基于硬约束和物理信息神经网络结合的天然气管网仿真新方法OA北大核心

随着天然气管网互联互通成环成网,需要利用仿真技术模拟各种工况下的管网运行状态,以提升管网的供气能力,进而降低管网运行成本。现有的智能化仿真方法过于依赖数据驱动,忽略了天然气流动机理,导致精度与稳定性较差且结果不可解释。为此,从机理角度分析了天然气流动基本控制方程与管网拓扑结构,将机理信息耦合至深度学习的损失函数指导结构设计与训练,形成了天然气管网物理信息神经网络PINN(Physics-Informed Neural Network)仿真模型;然后描述了输入输出变量之间的耦合关系,设计边界条件嵌入训练硬约束模式,建立了硬约束和物理信息神经网络结合BHC-PINN(Boundary Hard-Constraint Physics-Informed NeuralNetwork)的模型,实现了天然气管网全时空状态的仿真监测。研究结果表明:(1) PINN模型将管道与拓扑结构的机理信息耦合进损失函数以提高模型的可解释性,并借助管网进出口冗余数据提高了准确性,实现了对管网压力流量的准确监测;(2)建立的边界硬约束模式,使神经网络的输出强制满足边界条件,得到的流量和压力仿真误差分别从2.1%和0.32%下降低至1.5%和0.082%,训练的效率和速度分别提高了48.5%和55.9%;(3) BHC-PINN能实现管网任意位置气体流动状态的观测,对于中间阀室压力的仿真最大误差为0.2%。结论认为,该新方法能准确仿真天然气管网内流动状态,增强了数据驱动模型的可解释性,并为天然气管网瞬态仿真提供了数据加机理混合驱动的新思路。