结果与该工程的匹配度较差。如果能对其进行修正、优化，乃至提出新的计算公式，便可在相关计算中提供更准确的计算结果，这具有切实的工程意义。为此，本发明做了如下处理：

现有的费祥俊公式，把摩阻分为载体摩阻和底床摩阻两部分。

式(2)中，I_m为输送浆体摩阻损失(mH₂O/m)；α为与浆体相对粘滞系数有关的修正系数；λ为输送清水时的管道沿程阻力系数；V为输送流速(m/s)；g为重力加速度(m/s²)；D为管道内径(m)；γ_m为浆体的容重(t/m³)；γ_w是输送介质容重，本实施例主要是海水，取1.025t/m³；γ_s是输送固体物料容重，本实施例所用工况主要是中粗砂，取2.65t/m³；K_m为试验系数；μ_s为摩擦系数，一般取0.44；C_vd为浆体中固体颗粒体积浓度，V_c为临界流速(m/s)，选用规范公式(JTS 181-5-2012)进行计算；V_ss为泥沙颗粒沉速该工况中，该实施例工况中，输送介质为中粗砂，经测试，其中值粒径d₅₀为0.7mm，本实施例选用武水公式进行计算，见公式(3)。

式中，ν为流体动力粘滞系数，取10⁶m²/s.

本领域皆知，费祥俊公式比较适用于存在薄层底床状态的固液两相流管道输送，当流速偏高、不存在底床情况时，可能存在较大偏差。为此，本发明考虑从流动形态的角度对费祥俊公式进行改进，即以是否存在底床作为临界条件，低于该临界条件时，采用现有费祥俊公式；高于该临界条件时，载体摩阻不变，底床摩阻趋于消失。基于以上考虑，建立如下修正的费祥俊公式：

式中，V_c为浆体临界流速(m/s)，这里选用规范公式(JTS 181-5-2012)：

V_c＝(90C_vd)^1/3·g^1/4·D^1/2·ω^1/2·d₅₀ ^-1/4 (4)

将S7获得的数据组集合

带入公式(3)中，对系数Km进行拟合，将拟合修正后的公式计算结果绘成图5，图中，该修正公式计算的摩阻损失值与实测值在大部分工况下符合较好，整体偏差在±15％以内，仅在较小值区域与实测值有较大偏差。通过与图4中经验公式(Durand公式、Jufin公式、原费祥俊公式等)计算结果相比，可以发现修正后的公式(3)具有更高的计算精度。该修正公式虽是基于原费祥俊经验公式进行的改进，但原理有所变化，公式结构变化明显，计算结果匹配性良好，可以认为是一种新公式。那么，在实际施工中，遇到类似工况时，可以使用该公式计算输送管道摩阻值，指导现场作业，这具有较高的应用价值。

Claims (1)

1.一种长距离管道输送现场疏浚输送系统数据处理方法，所述数据包括流速数据、压力数据、浓度数据；所述流速数据、压力数据通过已有方法获得，其特征在于，首先，选取整个输送管道的起始点作为监测点，获得该监测点的泥沙流体流速值视为其下游包括待测目标管段的整个管道同时刻共同的流速值，获得该监测点处的浓度值，将监测点随时间变化的浓度值推演出任意时刻整个输送管道上的浓度分布，为目标管段压差进行匹配，构建数据组；接着，清洗数据组；接着，将数据组作为二维空间数据，按其大小分别排序、分组、取平均，弱化数据的集中性；

具体包含以下步骤：

S1：长距离管道输送施工数据采集，提供给S2；包括输送起始点浓度数据、流速数据、测试目标段管道压力数据三类动态数据；

S2：对长距离管道输送的动态数据前处理，以及时钟匹配，提供给S3；

S3：浓度分布的推演计算：

将浆体流速控制在高于临界流速的范围内，浆体在输送过程中，以某一时刻管道吸口处的浆体微元，该浆体微元的颗粒体积浓度为C_vd，浆体流速V随时间变化，是时间t的函数，具有浓度值为C_vd的浆体微元在不同时间对应不同的移动距离，因此Δt时间后，该浆体微元位于距起始点x处，表示为：

对于该浆体微元，通过积分计算出其任意时刻距起始点的距离，同理，对于任意浆体微元，通过积分方式计算其移动距离，如此，获得整个管道上任意时刻浆体的浓度分布，用于提供给步骤S4；以浓度、流速测量位置为管道起始零点，以该点测量的浓度、流速测量值为基础，依次推算整个管道在不同时刻的浓度分布；

S4：计算目标管段的平均浓度

在S3中计算得到了不同时刻整个管道上的浓度分布，通过数值积分来计算目标管段的浓度平均值,得到所有时刻该目标管段上对应的平均浓度

目标管段在任意时刻，将该管段上的平均浓度

和泥浆流速V、管道首尾压差P三个物理量构成一个数据组

数据组内的数据相互关联；

S5：获取流速-平均浓度-压差一一对应的数据组集α，提供S6；

将S4中目标管段上计算出来的所有时刻平均浓度

与每一时刻对应的流速V，压差P组成的数据组集合到一起，构成一个数据组集合α，设α有n个数据组，则表示为

S6：数据筛选和剔除，提供给S7：

在S5中所获得的数据组并不是完全理想的数据组，存在很多“问题数据”，会影响后续研究，需要结合实际工况、数据采集特性、数据组内数据相关性、相关理论知识等对获得的数据组进行甄别和筛选，数据组内的任何一个数据存在问题，或数据组内数据间存在矛盾，都需要将整个数据组从数据组集合中剔除，剔除后的数据组集合为β，设m个数据组，则

剔除浓度小、压差大的数据组，剔除浓度很大、压差正常的数据组；剔除预处理阶段压差数据置为NaN的数据；

S7：数据后处理：

对流速、浓度进行排序和分类，并对同类内的数据分别取平均，弱化数据误差，弱化数据集中性；具体处理方法如下：

S7-1：将数据组集合β内的m个数据组，按数据组中的速度大小进行排序，并保持其余两个物理量与速度的对应关系，排序后，以每i个数据为一大类，依次分类，提供给步骤S7-2；

S7-2：在每个大类内，再将数据组按数据组中浓度的大小来排序，以每j个数据组为一小类，依次分类，提供给步骤S7-3；

S7-3：将数据组以速度为横坐标，浓度为纵坐标分割在二维空间内；

集合β内的数据组，按速度排序后，从小到大，将数据组分为大类；同理，对同一大类中的数据组，按浓度排序后，从小到大，再进一步分小类，则同一大类中又总共有多个小类；接着，对同一类中的数据组取平均，也就是对流速、管道平均浓度和管道首尾压差三个物理量分别取平均，得到一个处理后的新数据组

S7-4：将这些数据组合并到一个集合γ里，作为最后的数据组集合，设γ有k个数据组，则表示为

Images