CN114741815A - 一种基于数字孪生的海底石油管道健康管理方法 - Google Patents
一种基于数字孪生的海底石油管道健康管理方法 Download PDFInfo
- Publication number
- CN114741815A CN114741815A CN202210478100.XA CN202210478100A CN114741815A CN 114741815 A CN114741815 A CN 114741815A CN 202210478100 A CN202210478100 A CN 202210478100A CN 114741815 A CN114741815 A CN 114741815A
- Authority
- CN
- China
- Prior art keywords
- petroleum pipeline
- submarine
- model
- data
- pipeline
- 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.)
- Withdrawn
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
- F17D—PIPE-LINE SYSTEMS; PIPE-LINES
- F17D5/00—Protection or supervision of installations
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
- F17D—PIPE-LINE SYSTEMS; PIPE-LINES
- F17D5/00—Protection or supervision of installations
- F17D5/02—Preventing, monitoring, or locating loss
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/14—Pipes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Mechanical Engineering (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于数字孪生的海底石油管道健康管理方法,包括海底石油管道数字孪生体建模及模型在线更新模型与基于数字孪生的海底石油管道健康度退化预测模型。本发明通过海底管道关内巡检机器人系统获得海底管道的运行环境数据并上传至云端,通过云端运行的海底管道健康管理数字孪生模型和基于排产数据和石油管道运行环境历史数据的机器学习预测模型,实现对海底石油管道的长时健康状态预测,可有助于提高海底石油管道健康管理的智能化水平,形成完善的海底石油管道全生命周期管理体系,从而建立对应完善的运行维护计划,消除生产安全隐患,具有常驻无人作业能力,能够提供高可靠度海底石油管道健康管理能力。
Description
技术领域
本发明涉及数字孪生技术领域,具体为一种基于数字孪生的海底石油管道健康管理方法。
背景技术
目前,我国海底管道的管理体系建设相对落后于海洋工程技术的发展,尚未建立起完善的海底管道全生命周期管理体系,有些管道自投产后未能建立对应完善的运行维护计划,存在巨大的生产安全隐患,现有石油管道的健康状态管理主要通过两种方式实现:第一类方法通过固定的压力、流量、黏度传感器获得石油管道的环境参数,再通过软测量获得石油管道的健康状态,然而,由于固定式传感器只能检测多个点位数据,难以获得管道所有位置的状态数据,因此此类方法的建模精度不高,难以形成可靠的全景化管道健康评估;另一类方法是通过检测球定期检测石油管道的运行状态数据,然而,由于检测球检测方法无法实现全周期状态检测,同时,检测球存在堵塞管道的风险,对海底石油管道的适应度较差。
目前,海底石油管道的管理模式较为落后,尚未建立完善的日常化、智能化、无人值守的海底石油管道健康管理和维护系统,由于当海底石油管道出现破裂等故障时需采用作业船拆装作业方式进行维护作业,因此其维护成本高、维护周期长、经济损失大,为此,我们提出了一种基于数字孪生的海底石油管道健康管理方法。
发明内容
本发明要解决的技术问题是克服现有的缺陷,提供一种基于数字孪生的海底石油管道健康管理方法,可以有效解决背景技术中的问题。
为实现上述目的,本发明提供如下技术方案:一种基于数字孪生的海底石油管道健康管理方法,包括海底石油管道数字孪生体建模及模型在线更新模型与基于数字孪生的海底石油管道健康度退化预测模型;
该一种基于数字孪生的海底石油管道健康管理方法包括以下步骤:
