基于大數據管理架構的油氣管道數據監測分析模型

孫嘯 李雙琴 謝銳 連江橋 郝靖仕

摘? 要： 針對傳統油氣管道數據監測方法檢測準確度低的問題，設計基于大數據管理架構的油氣管道數據監測分析模型。首先構建模型的整體架構，通過大數據支持收集和整理管道數據，對其進行預處理，確定關聯排列行數和列數;引入布里淵傳感技術，基于分布式光纖傳感器和傳感數據，通過光纖取代傳統數百個傳感點構成的數據生成回饋傳感序列;通過計算模板和光纖反饋情況，生成距離數據，依靠散射點射譜關系距離，確定當前油氣管道各處距離值，通過比對即可確定當前管道是否有彎曲情況，實現管道數據的監測。實驗數據證明，基于大數據管理構架的油氣管道監測分析模型在管道彎曲監測實驗中，監測準確度更高，具有明顯的監測優勢。

關鍵詞： 大數據管理架構; 油氣管道; 數據管理; 收集整理; 監測數據; 監測效果對比

中圖分類號： TN911.1?34? ? ? ? ? ? ? ? ? ? ? ?文獻標識碼： A? ? ? ? ? ? ? ? ? ? ? ? ? 文章編號： 1004?373X（2020）17?0102?04

Abstract： In view of the low detection accuracy of traditional oil and gas pipeline data monitoring methods， the oil and gas pipeline data monitoring and analysis model based on big data management architecture is designed. In the design， the overall architecture of the model is built first， and then the big data is used to support the collecting and sorting out of the pipeline data， and the pipeline data are preprocessed to determine the number of lines and columns of the associated permutations. Brillouin sensing technology based on distributed fiber optic sensor and sensor data is introduced to replace the data composed of hundreds of traditional sensing points by optical fiber to generate feedback sensing sequence. The distance data is generated by calculating the template and the optical fiber feedback. The distance value of each place of the current oil and gas pipeline can be determined by the distance of scattering point spectral relation. By comparison of the two， whether the current pipeline is bent can be determined， so as to realize the monitoring of pipeline data. The experimental data proves that the oil and gas pipeline monitoring and analysis model based on the big data management framework has higher monitoring accuracy and obvious monitoring advantages in the pipeline bending monitoring experiments.

Keywords： big data management framework; oil and gas pipeline; data management; collecting and sorting out; monitoring data; contrast of monitoring effect

0? 引? 言

我國是現代管道運輸大國，其中油氣管道是國家能源供給的核心動脈，直接關乎我國的國計民生，對社會發展具有重要作用[1]。隨著我國輸油管道數量的不斷增加，管道安全保護方面的問題趨于嚴重，有關國家部門開始高度重視汽油管道的運行安全[2?3]，隨時保障油氣管道安全運行，對我國管道輸送具有重要的意義。通過對國內外油氣管道線危險事故的總結分析發現，管道彎曲變形引起的管道安全問題最為嚴重[4]。一般情況下，因為地域原因，無法直接應用圖像監管管道的彎曲程度，大多采用數據監測的形式。以往管道企業對于油氣管道形變數據監測更加側重于原因探查[5?6]，但隨著大數據科技的開發和普及，當前油氣管道系統已經由一系列信息集成模塊、管理程序、監測記錄模塊以及日常運維計算模塊串聯起來，并依靠物聯網和云計算數據實現數據整合，而管道形變彎曲數據分析和監測也早已從傳統的關聯因果關系轉變為是非關系。依靠數據集合，有關部門建立了多種形式的油氣管道形變監測分析模型進行油氣管道數據監測分析，可以肯定未來大數據油氣管道數據監測模型的開發還會不斷進行，且勢必會取代傳統監測分析算法，成為新的油氣管道數據監測手段。在這樣的背景下，針對油氣管道形變安全問題，從大數據管理架構入手，引入分布式光纖傳感技術，開發了切合時代需要、具有高技術特征的油氣管道數據監測分析模型[7]。

1? 油氣管道系統大數據管理架構設計

根據資料統計顯示，目前我國油氣管道總距離已經超過12.5×104 km，每天生成的管道數據不斷增加，這標志著我國油氣管道已經進入了大數據時代[8]?；诖髷祿南嚓P性及監測分析理論，設計出的大數據油氣管道數據監測模型，需要結合當前管道腐蝕數據、管道磨損數據、管道地理數據、管道資產數據、管道監測數據和管道運營數據，從而對當前油氣管道形變特征進行有效判定[9]。

