一、混合建模方法在油气管网中的应用
1应用实例
1.1输油管道
成品油管道实时流量现场测量传感器存在仪表成本高、安装难度大等问题，运用现有机理模型构建的软测量器，输入边界条件易受噪声干扰，模型计算精度不佳；基于数据驱动模型构建的软测量器的预测精度则受制于训练样本的覆盖范围。因此，提出了融合机理与数据驱动的混合建模方法：基于已有机理模型建立以摩擦因数为自适应参数的状态方程，串联数据驱动模型求解多目标优化问题，从而估算得出摩擦因数。将各模型应用于某实际运行的成品油管道时，发现机理模型预测结果精度偏低，当管道运行条件偏离训练样本有效范围时，数据驱动模型预测结果难以匹配实际情况，而混合模型实现了成品油管道输送流量的高精度实时测量。针对成品油管道顺序输送所产生的混油现象，主要采用Austin-Palfrey公式计算混油段长度，其计算精度有待提升。直接基于已有样本构建的数据驱动模型在预测未知管道样本时出现严重偏差，且预测结果极易受到异常样本的影响，模型泛化推广能力、鲁棒性欠佳。为克服上述局限性，将原始数据重构为现有公式中的表达形式以获取更具代表性的高质量特征，融合数据驱动模型构建串联混合模型。结果表明，当混合模型面临未知样本时，仍能表现出良好的预测能力，且模型对异常样本较为鲁棒，证明深度融合机理与数据驱动是扩展预测模型适用性的关键。管道腐蚀穿孔受管内流动工况、运输介质物性、管外杂散电流干扰、第三方破坏以及管材钢级等多因素耦合作用，考虑全部影响因素构建机理模型难度较大。采用有限元分析方法获得部分海底管道腐蚀样本，基于深度学习算法寻求管道失效内压的影响因素与管道等效应力之间的映射关系，并搭建相应的数据驱动代理模型。结果表明，混合建模方法可有效评价腐蚀管道后续承载能力及服役状态，同时提升计算速度。由于认知不充分，分析求解过程存在简化，负压波、泄漏声波等管道泄漏检测方法的检测结果与管网实际泄漏数据偏差较大。基于管道上下游泄漏负压波同源的特点，采用数据驱动模型寻求区分不同过程模态的关键信息，并建立样本相似度评价准则。对于待预测新样本，根据相似度评价机制确定上下游信号的时间差，结合已有物理方程构建了局部预测模型，提高了管网故障工况识别与定位能力。
1.2输气管道
通过设定管道尺寸与流动介质物性参数，数值计算方法可创建模拟流场，并分析各类假定的泄漏情况。天然气管道泄漏属于瞬态工况，对于复杂管道网络结构，其数值计算负担较大、响应时间长，难以满足现场低延迟的需求。基于质量、动量、能量守恒方程及流体状态方程构建天然气管道内流体流动模型，并根据细密网格模拟、计算泄漏量及泄漏点位置对流体速度分布的影响，将离线仿真结果作为样本训练数据驱动模型，最终实现了天然气管道泄漏工况的高精度预测。由于建模过程存在简化，基于机理研究的天然气网络瞬态物理模型的计算值与实际测量值存在偏差。在处理普遍存在噪声的低质量工业数据时，数据驱动模型易陷入过拟合误区。提出了一种融合机理与数据驱动的混合建模方法，基于等温欧拉方程与线性图论，将气体流动动力学、网络拓扑统一表示为线性图结构，并构建相应的状态空间模型，再结合数据驱动建模方法估计状态空间内部模型参数。混合建模方法能够有效保留物理方程中有价值的结构信息，并利用测量数据提高参数计算的准确性。可见，混合模型能够有效表征输气管网中气体流动的瞬态行为，为提升管网瞬态参数测量精度提供了有力支撑。
2应用可行性
根据上述混合建模方法在油气管网领域的应用实例可见，灵活运用数据驱动建模方法表示非线性、多尺度等难以描述的过程，可以降低机理建模的复杂度，并优化模型参数的选择，提高机理模型的适应性。基于数据驱动建模时，引入物理模型提供训练样本或重构原始输入变量，能够提高模型泛化推广能力，避免模型预测性能失效。为深度发掘混合建模方法在油气管网领域的应用潜力，在上述应用场景与建模方法的基础上，充分发挥机理模型、数据驱动模型的优势，提出了以下3种融合机理与数据驱动的混合建模思路。
