基于数字孪生的复合内衬系统:用于管道基于 iFEM 的变形可视化与性能预测
《Journal of Industrial Information Integration》:Digital Twin-Enabled Composite Liner System for iFEM-based Deformation Visualization and Performance Prediction in Pipelines
【字体:
大
中
小
】
时间:2026年08月29日
来源:Journal of Industrial Information Integration 11.2
编辑推荐:
复合内衬与数字孪生实现凹坑检测和性能预测;基于机器学习的全场应变重构;基于条带的KLPT-iFEM将应变场转换为3D凹坑几何;数字孪生预测流量变化、机械容量降低和剩余寿命;端到端工作流支持基于状态的结构完整性评估与维护。
**引言**
管道是制造和能源系统中的关键资产类别
复合内衬与数字孪生实现凹坑检测和性能预测;基于机器学习的全场应变重构;基于条带的KLPT-iFEM将应变场转换为3D凹坑几何;数字孪生预测流量变化、机械容量降低和剩余寿命;端到端工作流支持基于状态的结构完整性评估与维护。
**引言**
管道是制造和能源系统中的关键资产类别,支撑着原油、成品油和天然气的大规模输送,以满足生产、分销和社会需求。它们作为骨干基础设施,支撑着工厂持续运行、供应链稳定以及区域和全国物流的高效运转,任何中断都可能迅速波及相互关联的生产与输送网络。管道故障的后果可能十分严重,包括服务中断、经济损失、环境污染和公共安全威胁[1,2]。自2010年以来,美国管道和危险材料安全管理局(PHMSA)记录的每日可报告管道事故平均约为1.7起,其中挖掘损伤和机械损伤是严重事件的主要诱因[3,4]。因此,维护管道完整性仍是运营方和监管机构的核心优先事项,尤其是那些已经服役数十年的老旧管网。在诸多完整性威胁中,机械凹坑是最常见且最具挑战性的缺陷之一[1]。凹坑会引入局部塑性变形,改变应力和应变分布,并降低结构承载能力。当凹坑与其他退化机制(如腐蚀、划伤或裂纹类特征)相互作用时,其严重性会进一步加剧,加速损伤积累,提高泄漏或破裂的可能性[[5],[6],[7]]。
传统的凹坑检测和评估通常通过周期性检测完成,包括开挖段目视检查以及磁通泄漏(MFL)、超声波检测和基于几何形状的管道内检测(ILI)等非破坏性检测方法[8,9]。这些方法在缺陷识别和筛查方面有所改进,但仍存在重要局限。大多数检测提供的是间歇性快照,而非连续的状态信息,且仅凭几何测量值往往难以可靠地估算应变需求、残余变形历史或剩余安全裕度。例如,管道内检测的卡钳和几何工具可以识别凹坑尺寸,但通常无法解析主导机械响应的应变集中[[10],[11],[12]]。此外,评估框架对几何数据的质量和分辨率高度敏感,其在复杂或相互作用缺陷中的应用仍是一个有待改进的领域。另一方面,分布式光纤传感(DFOS)提供了一种适用于长距离管道监测的替代传感能力。DFOS可沿光纤路径提供连续、空间分辨的应变测量,具有高空间分辨率、抗电磁干扰和适用于受限环境等优点[13]。这种长距离传感能力能够检测局部变形事件(如凹坑形成),同时追踪应变沿管道的演变和传播,支持对延伸基础设施的持续监测。
