一种关于对超长距离泥浆管路磨损进行模拟的数值方法与流程

本发明属于泥水平衡式盾构机关于泥浆运输管道磨损数值模拟方法，特别是涉及一种关于对超长距离泥浆管路磨损进行模拟的数值方法。

背景技术：

1、泥水盾构泥浆循环系统主要由进排浆泵、进排浆管路、控制阀门、采石箱和管路延伸机构等组成，是泥水盾构总系统的核心系统之一，在开挖面维稳、渣土运输和隧道排污等方面具有重要作用。在超长距离泥浆管路的运行过程，泥水盾构在卵砾石地层中掘进时，由于流体中携带的固体颗粒与管道壁面的不断碰撞和摩擦，大量石块在泥浆管路运输过程中对管壁内壁尤其在弯管与接头处造成严重磨损，导致管道的使用寿命缩短，甚至引发安全事故。因此，准确预测和评估管道的磨损情况对于保障管道的安全运行至关重要。

2、但在现有技术中，目前实验方法成本高、周期长，且难以覆盖所有工况，无法实时监测和预测管道的磨损情况。经验公式法虽然简单易行，但精度较低，难以适应复杂的工况变化，无法提供精确的磨损预测。现有技术大多依赖于单一的实验或模拟方法，缺乏智能化管理手段，无法实现对管道磨损的实时监测和智能预测。

技术实现思路

1、本发明为解决上述背景技术中存在的技术问题，提供一种关于对超长距离泥浆管路磨损进行模拟的数值方法。

2、本发明采用以下技术方案：一种关于对超长距离泥浆管路磨损进行模拟的数值方法，包括以下步骤：

3、s1、构建流体控制方程，用以为步骤s2与s4中的湍流简化模型和冲蚀磨损模型提供基础的流体动力学描述；包括：

4、质量守恒方程：描述流体质量在控制体中的守恒关系，确保流体在流动过程中质量不发生变化；

5、动量守恒方程：描述流体动量在控制体中的守恒关系，考虑流体的速度变化和外力作用；

6、能量守恒方程：描述流体能量在控制体中的守恒关系，考虑流体的温度变化和能量传递；

7、s2、构建湍流简化模型，用以对管道内控制湍流动能k的运输方程和湍流耗散速率ε进行计算，包括：

8、湍流动能k的运输方程：描述湍流动能在流体中的运输过程；

9、湍流耗散速率ε：描述湍流动能转化为热能的速率；

10、s3、构建流体与颗粒、颗粒与壁面之间的碰撞方程，用以模拟颗粒在流体中的运动和碰撞行为，为s4中的冲蚀磨损模型提供颗粒运动和碰撞的数据，包括：

11、流体与颗粒碰撞方程：构建流体中颗粒的运动和碰撞过程，描述颗粒的惯性和流体的拖曳力；

12、颗粒与壁面碰撞方程：构建颗粒与管道壁面的碰撞过程，描述颗粒的反弹和摩擦；

13、s4、构建冲蚀磨损模型，用以模拟管路磨损机制，所述冲蚀磨损模型至少包括：冲击磨损速率、冲刷磨损速率和疲劳磨损速率，其中：

14、冲击磨损速率：描述颗粒冲击管道壁面造成的磨损速率，考虑冲击角度和冲击力；

15、冲刷磨损速率：描述流体冲刷管道壁面造成的磨损速率，考虑流体的速度和颗粒浓度；

16、疲劳磨损速率：描述颗粒反复冲击管道壁面造成的疲劳磨损速率，考虑冲击频率和材料疲劳特性；

17、s5、根据冲蚀磨损模型，计算管道壁面的冲蚀磨损率，得到冲蚀磨损率，用以量化管道壁面的磨损程度，为后续的磨损预测提供数据支持；

18、s6、将实际检测的管道运行数据，至少包括管道内流体速度、压力、管道的磨损厚度引入到模型，用以实现数据校正；

19、s7、进行pinns物理信息神经网络学习和流体动力学分析，结合管道材料属性，得出冲蚀磨损率规律，实现管路磨损预测。

20、优选的是，所述步骤s1中的质量守恒方程、动量守恒方程与能量守恒方程表达式如下：

21、在三维空间中，不可压缩流体的质量守恒方程写作：▽·u=0；

22、分量形式：

23、其中，u=(ux，uy，uz )是流体的速度矢量；

24、对于不可压缩流体，每个方向上的动量守恒方程写作：

25、分量形式：

26、其中，ui和uj分别代表速度在i和j方向上的分量；p代表压强；ρ代表流体的密度； ν代表流体的动力粘度除以其密度；fi代表作用于流体单位体积的外力在i方向上的分量；

