数值模拟与无计量装置站点的双源天然气混合的热值预测模型

《Flow Measurement and Instrumentation》：Numerical Simulation and Heating Value Prediction Models of Dual-Source Natural Gas Mixing at Stations without Metering Devices

　　•通过数值模拟双源天然气混合过程，分析了热值的变化。•阐明了关键气体组分的不均匀混合机制，增强了物理理解。•为没有计量装置的站点开发了热值预测模型。•优化的神经网络模型显著提高了预测的准确性和鲁棒性。•所提出的方法为没有计量装置的站点提供了一种低成本且可靠的解决方案。

引言
包括潮汐能在内的可再生能源技术的快速发展反映了向多元化、低碳和可持续能源系统的转型[1]。在这一转型过程中，准确的能量计量和天然气基础设施的有效运行对于可靠的能源供应和公平的交易结算仍然非常重要。然而，在实际操作中，由于设备限制、建设成本或工艺布局约束，许多 gas 传输站无法安装在线色谱仪或其他计量装置，从而无法获得实时的热值数据。这些站点通常依赖上游气源数据来确定热值，但这些数据的准确性受到多种因素的影响，包括气源稳定性和管道混合均匀性，导致相当大的不确定性。
目前，国际上用于计量热值的方法主要分为两类：直接测量和间接测量。虽然直接测量具有高精度，但它涉及复杂的设备和高成本。间接测量方法，如在线色谱和变量分配，虽然被广泛使用，但在气体来源组成复杂和混合不均匀的情况下，误差较大。因此，开发一种不依赖计量装置且仅通过气体来源参数即可实现可靠热值预测的方法具有重要的工程应用价值。

计算流体动力学（CFD）模拟被用来表征主管道中的双源气体混合现象，揭示了其背后的非均匀混合机制。在此基础上，通过使用反向传播（BP）神经网络建立了一个热值预测模型。此外，引入了遗传算法（GA）和灰狼优化器（GWO）等元启发式算法来优化该模型，旨在提高其准确性和稳定性。目标是为没有计量装置的站点提供一种低成本且快速的热值分配解决方案。

天然气热值的准确预测是能量计量领域的一个活跃研究重点。随着全球天然气计量系统的逐渐建立和完善，在复杂操作条件下实现可靠且低成本的热值预测已成为学术界和工业界的共同关注点。特别是在多源气体混合和站点设备有限的实际情况中，传统计量方法面临诸多挑战，这使得开发新的预测模型具有重要的理论和工程意义。
在天然气热值计量和预测领域，来自不同国家的学者进行了大量研究，形成了多种技术方法。现有方法主要分为直接测量和间接测量两类。其中，间接方法由于严重依赖于现场设备并且在非均匀流动混合情况下误差较大，在没有计量装置的站点中的应用受到限制。将 CFD 与人工智能结合，促进了集成预测方法的发展，这种结合已经成为一个充满活力的研究领域，并持续产生新的进展。
在直接测量方面，国际上已经建立了一个相对完善的可追溯系统和标准设备。例如，德国和法国等国家已经实现了0级测量能力，不确定性低至0.05%（k=2）。相比之下，中国仍处于发展阶段，目前的最高能力为1.0%（对于纯甲烷），并且尚未建立起完整的可追溯系统[2]。中国石油西南油气田公司的天然气研究院目前正在开发一种 Cutler-Hammer 型1级直接测量系统，预计不确定性为0.25%，为能量计量提供了初步的可追溯基础[3]。
在间接测量和预测领域，各种方法仍在不断演变。在线色谱分析是交接测量主流方法。根据 GB/T 18603 的规定，此类系统必须以小于0.5%的不确定性测量更高的热值[4]，[5]，[6]，[7]，[8]，[9]。离线分析包括实验室分析和使用便携式色谱仪的现场分析，通常用于B类和C类计量系统。两次离线分析之间的成分稳定性用于评估标准不确定性[9]，[10]。变量分配方法常用于无法安装在线色谱仪的站点，但其准确性受气源稳定性和混合均匀性的显著影响[11]，[12]。声速验证技术通过将测量的声速与基于成分计算的声速进行比较来进行计量验证，一般可接受的偏差为0.15%[13]，[14]，[15]，[16]。动态数据分析通过比较同一管道上多个在线色谱仪的热值趋势来进行验证。超过±0.5%的波动可能表明仪器故障或气源变化[11]，[12]。此外，基于深度学习的方法逐渐应用于预测管道网络中的气体质量，使复杂多源管道网络中的热值预测误差控制在0.5%以内[17]。尽管这些方法各有优势，但大多数依赖于现场测量设备或基于均匀混合的假设，从而限制了它们在没有计量装置或混合不均匀的站点的适用性。
最近的实验研究为 CFD 在预测管道中气体混合方面的可靠性提供了定量证据。Wang 等人将气相色谱在七个截面采样点测得的氢分子分数与数值结果进行了比较，报告最大相对偏差为3.34%。Zhou 等人通过实验验证了一个高效叶片混合器的 CFD 模型，得到混合均匀性的最大绝对偏差为0.52%，压降的最大绝对偏差为13.63 Pa。Zheng 等人进一步研究了一个管道规模的氢气混合系统，报告混合均匀性和压降的最大相对误差分别为1.06%和5.93%。对于 SMX 静态混合器，Liu 等人发现模拟和测量的氢浓度分布呈现一致趋势，最大单点误差为4.3%。Liu 等人的另一项实验和数值研究证实，CFD 可以再现由密度差异、重力和分子扩散在氢-天然气管道中引起的浓度分层。这些研究表明，配置适当的 CFD 模型可以相对较小偏差地再现多组分气体的主要流动、浓度分布和混合特性[18]，[19]，[20]，[21]，[22]。
现有研究在天然气热值测量和预测、站点主管道建模、气体混合的 CFD 模拟以及神经网络优化方面取得了重要进展。然而，这些研究元素通常分别进行。热值估计的研究往往侧重于测量数据或统计映射，而 CFD 研究主要关注流动和浓度分布。关于 GA-BP 和 GWO-BP 的研究通常强调网络参数优化，而未同时考虑实际站点主管道的出口特定非均匀混合特性。
为了弥合这些研究元素之间的差距，本研究为具有有限现场热值测量的双源多出口站点主管道建立了一个集成工作流程。将实际的主管道几何形状和气源条件纳入 CFD 模型中，分析气体组分的空间分布和不同出口管道的热值变化。然后使用得到的 CFD 数据构建 BP、GA-BP 和 GWO-BP 模型，以快速进行出口特定估计。这种集成将物理混合过程分析、数值数据生成和优化的替代预测连接在一个统一的工程框架内。
表1总结了代表性研究涵盖的主要研究维度，包括站点主管道建模、混合气体分析、有限现场计量、热值预测、基于 CFD 的数据生成和 BP-网络优化。勾选表示每项研究涉及的研究维度，并提供了它们方法范围和工程重点的概述。
如表1所示，以往的研究在各个方面取得了重要进展，例如基于仪器的热值估计、无色谱仪预测、站点主管道建模、基于 CFD 的数据生成和 BP-网络优化。本研究将这些方面结合到一个特定的工程场景中，涉及具有有限现场热值测量的双源多出口站点主管道。使用 CFD 来表征出口特定的非均匀混合，而 BP、GA-BP 和 GWO-BP 被用作替代工具，以再现 CFD 得出的入口气源参数与出口热值之间的关系。因此，本研究的贡献主要在于这些特定问题的协调整合，而不是声称 CFD、BP、GA 或 GWO 算法的原创性。该表格并未显示比流量加权计算、组分守恒模型、经验回归或其他机器学习方法更普遍的优势。