在检测和传感技术不断进步的同时,随着管道老化并需要修复,内衬技术也日益普及[14,15]。原位固化管道内衬(CIPP)等内衬材料可通过形成屏障来提供内部保护,减少腐蚀、机械磨损以及沉积物相关退化。这一趋势为将传感技术直接集成到内衬系统中创造了实际机遇。将DFOS嵌入内衬中可实现保护与监测的同时进行,使凹坑形成可通过局部应变发展来检测。重要的是,将DFOS附着在内衬上可实现一步式安装,即内衬铺设过程中自动部署传感网络,相较于将传感器改装到现有管道上,降低了安装复杂度和运营干扰[16]。然而,一个遗留的挑战是,如何在实际传感器布局下实现可靠的凹坑定位和重构,同时最小化成本和数据负担,并保持足够的信息以支持定量评估。
数字孪生技术为将嵌入式传感数据转化为可操作的结构完整性评估提供了一种有前景的方法。数字孪生可以提供凹坑演变的同步可视化,并建立一种一致的机制,将感知的变形与结构和运行性能联系起来[[17],[18],[19],[20]]。数字孪生技术为将此类传感数据转化为可操作的结构完整性评估提供了一条有前景的途径。该范式最初被构想为通过数据交换保持同步的物理产品虚拟表征,此后已被广泛应用于制造、航空航天和基础设施领域[[20],[21],[22]]。然而,要使管道凹坑监测具有决策价值,必须超越单纯的应变分布检测,提供对凹坑变形严重性及其影响进行定量评估的能力。这促使将基于物理的模拟和数据驱动的预测集成到数字孪生框架中。有限元分析(FEA)可以量化凹坑管道的机械响应,包括应变需求、残余应力和结构承载能力的降低,这些都与修复阈值以及基于应变的设计和评估考量直接相关。计算流体力学(CFD)通过评估凹坑几何形状如何改变内部流场、压力损失和流通能力来补充结构分析,从而实现对服务性能影响的更全面理解。此外,人工智能方法可以建立监测变形、模拟性能指标和时间相关退化指标之间的预测关系,为剩余使用寿命估计和预测性维护规划奠定基础。近年来,剩余使用寿命预测技术的进步进一步拓宽了可用于此目的的数据驱动工具。例如,Zhang等人[23]提出了一种从漂移-扩散随机方程视角构建的可解释序列化变分自编码器,将物理驱动的退化模型与生成式学习相结合,以提高估计的可解释性和不确定性量化能力。同样,Zhang等人[24]开发了一种基于分布式联邦学习的无源域自适应框架,用于跨域剩余使用寿命预测,允许退化知识在不同类型资产和运行条件之间传递,无需集中访问源域数据,从而保护数据隐私。这些可解释且隐私感知的架构凸显了本数字孪生框架中剩余使用寿命预测组件的有前景的扩展方向,尤其是在监测多个管道段和运行站点时。
基于我们此前关于智能复合内衬监测的研究,我们首先在平坦钢基板上验证了DFOS集成,并探索了多种用于变形追踪的分析方法[17,18,25]。尽管这些方法在实验室演示中有效,但在管道规模部署中存在局限性,包括需要额外的仪器、高度依赖大型模拟数据集和模型训练,以及增加数据生成和处理需求。此外,先前的方法要求在几厘米量级上布置密集传感器间距,这在长距离管道上难以实施,并进一步增加数据量。这些局限性促使开发一种更具部署性的应变至形状重构策略,能够使用稀疏嵌入式测量支持数字孪生更新。
因此,本研究提出了一种面向智能复合内衬的专用数字孪生工作流,将稀疏DFOS数据转化为凹坑几何形状和性能指标。该框架消除了对外部全场工具(如DIC)的需求,减少了对密集传感器间距的依赖,同时通过实际的4路径和3路径传感策略保持可靠的凹坑定位和重构。全场应变重构通过所开发的基于机器学习的TPS方法实现,凹坑几何通过所开发的基于条带的KLPT iFEM公式恢复,该公式与离散光纤路径布局兼容。重构的凹坑几何形状具有直接的决策意义,支持结构承载能力评估、流量性能评估以及剩余寿命预测的基础建立。这些功能共同实现了统一的保护、监测和评估工作流,支持基于状态的决策制定,并减少了对间歇性检测的依赖以进行管道完整性管理。