27、对于不可压缩流体，能量守恒方程写作：

28、

29、其中，e代表单位质量的总能量；q代表热传导通量；ϕ代表由于粘性引起的耗散率，其中，τij是剪切应力张量的分量；f代表单位体积的外力向。

30、优选的是，所述步骤s2中的对管道内控制湍流动能k的运输方程和湍流耗散速率ε进行计算的方程表达式如下：

31、其中，湍流动能k的运输方程：

32、

33、其中，ρ是流体密度；ui是平均流速分量；ν是分子粘度；νt是涡粘度；σk是湍流动能k的prandtl湍流数；表示由于雷诺应力产生的湍动能产生率；ε是湍流耗散速率；sk 是用户定义的源项一；

34、湍流耗散速率方程：

35、

36、其中，σε是湍流耗散速率ε的prandtl湍流数；c1和c2是经验常数；sε是用户定义的源项二。

37、优选的是，流体与颗粒间的相互作用力至少包括：浮力fb、曳力fd、和压力梯度力fp；

38、其中，浮力fb的公式为：fb=vp (ρf-ρp )g；

39、其中，vp是颗粒的体积；ρf是流体的密度；ρp是颗粒的密度；g是重力加速度；

40、曳力fd的公式为：

41、

42、其中，cd是曳力系数；ρf是流体的密度；a是颗粒的横截面积；ug是颗粒的速度；uf是流体的速度；

43、曳力系数cd根据雷诺数rep来确定：

44、其中：dp是颗粒直径；νf是流体的动力粘度；

45、压力梯度力fp的公式为：fp=-vp ▽p；

46、其中，vp是颗粒的体积；▽p是压力梯度；

47、颗粒在流体中的受力情况综合表示为：ftotal=fb+fd+fp；

48、这里：ftotal是颗粒在流体中的总受力；

49、所述步骤s3中的流体与颗粒、颗粒与壁面之间的碰撞模型方程如下：

50、

51、式中：en表示法向分量；et表示切向分量；θ表示颗粒与壁面发生碰撞时的冲击角度。

52、优选的是，所述步骤s4中的冲蚀磨损模型为：

53、式中：er为冲蚀磨损率，kg/(m2·s)；np为固体粒子数；mp为粒子的质量流率，kg/s；c(dp)为粒子直径函数；f (θ)为冲击角函数；v为粒子冲击速度，m/s；b(v)为速度指数；aface为单颗粒对壁面造成的单位冲击面积。

54、优选的是，所述步骤s5中的冲蚀磨损计算包括：所述步骤s1的流体控制方程、提取所述步骤s2中湍流简化模型中的计算结果和所述步骤s3的碰撞方程中的颗粒速度ug数据，代入所述步骤s4中的冲蚀磨损模型进行计算。

55、优选的是，所述流体力学分析至少包括：流动状态、速度分布、压力分布；

56、所述pinns物理信息神经网络至少包括：神经网络模型、损失函数l、残差；

57、神经网络模型至少包括：输入层、隐藏层和输出层；

58、损失函数l至少包括：数据损失ldata和物理损失lpde+ lbc+lic；数据损失ldata用于确保网络预测数据与实际观测数据一致，物理损失lpde+ lbc+lic用于确保网络预测数据满足流体控制方程的物理定律、边界条件bc和初始条件ic。

59、优选的是，所述pinns物理信息神经网络学习，包括以下步骤：

60、s6.1、运行数据收集；所述运行数据至少包括：管道内流体速度、压力、管道的磨损厚度；

61、s6.2、运行数据预处理；

62、s6.3、划分训练集和测试集；将预处理的运行数据划分为训练集数据和测试集数据；

63、s6.4、多层感知机模型构建；

64、s6.5、多层感知机模型训练；使用所述训练集数据对模型进行训练，包括：初始化网络、计算损失、优化、迭代更新；

65、s6.6、多层感知机模型测试；使用所述测试集数据对训练好的模型进行测试，评估模型的性能。

66、本发明的有益效果：

67、提供了一种关于对超长距离泥浆管路磨损进行模拟的数值方法，通过建立流体控制方程，能够准确描述流体在管道内的运动状态，为后续的湍流简化模型和冲蚀磨损模型提供基础数据。通过湍流简化模型，能够精确模拟管道内湍流流动的复杂性，提高磨损预测的准确性。通过碰撞方程，能够量化颗粒与流体、颗粒与壁面之间的相互作用，为冲蚀磨损模型的构建提供关键参数。通过冲蚀磨损模型及其计算，能够定量计算管道壁面的冲蚀磨损率，实时评估管道的磨损情况，及时发现潜在问题，为管道维护和优化提供科学依据。通过pinns物理信息神经网络，能够结合数值模拟和机器学习，引入实际检测的管道运行数据，得出冲蚀磨损率规律，提高磨损预测的精度和效率，实现智能化的管道磨损管理。