基于大数据管理架构的油气管道数据监测分析模型

孙啸 李双琴 谢锐 连江桥 郝靖仕

摘  要： 针对传统油气管道数据监测方法检测准确度低的问题，设计基于大数据管理架构的油气管道数据监测分析模型。首先构建模型的整体架构，通过大数据支持收集和整理管道数据，对其进行预处理，确定关联排列行数和列数;引入布里渊传感技术，基于分布式光纤传感器和传感数据，通过光纤取代传统数百个传感点构成的数据生成回馈传感序列;通过计算模板和光纤反馈情况，生成距离数据，依靠散射点射谱关系距离，确定当前油气管道各处距离值，通过比对即可确定当前管道是否有弯曲情况，实现管道数据的监测。实验数据证明，基于大数据管理构架的油气管道监测分析模型在管道弯曲监测实验中，监测准确度更高，具有明显的监测优势。

关键词： 大数据管理架构; 油气管道; 数据管理; 收集整理; 监测数据; 監测效果对比

中图分类号： TN911.1?34                       文献标识码： A                          文章编号： 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

我国是现代管道运输大国，其中油气管道是国家能源供给的核心动脉，直接关乎我国的国计民生，对社会发展具有重要作用[1]。随着我国输油管道数量的不断增加，管道安全保护方面的问题趋于严重，有关国家部门开始高度重视汽油管道的运行安全[2?3]，随时保障油气管道安全运行，对我国管道输送具有重要的意义。通过对国内外油气管道线危险事故的总结分析发现，管道弯曲变形引起的管道安全问题最为严重[4]。一般情况下，因为地域原因，无法直接应用图像监管管道的弯曲程度，大多采用数据监测的形式。以往管道企业对于油气管道形变数据监测更加侧重于原因探查[5?6]，但随着大数据科技的开发和普及，当前油气管道系统已经由一系列信息集成模块、管理程序、监测记录模块以及日常运维计算模块串联起来，并依靠物联网和云计算数据实现数据整合，而管道形变弯曲数据分析和监测也早已从传统的关联因果关系转变为是非关系。依靠数据集合，有关部门建立了多种形式的油气管道形变监测分析模型进行油气管道数据监测分析，可以肯定未来大数据油气管道数据监测模型的开发还会不断进行，且势必会取代传统监测分析算法，成为新的油气管道数据监测手段。在这样的背景下，针对油气管道形变安全问题，从大数据管理架构入手，引入分布式光纤传感技术，开发了切合时代需要、具有高技术特征的油气管道数据监测分析模型[7]。

1  油气管道系统大数据管理架构设计

根据资料统计显示，目前我国油气管道总距离已经超过12.5×104 km，每天生成的管道数据不断增加，这标志着我国油气管道已经进入了大数据时代[8]。基于大数据的相关性及监测分析理论，设计出的大数据油气管道数据监测模型，需要结合当前管道腐蚀数据、管道磨损数据、管道地理数据、管道资产数据、管道监测数据和管道运营数据，从而对当前油气管道形变特征进行有效判定[9]。

传统的管道企业相互独立，无法达到数据共通。大数据时代下的互联网云计算以及信息集成为管道监测提供了统一整合数据，通过数据分析模型可以有效分析当前管道泄漏腐蚀以及自然环境造成的管道伤害，对当前管道形变数据合理分析把控，及时发现管道弯曲变形引发的管道破坏问题[10]。在应用数据和分布式光纤传感技术的支持下，有关部门可以通过腐蚀控制理论、能耗控制理论、效能管理理论和灾害管理理论，结合监测结果，确定最终的监测分析结果。

从整体上说，此次设计建立的基于大数据的油气管道数据监测分析模型，是将管道基础信息、管理信息、运维信息、建设组合资产论证信息进行全面的整合管理。依靠光纤SBS物理算法，结合耦合波方程，对当前油气管道变形常见形式和基本形式进行总结，并提出利用光纤传感技术建立监测模型的方法，以此获取最终的分析论证结果。油气管道系统大数据管理整体框架构造如图1所示。