步骤一,海底石油管道数字孪生体建模及模型在线更新模型:根据海底石油管道历史沉积状态数据、海底石油管道历史管壁损伤状态数据、历史排产数据、管道健康度历史数据,建立深度神经网络模型,形成海底石油管道健康状态数字孪生体,采用误差反馈机制,在线自适应更新模型参数;
步骤二,基于数字孪生的海底石油管道健康度退化预测模型:首先,海底石油管道内巡检机器人采用机载三维成像声纳传感器、IMU、编码器、超声波探伤仪获得海底石油管道环境参数,并上载至云服务器,之后,云平台通过三维成像声纳传感器、IMU、编码器三个传感器数据建立海底石油管道沉积三维模型,并经SVM机器学习模型获得当前海底石油管道沉积状态评估结果;通过超声波探伤仪数据,经SVM机器学习模型获得当前海底石油管道管壁损伤状态评估结果,另外,云平台根据当前石油管道沉积状态,采用LSTM模型预测未来长时沉积变化过程,采用LSTM模型预测未来长时管壁损伤变换过程;最后,基于长时沉积状态预测数据、长时管壁损伤状态预测数据、排产数据,获得海底石油管道健康度退化预测结果。
优选的,所述步骤二中油管道巡检机器人机载传感器为三维成像声纳、超声波探伤仪、压力传感器、温度传感器、IMU、编码器。
优选的,所述步骤二中建立机器学习模型为第一个SVM机器学习模型通过前述沉积物建模结果估计管道堵塞状态;第二个SVM机器学习模型通过超声波探伤数估计石油管道管壁的破损状态;第三个极限学习机模型根据历史传感器检测数据预测未来长时检测数据。
与现有技术相比,本发明的有益效果是:
本发明通过海底管道关内巡检机器人系统获得海底管道的运行环境数据并上传至云端,通过云端运行的海底管道健康管理数字孪生模型和基于排产数据和石油管道运行环境历史数据的机器学习预测模型,实现对海底石油管道的长时健康状态预测,可有助于提高海底石油管道健康管理的智能化水平,形成完善的海底石油管道全生命周期管理体系,从而建立对应完善的运行维护计划,消除生产安全隐患,与以往的海底石油管道健康管理方法相比,本专利提出的基于数字孪生的海底石油管道健康管理方法具有常驻无人作业能力,能够提供高可靠度海底石油管道健康管理能力。
附图说明
图1为本发明一种基于数字孪生的海底石油管道健康管理方法中海底石油管道数字孪生体建模及在线更新策略示意图;
图2为本发明一种基于数字孪生的海底石油管道健康管理方法中基于数字孪生的海底石油管道健康度退化预测方法的流程图。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,下面结合具体实施方式,进一步阐述本发明。
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
一种基于数字孪生的海底石油管道健康管理方法主要包含两个部分:海底石油管道数字孪生体建模及模型在线更新模型;基于数字孪生的海底石油管道健康度退化预测模型;
海底石油管道数字孪生体建模及模型在线更新模型如附图1所示,根据海底石油管道历史沉积状态数据、海底石油管道历史管壁损伤状态数据、历史排产数据、管道健康度历史数据,建立深度神经网络模型,形成海底石油管道健康状态数字孪生体,采用误差反馈机制,在线自适应更新模型参数。
基于数字孪生的海底石油管道健康度退化预测模型如附图2所示,首先,海底石油管道内巡检机器人采用机载三维成像声纳传感器、IMU、编码器、超声波探伤仪获得海底石油管道环境参数,并上载至云服务器,之后,云平台通过三维成像声纳传感器、IMU、编码器三个传感器数据建立海底石油管道沉积三维模型,并经SVM机器学习模型获得当前海底石油管道沉积状态评估结果;通过超声波探伤仪数据,经SVM机器学习模型获得当前海底石油管道管壁损伤状态评估结果,另外,云平台根据当前石油管道沉积状态,采用LSTM模型预测未来长时沉积变化过程,采用LSTM模型预测未来长时管壁损伤变换过程;最后,基于长时沉积状态预测数据、长时管壁损伤状态预测数据、排产数据,获得海底石油管道健康度退化预测结果。
本发明首先,通过石油管道巡检机器人及机载传感器(三维成像声纳、超声波探伤仪、压力传感器、温度传感器、IMU、编码器)采集石油管道内环境数据,并上载至云端平台;其次,在云端通过三维成像声纳数据、IMU、编码器的数据融合,建立管道沉积物模型;第三,在云端建立三个机器学习模型:第一个SVM机器学习模型通过前述沉积物建模结果估计管道堵塞状态;第二个SVM机器学习模型通过超声波探伤数估计石油管道管壁的破损状态;第三个极限学习机模型根据历史传感器检测数据预测未来长时检测数据;第四,在云端建立石油管道健康状态数字孪生模型,根据前置管道堵塞状态检测器检测结果、石油管道管壁破损状态检测器检测结果、长时预测结果,评估石油管道的整体健康状态和健康状态退化曲线。