傳統的管道企業相互獨立，無法達到數據共通。大數據時代下的互聯網云計算以及信息集成為管道監測提供了統一整合數據，通過數據分析模型可以有效分析當前管道泄漏腐蝕以及自然環境造成的管道傷害，對當前管道形變數據合理分析把控，及時發現管道彎曲變形引發的管道破壞問題[10]。在應用數據和分布式光纖傳感技術的支持下，有關部門可以通過腐蝕控制理論、能耗控制理論、效能管理理論和災害管理理論，結合監測結果，確定最終的監測分析結果。

從整體上說，此次設計建立的基于大數據的油氣管道數據監測分析模型，是將管道基礎信息、管理信息、運維信息、建設組合資產論證信息進行全面的整合管理。依靠光纖SBS物理算法，結合耦合波方程，對當前油氣管道變形常見形式和基本形式進行總結，并提出利用光纖傳感技術建立監測模型的方法，以此獲取最終的分析論證結果。油氣管道系統大數據管理整體框架構造如圖1所示。

2? 油氣管道數據監測分析模型設計

因為設計的監測模型主要針對油氣管道形變問題，所以設計考慮外部環境因素主要以壓力信息數據為主。一般情況下油氣管道變形過程可以參考彈性變形階段和塑性變形階段。在受到壓力作用時，管道外力達到彈性形變的臨界點后，會首先進入彈性變形階段，此時如果外部壓力依舊持續增加，管道會出現塑性變形，產生彎曲斷裂等情況[11]，此時管道周圍應力應變出現明顯變化。如果可以有效捕捉信號變化，即可對當前油氣管道的健康狀態進行數據檢測。由此可以看出，壓力數據和管道變形數據的應變分布是實現有效監測的關鍵。設計模型也正是基于這一核心原理，通過大數據和光纖傳感原理數據的支持，依靠數據計算獲取最終的應變形變，實現油氣管道數據分析監測[12]。

2.1? 壓力管道數據生成及處理

在進行油氣管道數據檢測時，最重要的就是進行數據收集，在后續處理中，數據的好壞和完整性直接影響整個監測模型的可靠性。壓力管道風險分析中，核心數據包括壓力管道基礎數據和檢驗數據。基礎數據包括設備尺寸、管道材質、初始壓力等;檢驗數據則包括操作溫度、腐蝕余量、管道等級等。以上數據需要利用大數據網絡和專業的測評報告集中記錄[13]。

在確定管道壓力數據后對其進行預處理。管道壓力輸入數據和目標數據的類型包括兩種：數值型和分類型，數值型數據具有更高的離散度，其分布較差，在監測前需要對其進行標準化處理。

設計采用Z?score標準化處理操作，具體做法就是將無需對數據求取平均值，再除以標準差，使其符合正態分布。對壓力分類型數據，進行標準化處理以后，需要了解變量數據和當前目標數據的相關性特征，即需要找到當前目標變量模型下的目標輸入變量，這些可以看作是數據精簡的一部分。設計首先需要測量相關性Pearsonk卡方數據，似然類比卡方數據，包括克萊姆系數和Lambda卡方。針對不同變量類型使用的相關性數據和方法不同，當輸入變量數據和目標變量數據移植時，則需要將數據變量轉化為連續型，此時計算Pearson系數，其值越大輸入數據的目標變量線性相關性也越大。Pearson系數公式如下：

當輸入數據變量處于分類型狀態時，此時管道目標變量數據也是分類型。使用似然比數據卡方進行數據加工。似然比卡方與Pearson卡方較為相似，其結論也具有鮮明的一致性。似然比卡方的定義公式如下：

當輸入變量數據為分類型數據時，目標變量同樣為分類型數據，其克萊姆[V]系數占比增加，此時Pearson系數變量會出現數據調整，因為[V]系數可以對Pearson系數進行變量修正，如果[V]系數無線趨近于1，則表明當前數據變量和目標變量具有更強的相關性?？巳R姆[V]系數公式如下：

2.2? 布里淵傳感技術監測數據計算

布里源傳感技術主要依賴于分布式光纖傳感器和傳感數據，可以通過光纖取代傳統數百個傳感點構成的數據回饋傳感序列，準確提取光纖上任意一點上的應力溫度振動損傷數據，并通過自身獨有的數據計算模板，通過數據的輸入，確定當前監測目標的實時情況[15]。

