本发明涉及管道管理，更具体地说，本发明涉及一种集成数字孪生的管道高后果区智能管理平台及方法。
背景技术：
1、公开号为cn116642136a的专利申请公开了一种基于数字孪生体的管道风险监测方法、系统和存储介质，包括：获取目标管段在当前时刻的多源属性数据并输入至预设风险评价公式组，得到目标管段的当前综合风险值；利用当前时刻的多源属性数据对目标管段对应的原始数字孪生模型进行更新，得到当前时刻的目标数字孪生模型；当当前综合风险值超出预设综合风险值时，将目标管段在当前时刻所存在的风险，在目标数字孪生模型上进行标记映射，以实现对目标管段的风险监测；大幅缩短了管道风险监测的周期，能够利用数字孪生模型对管道风险进行实时评价与监测，提高了风险监测的准确性。
2、但是依然缺乏对管道高后果区进行全面评估和智能化管理的平台；管道高后果区指的是一旦发生故障，将导致严重后果(如人员伤亡、环境污染、经济损失等)的管道区域；由于这些区域的重要性，需要特别的关注和管理；但目前的管理方式多依赖人工经验，缺乏科学的风险评估模型，难以及时发现管道高后果区存在的潜在风险隐患，也无法制定出有效的维护策略；其次，现有方式无法准确模拟管道高后果区的特性；管道高后果区通常存在复杂的结构和工况(如多相流动、腐蚀等)，这些特性对管道的健康状态和失效风险有重大影响；但现有的模拟方法过于简单，无法真实反映管道高后果区的实际情况，导致风险评估结果存在较大偏差；再者，现有方式缺乏对维护策略进行优化的方法；维护策略包括多个方式，这些方式之间存在复杂的相互制约关系；简单的经验维护策略难以权衡各种目标，无法获得最优的综合维护方案。
3、鉴于此，本发明提出一种集成数字孪生的管道高后果区智能管理平台及方法以解决上述问题。
技术实现思路
1、为了克服现有技术的上述缺陷，为实现上述目的，本发明提供如下技术方案：一种集成数字孪生的管道高后果区智能管理平台，包括：数据获取模块，用于获取管道高后果区的监测数据；
2、综合策略维护模块，用于构建管道高后果区的数字孪生模型，将监测数据施加于数字孪生模型，计算得到管道高后果区发生故障的风险值，预设风险阈值，当风险值大于或等于风险阈值时，触发管道高后果区的维护策略；
3、策略优化模块，用于将维护策略输入数字孪生模型，并采用优化算法优化维护策略；得到最优维护策略，根据最优维护策略，对管道高后果区实施维护操作，各个模块之间通过有线和/或无线的方式进行连接。
4、进一步地，所述监测数据包括管道内部环境数据、管道外部环境数据、管道结构健康数据和管道运行数据。
5、进一步地，所述数字孪生模型的构建方式包括：
6、收集管道高后果区的基本参数，基本参数包括管道材料、几何结构数据以及管道连接方式；几何结构数据包括管径、壁厚和长度；管道连接方式为焊接；
7、根据管道高后果区的几何结构数据，建立管道高后果区的物理模型；并基于管道连接方式将物理模型进行细化，得到完善物理模型；将完善物理模型进行适应性划分，得到初步孪生模型；将初步孪生模型赋予管道材料，得到管道高后果区的数字孪生模型。
8、进一步地，所述将物理模型进行细化的方式包括：
9、获取焊接处的焊缝几何尺寸，焊缝几何尺寸包括焊缝宽度、焊缝高度和焊缝角度；对于焊接的位置，定义划分区间[-k，k]，k为大于或等于1的正整数，将焊接的位置置于划分区间的零点，将划分区间内的物理模型作为管段模型，将管段模型划分为若干个简单圆环体，则计算简单圆环体的内半径和外半径；
10、内半径；
11、外半径；
12、其中，为管段半径，为壁厚，为焊缝高度，为过渡区域长度，为过渡区域曲率半径；为焊缝角度，为内半径形状修正系数，为外半径形状修正系数；
13、基于计算得到的简单圆环体的内半径和外半径，将若干个简单圆环体进行并集布尔运算，得到焊缝模型；
14、将焊缝模型和划分区间内的物理模型导入到同一个坐标系中，根据焊缝的位置和方向，对焊缝模型进行平移和旋转变换，继而与管段模型进行装配，得到完善物理模型。
15、进一步地，所述将完善物理模型进行适应性划分的方式包括：