2  油气管道数据监测分析模型设计

因为设计的监测模型主要针对油气管道形变问题，所以设计考虑外部环境因素主要以压力信息数据为主。一般情况下油气管道变形过程可以参考弹性变形阶段和塑性变形阶段。在受到压力作用时，管道外力达到弹性形变的临界点后，会首先进入弹性变形阶段，此时如果外部压力依旧持续增加，管道会出现塑性变形，产生弯曲断裂等情况[11]，此时管道周围应力应变出现明显变化。如果可以有效捕捉信号变化，即可对当前油气管道的健康状态进行数据检测。由此可以看出，压力数据和管道变形数据的应变分布是实现有效监测的关键。设计模型也正是基于这一核心原理，通过大数据和光纤传感原理数据的支持，依靠数据计算获取最终的应变形变，实现油气管道数据分析监测[12]。

2.1  压力管道数据生成及处理

在进行油气管道数据检测时，最重要的就是进行数据收集，在后续处理中，数据的好坏和完整性直接影响整个监测模型的可靠性。压力管道风险分析中，核心数据包括压力管道基础数据和检验数据。基础数据包括设备尺寸、管道材质、初始压力等;检验数据则包括操作温度、腐蚀余量、管道等级等。以上数据需要利用大数据网络和专业的测评报告集中记录[13]。

在确定管道压力数据后对其进行预处理。管道压力输入数据和目标数据的类型包括两种：数值型和分类型，数值型数据具有更高的离散度，其分布较差，在监测前需要对其进行标准化处理。

設计采用Z?score标准化处理操作，具体做法就是将无需对数据求取平均值，再除以标准差，使其符合正态分布。对压力分类型数据，进行标准化处理以后，需要了解变量数据和当前目标数据的相关性特征，即需要找到当前目标变量模型下的目标输入变量，这些可以看作是数据精简的一部分。设计首先需要测量相关性Pearsonk卡方数据，似然类比卡方数据，包括克莱姆系数和Lambda卡方。针对不同变量类型使用的相关性数据和方法不同，当输入变量数据和目标变量数据移植时，则需要将数据变量转化为连续型，此时计算Pearson系数，其值越大输入数据的目标变量线性相关性也越大。Pearson系数公式如下：

当输入数据变量处于分类型状态时，此时管道目标变量数据也是分类型。使用似然比数据卡方进行数据加工。似然比卡方与Pearson卡方较为相似，其结论也具有鲜明的一致性。似然比卡方的定义公式如下：

当输入变量数据为分类型数据时，目标变量同样为分类型数据，其克莱姆[V]系数占比增加，此时Pearson系数变量会出现数据调整，因为[V]系数可以对Pearson系数进行变量修正，如果[V]系数无线趋近于1，则表明当前数据变量和目标变量具有更强的相关性。克莱姆[V]系数公式如下：

2.2  布里渊传感技术监测数据计算

布里源传感技术主要依赖于分布式光纤传感器和传感数据，可以通过光纤取代传统数百个传感点构成的数据回馈传感序列，准确提取光纤上任意一点上的应力温度振动损伤数据，并通过自身独有的数据计算模板，通过数据的输入，确定当前监测目标的实时情况[15]。

因此，在当前已知温度和当前应变体系下，根据频率偏移量可以求取当前管道应变信息，实现数据生成。

根据上述建立的原理模型，可以建立当前光纤波动方程组：

式中：[α]表示管道吸收系数;[ρ]表示管道弯曲密度。公式整体表示当前管道各处在电场伸缩作用下的光波影响性。

根据波动连续方程得到的光纤作用声波，构建如下方程：

以上两组方程共同组成管道监测声波场的耦合波方程组。根据散射信息，求取管道适应性边界值，其离散化边界条件为：

引入[m]表示时间层向量，求取实际监测方程，根据管道层级从各层推进，依靠线性方程求解，获取最终的监测值。

2.3  管道监测射谱距离关系模拟

依靠光纤散射数据进行大数据管道弯曲事故监测，因为监测数据存在功能性误差，所以管道入射点强度关系式为：

式中：[PIN]表示当前光纤回馈功率;[αS]表示误差监测系数。

根据管道光纤散射时间可以计算得到管道光纤监测数据如下：

式中：[L]表示管道光纤散射点入射距离;[v]表示光纤故障点的传播速度。

根据此时的传播走线，可以确定当前管道的物理变化值，如图2所示。根据图2可知，依靠数据定理可以确定当前管道的距离关系，当距离超过额定距离时，管道数据显示异常，说明当前管道数据存在安全隐患。