本发明通过海底管道关内巡检机器人系统获得海底管道的运行环境数据并上传至云端,通过云端运行的海底管道健康管理数字孪生模型和基于排产数据和石油管道运行环境历史数据的机器学习预测模型,实现对海底石油管道的长时健康状态预测,可有助于提高海底石油管道健康管理的智能化水平,形成完善的海底石油管道全生命周期管理体系,从而建立对应完善的运行维护计划,消除生产安全隐患,与以往的海底石油管道健康管理方法相比,本专利提出的基于数字孪生的海底石油管道健康管理方法具有常驻无人作业能力,能够提供高可靠度海底石油管道健康管理能力。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (3)
1.一种基于数字孪生的海底石油管道健康管理方法,包括海底石油管道数字孪生体建模及模型在线更新模型与基于数字孪生的海底石油管道健康度退化预测模型;
该一种基于数字孪生的海底石油管道健康管理方法包括以下步骤:
步骤一,海底石油管道数字孪生体建模及模型在线更新模型:根据海底石油管道历史沉积状态数据、海底石油管道历史管壁损伤状态数据、历史排产数据、管道健康度历史数据,建立深度神经网络模型,形成海底石油管道健康状态数字孪生体,采用误差反馈机制,在线自适应更新模型参数;
步骤二,基于数字孪生的海底石油管道健康度退化预测模型:首先,海底石油管道内巡检机器人采用机载三维成像声纳传感器、IMU、编码器、超声波探伤仪获得海底石油管道环境参数,并上载至云服务器,之后,云平台通过三维成像声纳传感器、IMU、编码器三个传感器数据建立海底石油管道沉积三维模型,并经SVM机器学习模型获得当前海底石油管道沉积状态评估结果;通过超声波探伤仪数据,经SVM机器学习模型获得当前海底石油管道管壁损伤状态评估结果,另外,云平台根据当前石油管道沉积状态,采用LSTM模型预测未来长时沉积变化过程,采用LSTM模型预测未来长时管壁损伤变换过程;最后,基于长时沉积状态预测数据、长时管壁损伤状态预测数据、排产数据,获得海底石油管道健康度退化预测结果。
2.根据权利要求1所述的一种基于数字孪生的海底石油管道健康管理方法,其特征在于,所述步骤二中油管道巡检机器人机载传感器为三维成像声纳、超声波探伤仪、压力传感器、温度传感器、IMU、编码器。
3.根据权利要求1所述的一种基于数字孪生的海底石油管道健康管理方法,其特征在于,所述步骤二中建立机器学习模型为第一个SVM机器学习模型通过前述沉积物建模结果估计管道堵塞状态;第二个SVM机器学习模型通过超声波探伤数估计石油管道管壁的破损状态;第三个极限学习机模型根据历史传感器检测数据预测未来长时检测数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210478100.XA CN114741815A (zh) | 2022-04-29 | 2022-04-29 | 一种基于数字孪生的海底石油管道健康管理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210478100.XA CN114741815A (zh) | 2022-04-29 | 2022-04-29 | 一种基于数字孪生的海底石油管道健康管理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114741815A true CN114741815A (zh) | 2022-07-12 |
Family
ID=82285795
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210478100.XA Withdrawn CN114741815A (zh) | 2022-04-29 | 2022-04-29 | 一种基于数字孪生的海底石油管道健康管理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114741815A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116382100A (zh) * | 2023-06-05 | 2023-07-04 | 中特检管道工程(北京)有限公司 | 一种油气管道检测控制系统及控制方法 |
CN117314203A (zh) * | 2023-11-29 | 2023-12-29 | 南京信息工程大学 | 一种浒苔预测防治方法、装置、系统及存储介质 |
CN118092209A (zh) * | 2023-10-20 | 2024-05-28 | 深圳市佳辰信息工程有限公司 | 基于数字孪生的海洋石油运输的管道控制系统及控制方法 |
-
2022
- 2022-04-29 CN CN202210478100.XA patent/CN114741815A/zh not_active Withdrawn
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116382100A (zh) * | 2023-06-05 | 2023-07-04 | 中特检管道工程(北京)有限公司 | 一种油气管道检测控制系统及控制方法 |