16、识别出完善物理模型中的关键区域；将完善物理模型分解为m个子区域，每个子区域包含一个或多个关键区域；将关键区域的数量大于或等于预设划分阈值的子区域进行特殊划分，将关键区域的数量小于预设划分阈值的子区域进行普通划分，得到若干个网格；对于相邻子区域之间的网格，进行网格的对接，将各个子区域的网格集成为初步孪生模型；
17、所述关键区域的识别方式包括：
18、将完善物理模型划分为m个初步区域，并将初步区域划分为n个曲线，计算每条曲线的曲率；
19、；
20、其中，为曲率加权函数，是曲线的参数方程，是曲线的参数变量，为的一阶导数，为二阶导数，为曲线的曲扭率，为权重系数；
21、预设曲率阈值，若初步区域内所有曲线的曲率的均值大于曲率阈值，则将对应的初步区域作为关键区域；
22、进行特殊划分的方式包括：
23、将子区域中的所有关键区域作为初始的前沿单元，对于每个前沿单元，根据预设的尺寸大小生成若干个新的前沿单元，将新的前沿单元加入到预设的活动前沿集合中；
24、检测新加入的前沿单元是否与已有的前沿单元相交，对于相交的两个前沿单元，进行单元裁剪，即将相交的部分从两个前沿单元中去除；直至活动前沿集合为空，前沿单元对应网格。
25、进一步地，所述曲率加权函数的获取方式包括：
26、收集n组曲线数据，曲线数据包括曲线的几何参数和对应的关键区域标记；从曲线数据中提取几何特征，几何特征包括曲率、曲扭率和曲线的参数方程的高阶导数；
27、定义的后验概率；
28、其中，为几何特征，为关键区域标记，为似然函数，为先验概率，为正比于的符号；先验概率；其中，为先验概率的均值函数，为先验概率的协方差函数；为多元正态分布；
29、基于后验概率，计算曲率加权函数的后验概率分布，并从后验概率分布中抽取曲率加权函数的样本点；基于抽取得到的样本点，拟合得到曲率加权函数；
30、所述样本点的抽取方式包括：
31、定义一个马尔可夫链，其状态空间定义为曲率加权函数的参数空间，定义一个提议分布；从基于先验概率得到的先验分布中随机抽取一个样本点作为初始状态，即马尔可夫链的起点；
32、对于初始状态，从提议分布中抽取一个新的样本点，计算新的样本点的后验概率的值，根据初始状态和新的样本点的后验概率的值，计算接受率；
33、接受率的计算的公式为：
34、；
35、其中，为新的样本点，为新的样本点的后验概率的值，为初始状态，为的后验概率的值，为在时间步时，从到的提议分布，为在时间步时，从到的提议分布；为自适应调整的方差函数；为接受率；
36、自适应调整的方差函数；其中，为从初始状态到时间步为止所有采样的样本点的协方差矩阵；为正常数；为单位矩阵；
37、定义一个均匀分布，从一个均匀分布中抽取一个随机数，若该随机数小于接受率，则接受新的样本点作为下一个状态；否则，保持当前的初始状态不变；重复直至马尔可夫链收敛到后验概率分布；
38、在马尔可夫链收敛后，从马尔可夫链中抽取固定数量的样本点，这些样本点即为从后验概率分布中抽取的曲率加权函数的样本点。
39、进一步地，所述风险值的计算方式包括：
40、将管道内部环境数据作为数字孪生模型的环境载荷，将管道外部环境数据作为数字孪生模型的边界条件；将管道结构健康数据更新到数字孪生模型的相应位置；将管道运行数据作为数字孪生模型的工况载荷；
41、采用有限元数值计算方法，求解此时数字孪生模型每个网格的应力；定义失效准则函数，将每个网格的应力代入失效准则函数，继而计算出每个网格相应的失效指标；根据失效指标的分布，计算出网格的失效概率；对所有网格的失效概率进行加权求和，得到整个管道高后果区发生失效的概率，即风险值。
42、进一步地，所述失效准则函数的公式为：