（1）基于瞬变流动工况机理模型扩充小样本。管道运行数据库中瞬变流动工况样本量相对较少，当采用数据驱动建模方法研究管道瞬态工况参数变化特点时，样本稀缺性易导致模型出现过度拟合。由于管道准稳态运行与瞬变流动具有相同的物理原理、控制方程，在准稳态运行模型的基础上增加瞬变流动边界条件，可以构建反映管道瞬变流动工况的数值计算模型。基于管道准稳态运行模型，结合准稳态运行数据反演关键参数，运用反演获得的相关自变量信息，进一步计算获得较为可靠的管道瞬变运行数据，有望支持瞬变运行工况数据的扩充，缓解数据驱动模型易陷入过拟合误区的困境。
（2）基于机理模型检测清洗异常样本。由于随机噪声污染或传输过程出现故障，异常样本广泛存在于工业数据集，并会恶化数据驱动模型性能。对于难以判断的异常样本，若直接归类为错误样本并选择丢弃，则可能导致重要信息的丢失，引起统计分析中的参数估计偏差。因此，引入机理模型计算结果作为监督信息，对照检测变量是否处于合理范围，并考虑接收或舍弃样本，实现错误信息的清除和关键信息的保留，从而增强数据驱动模型预测性能。
（3）融合机理先验信息与数据驱动模型描述变量不确定性。当测量仪器分辨率受限或现场测量存在困难时，部分过程参量难以准确获取精确值。基于概率机器学习算法搭建的数据驱动模型将过程参量视为具有随机性的变量，且概率数据驱动模型可提供预测变量置信区间以反映预测可靠程度，因此适用于分析并处理过程参量的不确定性。在概率机器学习框架中，运用现场样本反推关键变量的后验分布时，可以将机理模型含有的物理规律提炼为待求解变量的先验信息，优化先验分布中超参数的取值，提升后验估计精度。
二、结论及建议
混合建模由于兼顾了机理模型描述过程物理机制与数据驱动模型反映变化规律的优势，因此具有目的明确、结构合理的优点。混合模型在解决油气管网远程监控、负荷预测、调度管理、安全预警等方面前景可观，对实现油气管网智能化建设、保障系统安全稳定具有重要作用。
（1）油气管道瞬态工况下管输介质流动参数变化快，数据更迭频繁，表现出明显的多尺度特征，基于流体力学与传热学理论公式构建的机理模型难以实时高效求解管输介质复杂的流动过程。未来应深入研究管输介质流动机制及非线性跨尺度流动特征的解耦方法，形成内部流动与外部传热的工程化求解方案，建立适应不同计算时间尺度的多类型油气管道瞬态工况高效、紧凑机理模型。
（2）管网数据分析是多学科融合的跨领域复杂工程，工业现场采集的样本质量与机器学习算法性能决定着数据驱动模型的质量。未来应完善自动化数据采集、通信等软硬件设施，实现油气管网的多维度运行数据的实时高效采集。同时制定统一的标准，保存管理数据，并以实际业务场景与需求为驱动，整合高效的数据挖掘算法，加快人工智能技术与管道行业的深度融合。
（3）在混合建模的应用中，均是依赖学者针对各自研究的问题选择不同的机理知识与数据驱动联接形式，缺乏严格统一的建模架构标准及相应的数学证明。未来在研究拓宽机理模型与数据驱动模型耦合建模方法的同时，应重点关注混合建模方法有效性的证明及混合建模选择优化问题，建立更通用的机理-数据双驱动的混合建模策略，切实推进混合建模方法在油气储运领域的研究应用，保障管网高效安全运行。
参考文献：
[1]姜昌亮。石油天然气管网资产完整性管理思考与对策[J].油气储运，2021（5）：481-491.
[2]李柏松。国内外油气管道运行管理现状与智能化趋势[J].油气储运，2019（3）：241-250.