因此，在當前已知溫度和當前應變體系下，根據頻率偏移量可以求取當前管道應變信息，實現數據生成。

根據上述建立的原理模型，可以建立當前光纖波動方程組：

式中：[α]表示管道吸收系數;[ρ]表示管道彎曲密度。公式整體表示當前管道各處在電場伸縮作用下的光波影響性。

根據波動連續方程得到的光纖作用聲波，構建如下方程：

以上兩組方程共同組成管道監測聲波場的耦合波方程組。根據散射信息，求取管道適應性邊界值，其離散化邊界條件為：

引入[m]表示時間層向量，求取實際監測方程，根據管道層級從各層推進，依靠線性方程求解，獲取最終的監測值。

2.3? 管道監測射譜距離關系模擬

依靠光纖散射數據進行大數據管道彎曲事故監測，因為監測數據存在功能性誤差，所以管道入射點強度關系式為：

式中：[PIN]表示當前光纖回饋功率;[αS]表示誤差監測系數。

根據管道光纖散射時間可以計算得到管道光纖監測數據如下：

式中：[L]表示管道光纖散射點入射距離;[v]表示光纖故障點的傳播速度。

根據此時的傳播走線，可以確定當前管道的物理變化值，如圖2所示。根據圖2可知，依靠數據定理可以確定當前管道的距離關系，當距離超過額定距離時，管道數據顯示異常，說明當前管道數據存在安全隱患。

3? 實驗探究

在實驗室內，針對上述問題進行監測效果統計，此次實驗以傳統中控監測模型作為對比組，以上述設計的大數據光纖監測模型作為實驗組進行實驗監測效果比對。

3.1? 光纖選取

光纖傳感器需要貼在實驗管道表面，且可以承受加壓、摩擦、拉伸等多個項目，確定光纖存活率。因為光纖內部較為纖細，因此，在實驗環境搭建過程中，首先需要考慮光纖的完整度，其次需要確定管道彎曲變化與光纖變化保持一致。

3.2? 實驗數據分析

通過多組監測對比，確定對比效果，其結果如圖3所示。

根據圖3所示監測數據對比結果得出：傳統檢測模型的漏檢率在30%左右，這是由于傳輸點不均勻或者失效造成的，而本文設計的大數據監管模型因為使用了光纖傳感，加上數據支撐，其漏檢率在15%以下。實驗結果表明，本文所提基于大數據管理架構的油氣管道數據監測分析模型的監測準確度高，具有一定的應用價值。

4? 結? 語

管道作為石油天然氣的主要傳輸工具，在我國國民經濟發展中占據了重要地位。長距離的管道運輸直接影響人們的生命安全，受到環境影響，管道彎曲破裂是管道運輸最容易出現的問題。本文設計從大數據入手，通過引入光纖傳感相關理論，提出對應的數據監測模型，實驗證明，設計模型的檢測準確度較高，具有良好的監測效果。

參考文獻

[1] 張宏，劉嘯奔.地質災害作用下油氣管道設計應變計算模型[J].油氣儲運，2017，36（1）：91?97.

[2] 劉玉卿，余志峰，佟雷，等.基于軸向應力監測數據的管道應力狀態預警模型[J].石油機械，2018，46（6）：105?109.

[3] 江怡舟，田大慶，周博.基于無縫表征模型的油氣輸送管道安全裕度與剩余壽命在線監測平臺研制[J].機械，2019，46（5）：42?46.

[4] 于洋，劉德俊，孫東旭.基于漏磁內檢測與分級理念的管道完整性評價[J].中國安全科學學報，2017，2（1）：169?174.

[5] 吳慶偉，王金龍，張平，等.基于FOA?SVM模型的輸油管道內腐蝕速率預測[J].腐蝕與防護，2017，38（9）：732?736.

[6] 梁永寬，楊馥銘，尹哲祺，等.油氣管道事故統計與風險分析[J].油氣儲運，2017，36（4）：472?476.

[7] 劉媛，張月紅，姜翔飛.路由融合方案在油氣管道數據安全保護中的應用[J].油氣田地面工程，2018，5（9）：64?66.

[8] 楊磊.新一代信息技術在油氣管道監測中的發展與探索[J].化工設計通訊，2017，43（6）：80?81.

[9] 宋文廣，李振智，陳漢林，等.儲氣庫動態監測關鍵參數大數據預測模型研究[J].新疆大學學報（自然科學版），2017，34（4）：473?477.

[10] 郭志濤，孔江浩，雷瑤，等.油氣管道陰極保護數據遠程采集系統的設計[J].電子技術應用，2018，479（5）：49?53.

[11] 孫浩，帥健.長輸管道內檢測數據比對方法[J].油氣儲運，2017，36（7）：775?780.

[12] 李慧穎，薛娟，王美.注水管網監測數據與生產數據的融合分析技術應用[J].油氣田地面工程，2019，38（z1）：163?165.

[13] 帥健，單克.基于失效數據的油氣管道定量風險評價方法[J].天然氣工業，2018，38（9）：135?144.

[14] 李正勝.采空區埋地油氣管道變形監測及穩定性分析[J].煤礦安全，2019，50（2）：195?198.

[15] 趙萬里，李燦，吳桐.油氣管道焊縫缺陷的激光超聲檢測[J].激光雜志，2017（8）：24?27.