43、<mi>ml=</mi><mfrac><msqrt><mrow><mi>[</mi><msup><mrow><mi>(</mi><mi>σ</mi><mn>1</mn><mi>-</mi><mi>σ</mi><mi>2)</mi></mrow><mn>2</mn></msup><mo>+</mo><msup><mrow><mi>(</mi><mi>σ</mi><mn>2</mn><mi>-</mi><mi>σ</mi><mi>3)</mi></mrow><mn>2</mn></msup><mo>+</mo><msup><mrow><mi>(</mi><mi>σ</mi><mn>3</mn><mi>-</mi><mi>σ</mi><mi>1)</mi></mrow><mn>2</mn></msup><mi>]</mi></mrow></msqrt><msqrt><mrow><mi>(2</mi><mi>×</mi><mi>(1+</mi><mi>φ×</mi><mi>f(</mi><mi>ω</mi><mi>,</mi><mi>δ</mi><mi>)))</mi></mrow></msqrt></mfrac>；
44、其中，、和为网格的三个主应力，为修正系数；为应力方向函数，为应力张量，为应力方向角；
45、对于各向同性材料：
46、；
47、对于各向异性材料：
48、；
49、其中，、、、、、和为待定参数；
50、失效指标，其中，为材料的屈服强度，为网格的失效准则函数的值；
51、失效概率的计算方式包括：
52、对于每个网格，通过蒙特卡罗模拟，从失效指标的分布中抽取若干样本，计算样本中失效指标小于0的加权比例；即为失效概率；
53、加权比例的计算公式为：
54、<mi>pf=</mi><mfrac><mn>1</mn><mrow><mi>n</mi><mn>3</mn></mrow></mfrac><mi>×</mi><mstyle displaystyle="false"><mo>∑</mo><mrow><mi>[</mi><mi>e1</mi><mi>×(</mi><mi>1+</mi><mi>α1×</mi><mi>exp(</mi><mi>-</mi><mi>β1×</mi><mi>d)</mi><mi>)</mi><mi>+e</mi><mn>2</mn><mi>×(</mi><mi>1+</mi><mi>γ1</mi><mi>×</mi><mfrac><mi>ml(i)</mi><mi>sy</mi></mfrac><mi>)</mi><mi>]</mi><mi>×</mi><mi>g_</mi><mi>j</mi></mrow></mstyle>；
55、其中，为样本的总数，、和为调整参数，和为平衡参数，且，为样本到全部失效指标的平均的距离，为第个样本的失效指标的值，为加权比例。
56、进一步地，所述最优维护策略的获取方式包括：
57、将维护策略编码为一个高维向量，每个维度对应一个决策变量，决策变量包括维护时间点、维护方式、维护位置、维护材料和维护工艺；
58、在解空间内随机生成固定数量的初始植株，构成种子种群；定义生长函数；其中，为维修成本目标函数，成本权重，为维修时间目标函数，为时间权重，为风险降低程度目标函数，为风险降低权重；
59、维修成本目标函数为维修材料成本、维修工艺成本和维修人工成本之和组成的离散化函数形式；维修时间目标函数为准备维修时间、实际维修时间和验收时间之和组成的离散化函数形式；
60、风险降低程度目标函数；其中，为维修后的风险值，为维修前的风险值；
61、对于每株植株，计算其在生长函数上的值，记作生长值，基于生长值计算其生长概率；生长概率越高，植株在下一代中存活和繁衍的机会就越大；
62、生长概率的计算公式为：
63、<mi>g_v=</mi><mfrac><mrow><mi>(exp(</mi><mi>φ1</mi><mi>×</mi><mi>(f_v</mi><mi>-</mi><mi>f_avg))</mi><mi>×</mi><mi>(1+</mi><mi>ε1</mi><mi>×</mi><msup><mrow><mi>(f_v</mi><mi>-</mi><mi>f_med)</mi></mrow><mi>ϑ1</mi></msup><mi>))</mi></mrow><mstyle displaystyle="false"><mo>∑</mo><mrow><mi>[</mi><mi>(exp(</mi><mi>φ1</mi><mi>×</mi><mi>(f_v</mi><mi>-</mi><mi>f_avg))</mi><mi>×</mi><mi>(1+</mi><mi>ε1</mi><mi>×</mi><msup><mrow><mi>(f_v</mi><mi>-</mi><mi>f_med)</mi></mrow><mi>ϑ1</mi></msup><mi>))</mi><mi>]</mi></mrow></mstyle></mfrac>；