(1) 使用实际站点主管道的几何形状和气源信息建立了一个 CFD 模型，以研究两种天然气源的非均匀混合。研究了 CH4、C2H6 和 C3H8 的空间分布以及沿着管道 B1、B2 和 B3 的热值变化，揭示了气源位置、入口动量、循环和混合距离对不同出口管道的影响。
(2) 使用 CFD 导出的参考数据开发了一个出口特定热值预测框架。该框架建立了两个入口气源的操作参数与管道 B1、B2 和 B3 的热值之间的映射关系，从而在考虑主管道几何形状和非均匀混合的同时，实现了快速预测。
(3) 使用相同的数据划分、预处理程序和性能指标构建并评估了 BP、GA-BP 和 GWO-BP 模型。结果定量展示了基于 GA 和 GWO 的参数优化相对于标准 BP 模型的改进，并阐明了三种模型在调查条件下的预测特性。进一步使用调查站点的现场测量出口热值作为代表性操作条件下的额外验证参考。

本文分为几个部分：第2节详细介绍了站点操作流程，简化了主管道结构，并定义了模拟场景；第3节涵盖了研究方法和理论基础，包括 CFD 建模、BP 神经网络的基本原理以及 GA 和 GWO 算法；第4节展示了双源混合行为和热值变化的模拟结果，并评估了 BP、GA-BP 和 GWO-BP 模型的预测性能；第5节总结了主要结论、限制和未来研究方向。

站点流程
天然气传输站在其天然气管道系统中包含众多组件。模拟整个站点的内部结构将过于复杂且难以实现，因此需要简化模拟模型。作为站点的关键组件，主管道连接各种传输管道，主要负责收集和分配天然气。通过主管道，从不同来源收集并计量天然气。

在没有计量装置的天然气传输站中，准确预测热值对于确保能量计量的公平性和经济效率至关重要。然而，由于站点内缺乏在线色谱仪等计量装置，传统方法通常依赖于均匀混合的假设，无法完全考虑实际主管道中双气源混合的非均匀特性。这导致预测结果出现显著偏差。

混合气体分布
研究了气源对主管道的影响以及组分浓度的空间变化。图5a 显示了站点主管道区域俯视截面上的 CH4、C2H6 和 C3H8 的摩尔浓度分布。气源 A1 和 A2 从两端流入主管道，混合界面集中在中间部分。两端盖处的组分分布是均匀的，而中间区域则发生强烈的扩散混合。

结论
对两种不同成分的天然气进行了基于 CFD 的模拟研究，分析了不同来源的气体通过主管道区域时的变化。使用了广泛的操作参数进行广泛模拟。所得数据作为训练和测试多种预测方法的基础，以估算站内的热值。以下是所做主要工作的总结。

作者贡献声明
Hong Bingyuan：写作——审稿与编辑。
Liang Guangchuan：写作——审稿与编辑。
Xu Dongyang：写作——审稿与编辑。林瑞安：写作——审稿与编辑。彭靖红：写作——审稿与编辑。周军：写作——审稿与编辑、写作——初稿撰写。杨永静：写作——初稿撰写。

**利益冲突**
作者声明，在本文的发表过程中不存在任何利益冲突。

**数据可用性声明**
研究中生成或使用的所有数据、模型和代码均包含在提交的文章中。

**利益冲突声明**
作者声明，在本文的发表过程中不存在任何利益冲突。

**致谢**
本工作得到了国家自然科学基金（项目编号：52474084、51704253、52404065）以及中国博士后科学基金（项目编号：2024M763653）的资助。

作者名单：周军 | 杨永静 | 梁光川 | 徐东阳 | 林瑞安 | 彭靖红 | 洪炳远