买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉东南大学申请的专利基于数字孪生的城市生命线管道腐蚀风险预警方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119918130B 。

龙图腾网通过国家知识产权局官网在2025-11-18发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411876924.8，技术领域涉及：G06F30/13；该发明授权基于数字孪生的城市生命线管道腐蚀风险预警方法是由丁珣昊;王旭召;马涛;肖柏彤;王坤;叶飞龙;陈丰;董政显;田沛欣;叶钟匀;陆翔宇设计研发完成，并于2024-12-19向国家知识产权局提交的专利申请。

本基于数字孪生的城市生命线管道腐蚀风险预警方法在说明书摘要公布了：本发明提出了一种基于数字孪生的城市生命线管道腐蚀风险预警方法，包括以下步骤：S1、根据监测控制系统与检测设备，得到管道内部运行参数、管道外部环境参量以及外腐蚀速率数据；S2、构建基于数物融合与物理引导神经网络的内腐蚀速率预测模型；S3、构建基于粒子群优化算法和相关向量机的外腐蚀速率预测模型；S4、根据样条插值法对管道外腐蚀速率数据进行补全与时间配准；S5、构建管道腐蚀风险分级预警方法；S6、根据步骤S1至S5，建立基于数字孪生的地下管道全寿命服役周期腐蚀风险预警系统。本发明针对全寿命服役周期内的多相流地下管道实现实时的腐蚀风险分级预警以及剩余寿命预测，指导多相流地下管道在腐蚀风险下的检测、维修与养护工作。

本发明授权基于数字孪生的城市生命线管道腐蚀风险预警方法在权利要求书中公布了：1.基于数字孪生的城市生命线管道腐蚀风险预警方法，其特征在于：包含如下步骤： S1、根据监测控制系统与检测设备，得到管道内部运行参数、管道外部环境参量以及外腐蚀速率数据； S11、根据压力传感器、温度传感器、流量计和色谱分析仪，监测管道内部运行参数，所述管道内部运行参数包括管道沿线压力分布数据{P′1,P′2,…,P′n}、温度分布数据{T′1,T′2,…,T′n}、介质流量数据Q、流体介质组分{S1,S2,…,Sn}；将管道内部运行参数通过可编程逻辑控制器PLC进行收集并完成输出信号与数字数据间的转换，并通过本地控制站处理并传输至系统服务器进行存储，最后使用人机界面HMI链接到系统服务器和SQLServer数据库进行管理； S12、根据多种检测设备，得到管道外部环境参量和外腐蚀速率数据，所述管道外部环境参量包括防腐层破损点密度X1、土壤pH值X2、土壤含水率X3、氧化还原电位X4、土壤电阻率X5、自然电位X6、杂散电流X7、阴极保护率X8以及土壤含盐率X9； S121、根据皮尔逊检测法，得到防腐层破损点密度X1； S122、干燥过筛土样加入去离子水静置沉淀，使用pH计测定上部清液的pH值，得到土壤pH值X2； S123、根据烘干法，得到土壤含水率X3； S124、根据去极化法，得到氧化还原电位X4； S125、根据等距四点法，得到土壤电阻率X5； S126、根据地表参比法,得到自然电位X6； S127、根据管地电位正向偏移法，测量管地电位相对自然电位的正向偏移量，得到杂散电流X7； S128、根据密间隔电位检测法得到整个管线上的保护电位分布图，再进行阴极保护率的计算，得到阴极保护率X8； S129、根据干渣称重法测定土壤中的可溶性盐分总量，得到土壤含盐率X9； S1210、根据超声波检测法，接收其从管道外壁反射回的信号，经数据处理得到管道外壁腐蚀深度，从而得到管道段的外腐蚀速率数据X； S2、根据监测控制系统得到的管道内部运行参数,构建基于数物融合与物理引导神经网络的内腐蚀速率预测模型； S21、根据监测控制系统得到的管道内部运行参数，建立数物融合的流体动力学仿真模型，得到H2S分压M1、CO2分压M2、温度M3、pH值M4、液体流速M5； S211、根据监测控制系统监测到的流体介质组分信息、管段出入口温度、压力与流量信息和管道参数信息，构建基于监测控制系统与缩尺试验的物理空间，建立管段缩尺试验，并在试验中使用激光多普勒流速仪LDV与电化学工作站分别得到壁面切应力τ与管道內腐蚀速率M； S212、根据监测控制系统监测到的流体特性、管段出入口的温度、压力和流量，结合管道参数信息，预设壁面切应力作为管壁边界条件，构建基于多相流仿真软件OLGA的数值空间，建立该管段的数值仿真模型； S213、根据步骤S11得到的物理空间中管道沿线压力分布数据{P′1,P′2,…,P′n}、温度分布数据{T′1,T′2,…,T′n}以及步骤S211得到的壁面切应力τ，建立物理空间与数值空间的交互，对数值空间中预设的最大迭代次数N和壁面切应力τ进行修正； S214、采用遗传算法GA对数值空间中的预设参数进行优化，目标适应度函数fk的公式如下： fk＝ω1RMSE1k+ω2RMSE2k 式中：n为监测控制系统中监测点总数；Pik为第i个测点处第k次迭代时数值空间中的压力值；P′i为物理空间监测控制系统中第i个测点处监测到的压力值；Tik为第i个测点处第k次迭代时数值空间中的温度值；T′i为物理空间监测控制系统中第i个测点处监测到的温度值；RMSE1k为第k次迭代时数值空间与物理空间中压力值之间的均方根误差；RMSE2k为第k次迭代时数值空间与物理空间中温度值之间的均方根误差；fk为第k次迭代时的目标函数值；ω1和ω2为权重； S215、采用步骤S214修正后的最优参数进行多相流管段的流体动力学仿真，得到內腐蚀影响因素数据，包括H2S分压M1、CO2分压M2、温度M3、pH值M4以及液体流速M5； S22、构建基于物理引导神经网络PGNN的管道內腐蚀速率预测模型，并对步骤S21得到的H2S分压M1、CO2分压M2、温度M3、pH值M4、液体流速M5、经调查得到的缓蚀剂注入量M6以及管道內腐蚀速率M进行数据预处理，划分为训练集和测试集，并将物理损失项加入损失函数，公式如下： 式中：ΔPHY为物理差异项；n为样本总数；Mi为模型在第i个样本上的内腐蚀速率预测值；Mi′为模型在修改特征后的第i个样本上的内腐蚀速率预测值；为第i个样本上真实的内腐蚀速率；λ为物理损失项的权重； 对基于物理引导神经网络PGNN的管道內腐蚀速率预测模型进行训练与测试，得到基于数物融合与物理引导神经网络的内腐蚀速率预测模型； S3、根据步骤S1得到的管道外部环境参量和外腐蚀速率数据，构建基于粒子群优化算法和相关向量机的外腐蚀速率预测模型； S4、根据样条插值法对管道外腐蚀速率数据进行补全与时间配准； S41、利用python及其内置的SciPy库，结合样条插值法的原理，编写能够实现求解样条插值函数以及输出对应插值的程序，并且能够根据新的数据点进行样条插值函数的自动更新； S42、将步骤S12中得到的管道外部环境参量{X1,X2,…,X9}作为输入数据，利用步骤S3中所建立的基于粒子群优化算法和相关向量机的外腐蚀速率预测模型，得到若干该管段的外腐蚀速率数据点，构成该管段的外腐蚀速率数据集合{t1:v1,t2:v2,…,tn:vn}； S43、利用样条插值法求解程序，以步骤S42外腐蚀速率数据集合作为程序输入，并以步骤S1中同一管段的监测控制系统的监测采样频率为标准，利用样条插值完成该管段內腐蚀速率V1与外腐蚀速率V2的时间配准，形成内腐蚀速率和外腐蚀速率协同作用的数据库； S5、根据维纳过程与弹塑性断裂力学理论，构建管道腐蚀风险分级预警方法； S51、根据公式Xt＝X0+Xt-1e-λt+σBt、公式Yt＝Xt+ε＝X0+Xt-1e-λt+σBt+ε以及公式构建多相流地下管道的非线性维纳腐蚀退化模型； 