3  实验探究

在实验室内，针对上述问题进行监测效果统计，此次实验以传统中控监测模型作为对比组，以上述设计的大數据光纤监测模型作为实验组进行实验监测效果比对。

3.1  光纤选取

光纤传感器需要贴在实验管道表面，且可以承受加压、摩擦、拉伸等多个项目，确定光纤存活率。因为光纤内部较为纤细，因此，在实验环境搭建过程中，首先需要考虑光纤的完整度，其次需要确定管道弯曲变化与光纤变化保持一致。

3.2  实验数据分析

通过多组监测对比，确定对比效果，其结果如图3所示。

根据图3所示监测数据对比结果得出：传统检测模型的漏检率在30%左右，这是由于传输点不均匀或者失效造成的，而本文设计的大数据监管模型因为使用了光纤传感，加上数据支撑，其漏检率在15%以下。实验结果表明，本文所提基于大数据管理架构的油气管道数据监测分析模型的监测准确度高，具有一定的应用价值。

4  结  语

管道作为石油天然气的主要传输工具，在我国国民经济发展中占据了重要地位。长距离的管道运输直接影响人们的生命安全，受到环境影响，管道弯曲破裂是管道运输最容易出现的问题。本文设计从大数据入手，通过引入光纤传感相关理论，提出对应的数据监测模型，实验证明，设计模型的检测准确度较高，具有良好的监测效果。

参考文献

[1] 张宏，刘啸奔.地质灾害作用下油气管道设计应变计算模型[J].油气储运，2017，36（1）：91?97.

[2] 刘玉卿，余志峰，佟雷，等.基于轴向应力监测数据的管道应力状态预警模型[J].石油机械，2018，46（6）：105?109.

[3] 江怡舟，田大庆，周博.基于无缝表征模型的油气输送管道安全裕度与剩余寿命在线监测平台研制[J].机械，2019，46（5）：42?46.

[4] 于洋，刘德俊，孙东旭.基于漏磁内检测与分级理念的管道完整性评价[J].中国安全科学学报，2017，2（1）：169?174.

[5] 吴庆伟，王金龙，张平，等.基于FOA?SVM模型的输油管道内腐蚀速率预测[J].腐蚀与防护，2017，38（9）：732?736.

[6] 梁永宽，杨馥铭，尹哲祺，等.油气管道事故统计与风险分析[J].油气储运，2017，36（4）：472?476.

[7] 刘媛，张月红，姜翔飞.路由融合方案在油气管道数据安全保护中的应用[J].油气田地面工程，2018，5（9）：64?66.

[8] 杨磊.新一代信息技术在油气管道监测中的发展与探索[J].化工设计通讯，2017，43（6）：80?81.

[9] 宋文广，李振智，陈汉林，等.储气库动态监测关键参数大数据预测模型研究[J].新疆大学学报（自然科学版），2017，34（4）：473?477.

[10] 郭志涛，孔江浩，雷瑶，等.油气管道阴极保护数据远程采集系统的设计[J].电子技术应用，2018，479（5）：49?53.

[11] 孙浩，帅健.长输管道内检测数据比对方法[J].油气储运，2017，36（7）：775?780.

[12] 李慧颖，薛娟，王美.注水管网监测数据与生产数据的融合分析技术应用[J].油气田地面工程，2019，38（z1）：163?165.

[13] 帅健，单克.基于失效数据的油气管道定量风险评价方法[J].天然气工业，2018，38（9）：135?144.

[14] 李正胜.采空区埋地油气管道变形监测及稳定性分析[J].煤矿安全，2019，50（2）：195?198.

[15] 赵万里，李灿，吴桐.油气管道焊缝缺陷的激光超声检测[J].激光杂志，2017（8）：24?27.