CN116382100B (zh) * | 2023-06-05 | 2023-08-01 | 中特检管道工程(北京)有限公司 | 一种油气管道检测控制系统及控制方法 |
CN118092209A (zh) * | 2023-10-20 | 2024-05-28 | 深圳市佳辰信息工程有限公司 | 基于数字孪生的海洋石油运输的管道控制系统及控制方法 |
CN117314203A (zh) * | 2023-11-29 | 2023-12-29 | 南京信息工程大学 | 一种浒苔预测防治方法、装置、系统及存储介质 |
CN117314203B (zh) * | 2023-11-29 | 2024-03-15 | 南京信息工程大学 | 一种浒苔预测防治方法、装置、系统及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114741815A (zh) | 一种基于数字孪生的海底石油管道健康管理方法 | |
CN111967189B (zh) | 数字孪生驱动的海洋石油水下生产系统故障诊断方法及系统 | |
WO2022198899A1 (zh) | 一种海底电缆故障诊断方法、装置及设备 | |
CN111425768B (zh) | 一种输油管道漏油点与漏油速率的探测方法 | |
CN111699379B (zh) | 用于管道的智能数据采集系统和方法 | |
CN112001545A (zh) | 数字孪生驱动的海洋石油水下生产系统故障预测方法及系统 | |
CN113305645B (zh) | 一种基于混合神经模型的数控机床刀具剩余寿命预测方法 | |
CN113705095B (zh) | 一种循环水泵数字孪生建模方法 | |
AU2020102863A4 (en) | Digital-twin-driven fault prognosis method and system for subsea production system of offshore oil | |
CN109407682B (zh) | 基于图像特征深度强化学习的auv管道循管方法 | |
CN116482227B (zh) | 一种管道腐蚀监测方法、装置及系统 | |
CN113435660B (zh) | 融合卡尔曼滤波和贝叶斯网络的水下采油树重预测方法 | |
Yang et al. | Survey and study on intelligent monitoring and health management for large civil structure | |
AU2021105665A4 (en) | Remaining useful life prediction method and system of subsea christmas tree system based on digital twin | |
CN108089560A (zh) | 一种闸门和启闭机实时在线监测及运行安全管理系统及其实现方法 | |
CN116449717B (zh) | 一种基于数字孪生的挤压机减速箱状态监控系统 | |
CN112431726A (zh) | 一种风电机组齿轮箱轴承状态监测方法 | |
CN116931448A (zh) | 一种基于数字孪生的智能船状态监测和控制系统 | |
CN117740072B (zh) | 一种基于多传感器的水浸感应方法 | |
Tang et al. | Sensing technologies and artificial intelligence for subsea power cable asset management | |
CN117807877A (zh) | 基于数字孪生的管道检测系统和系统构建方法及检测方法 | |
CN113627780A (zh) | 基于深水浮式平台状态监测与评估的一体化数字孪生系统 | |
Li et al. | Research on digital twin and collaborative cloud and edge computing applied in operations and maintenance in wind turbines of wind power farm | |
CN116754022A (zh) | 电缆隧道的在线检测应急预警方法及系统 | |
CN113803647B (zh) | 一种基于知识特征与混合模型融合的管道泄漏检测方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220712 |
|
WW01 | Invention patent application withdrawn after publication |