式中：Xt为真实的性能退化指标；Yt为预测的性能退化指标；λ为漂移系数，表征了管道的退化速度；σ为扩散系数；Bt表示标准的布朗运动；e-λt表示系统的非线性特征；ε为误差项；dt为t时刻管道的腐蚀深度；d0为管道初始的壁厚； S52、根据步骤S43得到的内腐蚀速率和外腐蚀速率协同作用的数据库对该管段的腐蚀深度dt进行计算，得到若干腐蚀深度dt，公式如下： 式中：V1为某管段的內腐蚀速率；V2为某管段的外腐蚀速率； S53、利用扩展卡尔曼滤波算法EKF对参数进行更新，以步骤S52得到的若干腐蚀深度dt作为输入，迭代更新非线性维纳退化模型中的漂移系数η和扩散系数σ，构建管段腐蚀退化模型； S54、根据公式T＝inf{t:Xtω,t≥0}预测管段剩余寿命，式中ω为失效阈值； S55、构建管段的腐蚀风险分级预警： 以最大允许腐蚀深度下的性能退化指标作为失效阶段的起点，以最大允许腐蚀深度的20％对应的性能退化指标作为正常运行阶段的终点和退化阶段的起点，处于正常运行阶段的管段腐蚀风险为1，可视具体情况不采取养护手段，处于退化阶段的管段腐蚀风险为2，需要采取一定的养护手段来减缓管段的退化速度，处于失效阶段的管段腐蚀风险为3，必须采取必要的维修措施来保证该管段的正常运行； S56、根据SHAP算法，得到步骤S2构建的基于数物融合与物理引导神经网络的内腐蚀速率预测模型和步骤S3构建的基于粒子群优化算法和相关向量机的外腐蚀速率预测模型中在预测时作为输入的每个特征的平均绝对SHAP值； S6、根据步骤S1至S5，建立基于数字孪生的地下管道全寿命服役周期腐蚀风险预警系统； S61、建立管道状态参量感知获取模块； S611、基于物联网技术与云计算，并借助数据分析与可视化工具构建多相流地下管道外腐蚀数据的数字化检测系统，对管道外腐蚀检测数据进行监控、分析并生成报告，实现检测数据的数字化、在线化以及数据处理的自动化； S612、在数字化检测系统和监测控制系统之间建立API接口，实现二者之间的数据资源共享，建立管道状态参量感知获取模块； S62、将步骤S2构建的基于数物融合与物理引导神经网络的内腐蚀速率预测模型和步骤S3构建的基于粒子群优化算法和相关向量机的外腐蚀速率预测模型部署至云端，并结合消息队列，将管道状态参量感知获取模块的监测与检测数据传输至模型接口，并设置自动化数据预处理流程，构建腐蚀速率推理预测模块； S63、在云端预测结果输出后增加两个后处理模块，一个后处理模块针对低频输出的外腐蚀速率进行样条插值，并将频率一致的內腐蚀速率与外腐蚀速率预测结果存储至云端数据库，另一个后处理模块利用SHAP算法计算得到各输入特征的平均绝对SHAP值，并对应存储至云端数据库； S64、建立历史累积腐蚀深度计算模块，并使用PyMySQL数据库连接库配置数据库连接参数，建立与云端数据库的连接并进行计算处理； S65、构建管段最大腐蚀深度计算模块，并将其集成至腐蚀风险分级预警模块，调用历史累积腐蚀深度计算性能退化指标并根据步骤S5中的风险预警原则与退化模型计算得到腐蚀风险级别与当前管段的剩余使用寿命； S66、使用WebSocket协议在服务器与云端数据和前端之间建立双向通信通道，将不同管段不同时刻所对应的内外腐蚀速率预测值、腐蚀深度值、各输入特征的平均绝对SHAP值、管段剩余使用寿命以及管段腐蚀风险级别推送至前端。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人东南大学，其通讯地址为：210000 江苏省南京市玄武区四牌楼2号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。