64、其中，为第株植株的生长概率，为第株植株的生长值，为当前的种子种群中所有植株生长值的平均值，为当前的种子种群中所有植株生长值的中位数；为调节参数；为平衡系数，为指数参数；
65、预设生长阈值，根据生长概率，从当前的种子种群中选择生长概率大于生长阈值的植株作为父代植株，通过交叉操作和变异操作产生新的子代植株；将父代植株和子代植株合并，形成一个临时种群；根据生长值，从临时种群中将植株进行降序排序，选择前q株植株，作为下一代种群；
66、直至达到最大迭代次数或种群收敛，并输出当前的生长值最高的植株，作为最优解，即为最优维护策略。
67、一种集成数字孪生的管道高后果区智能管理方法，其基于所述的一种集成数字孪生的管道高后果区智能管理平台实现，包括：s1、获取管道高后果区的监测数据；
68、s2、构建管道高后果区的数字孪生模型，将监测数据施加于数字孪生模型，计算得到管道高后果区发生故障的风险值，预设风险阈值，当风险值大于或等于风险阈值时，触发管道高后果区的维护策略；
69、s3、将维护策略输入数字孪生模型，并采用优化算法优化维护策略；得到最优维护策略，根据最优维护策略，对管道高后果区实施维护操作。
70、本发明一种集成数字孪生的管道高后果区智能管理平台及方法的技术效果和优点：
71、本发明构建了管道高后果区的数字孪生模型，能够精准模拟管道高后果区的特性，从而准确计算管道高后果区发生故障的风险值；基于数字孪生的风险评估方式，比传统方式更加科学、可靠；其次，根据风险值触发维护策略，并采用优化算法优化维护策略，可以获得最优的维护策略等，从而最大限度地提高维护效率，降低维护成本；优化后的维护策略不仅考虑了风险降低程度，还权衡了维修成本和维修时间，实现了多目标优化，确保了维护的经济性和及时性；再者，将实时监测数据施加于数字孪生模型，能够动态评估管道高后果区的健康状态，及时发现风险隐患，提高管道运行的安全性和可靠性。实现了主动预防，避免了重大事故的发生，保障了人员和环境的安全。
1.一种集成数字孪生的管道高后果区智能管理平台，其特征在于，包括：数据获取模块，用于获取管道高后果区的监测数据；
2.根据权利要求1所述的集成数字孪生的管道高后果区智能管理平台，其特征在于，所述监测数据包括管道内部环境数据、管道外部环境数据、管道结构健康数据和管道运行数据。
3.根据权利要求2所述的集成数字孪生的管道高后果区智能管理平台，其特征在于，所述数字孪生模型的构建方式包括：
4.根据权利要求3所述的集成数字孪生的管道高后果区智能管理平台，其特征在于，所述将物理模型进行细化的方式包括：
5.根据权利要求4所述的集成数字孪生的管道高后果区智能管理平台，其特征在于，所述将完善物理模型进行适应性划分的方式包括：
6.根据权利要求5所述的集成数字孪生的管道高后果区智能管理平台，其特征在于，所述曲率加权函数的获取方式包括：
7.根据权利要求6所述的集成数字孪生的管道高后果区智能管理平台，其特征在于，所述风险值的计算方式包括：
8.根据权利要求7所述的集成数字孪生的管道高后果区智能管理平台，其特征在于，所述失效准则函数的公式为：
9.根据权利要求8所述的集成数字孪生的管道高后果区智能管理平台，其特征在于，所述最优维护策略的获取方式包括：
10.一种集成数字孪生的管道高后果区智能管理方法，其基于权利要求1至9任一项所述的集成数字孪生的管道高后果区智能管理平台实现，其特征在于，包括：s1、获取管道高后果区的监测数据；