**拟议的数字孪生赋能复合内衬框架**
本节展示了开发的复合内衬及其数字孪生框架,用于全面的管道凹坑检测和评估。通过将保护、传感、数字孪生可视化、基于力学的评估和预测分析集成到统一的工作流中,所提出的系统为周期性检测提供了主动替代方案,并支持数据驱动的管道完整性管理。图1总结了本研究的核心概念,明确将智能复合内衬系统开发、实验设置、数字孪生可视化和性能评估联系起来。
**智能复合内衬系统开发与实验设置**
本节描述了智能复合内衬的制造(第3.1节)和实验设置(第3.2节),用于在受控凹坑条件下评估所提出的智能复合内衬专用数字孪生框架。
**基于数字孪生的凹坑管道可视化与性能评估**
本节展示了与智能复合内衬系统集成的数字孪生框架,旨在实现两个主要目标:(1) 实时可视化凹坑几何形状,(2) 集成模型评估凹坑管道的结构和功能性能。如图4所示,该过程从对嵌入有分布式光纤传感器的智能复合内衬钢管施加外部缩进开始。在施加缩进过程中,通过传感器采集应变数据。
**凹坑管道应变分布的生成**
本节使用静态缩进获得的应变数据来表征机械变形,并支持下游的形状重构,采用所提出的分析工作流。如第4节所述,该过程通过将测量的应变数据映射到二维坐标系开始,为每个测量点分配X和Y坐标。坐标转换方法(详见第4.1.2节)确保应变测量始终与几何位置对齐。
**基于数字孪生的监测与性能预测案例演示**
本节通过一个案例研究,展示了所提出的智能复合内衬框架的完整实施过程,从使用嵌入式传感器采集应变数据,到应变场重构、凹坑几何重构,最终到凹坑管道的性能评估。在形状重构之后,使用多种分析工具对凹坑几何进行评估,如第4.2节所述。重构的形状和相应的应变场被用于结构承载能力和流量性能评估,并作为剩余使用寿命预测的基础。
**结论与未来工作**
本研究介绍了一种由智能复合内衬赋能的数字孪生框架,作为与制造和能源运营相关的管道完整性数字孪生监测能力。通过将分布式光纤传感器嵌入保护性内衬中,并与机器学习、反演建模和流固耦合分析相结合,该框架实现了精确的凹坑检测、形状重构和性能评估。其创新之处在于通过单一安装步骤同时实现结构保护和传感部署,并通过稀疏传感器布局实现高效的凹坑定位和重构。
**作者贡献声明**
王兴宇:概念化、数据整理、调查研究、形式分析、方法论、验证、撰写-原稿、撰写-审阅与编辑。丁建新:形式分析、方法论、验证、可视化、撰写-原稿。奥斯汀·奈特:形式分析、方法论、验证、可视化。段俊逸:方法论、验证、撰写-原稿。李永飞:方法论、验证、撰写-原稿。林一舟:方法论、验证、撰写-原稿。
**资金支持**
本研究部分由国家科学基金会EPSCoR RII Track-2计划资助(编号:OIA-2119691)和美国交通部PHMSA资助(编号:693JK3250009CAAP)支持。本手稿中的发现与观点仅代表作者意见,不一定反映资助方的观点。
**数据可用性声明**
本研究中呈现的数据可从通讯作者处申请获取。
**利益冲突声明**
作者声明不存在利益冲突。
**未引用参考文献**
[54]
**CRediT作者贡献声明**
王兴宇:撰写-审阅与编辑、撰写-原稿、验证、方法论、调查研究、形式分析、数据整理、概念化。丁建新:撰写-原稿、可视化、验证、方法论、形式分析。奥斯汀·奈特:可视化、验证、方法论、形式分析。段俊逸:撰写-原稿、验证、方法论。李永飞:撰写-原稿、验证、方法论。林一舟:撰写-原稿、声明。
**利益冲突声明**
作者声明不存在已知的竞争性财务利益或个人关系可能影响本文所报告的工作。
王兴宇|丁建新|奥斯汀·奈特|段俊逸|李永飞|林一舟|陶承承|江龙|黄颖
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号