基于管道中心线坐标数据的不同弯头识别技术

唐雨; 侯燕芳; 舒洁; 林冬; 涂圣文

doi:10.12404/j.issn.1671-1815.2503170

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (14) :5956-5966 DOI: 10.12404/j.issn.1671-1815.2503170

石油、天然气工业

基于管道中心线坐标数据的不同弯头识别技术

唐雨 ¹ ,
侯燕芳 ² ,
舒洁 ¹ ,
林冬 ¹ ,
涂圣文 ²^,^*

作者信息 +

Bend Identification Techniques Based on Pipeline Centerline Coordinate Date

TANG Yu ¹ ,
HOU Yan-fang ² ,
SHU Jie ¹ ,
LIN Dong ¹ ,
TU Sheng-wen ²^,^*

Author information +

文章历史 +

摘要

穿越复杂地质区域石油天然气管道在服役过程中,容易受到土体运动产生的附加载荷,导致管体偏移和变形。作为油气管道的关键管件,在基于惯性测量单元的管道弯曲变形研究中,弯头可能导致弯曲应变数据异常,干扰管道弯曲变形状态的准确判断。旨在基于管道中心线数据准确识别管道弯头位置及其几何特征,为管道弯曲应变分析和管道结构安全状态评估提供技术支撑。基于惯性测量单元获取的管道中心线坐标数据,采用三次样条插值拟合方法分别拟合管道东向、北向和天向走势,计算管道弯曲变形曲率,实现管道弯头定位与几何特征识别。结合某4.4 km长输管道的中心线数据和漏磁检测信息进行分析验证表明,所提出的弯头识别方法在管线弯头起终点定位精度方面,误差控制在0.025 m以内;在检测灵敏度方面,该方法能够识别到漏磁检测无法识别的小弯头,弯头识别总数较漏磁检测方法提高8.0%;在检测可靠性方面,针对漏磁检测方法识别到的137个弯头,本文方法的识别准确率达96.4%。所提出的基于管道中心线坐标数据的弯头识别方法能快速、准确定位管道弯头位置和角度,适用于热煨弯头、冷弯弯头的识别。该方法有助于基于惯性测量单元的管道弯曲应变数据异常值判断分析,可为老旧管道三维空间数字构建提供技术支持。

Abstract

Oil and gas pipelines crossing complex geological regions are often subjected to additional loads induced by soil movement during service, resulting in pipeline deflection and deformation. As critical components of oil and gas pipelines, abnormal bending strain data based on IMU (inertial measurement unit) can be caused by bends, which is considered to affect the accurate assessment of pipeline bending deformation states. The positions and geometric characteristics of bends are aimed to be accurately identified based on pipeline centerline data, providing technical support for pipeline bending strain analysis and safety assessment. Based on the pipeline centerline coordinates obtained from IMU, the cubic spline interpolation method was applied to segmentally fit the eastward, northward, and upward trends of the pipeline. The curvature was calculated to determine the locations and geometric characteristics of the bends. The proposed method was verified using the centerline data and MFL (magnetic flux leakage) results from a 4.4 km long-distance pipeline. The error in bend start and end positioning is controlled within 0.025 m by the proposed bend identification method. For detection sensitivity, small bends that cannot be detected by MFL are identified by the proposed method, and the total number of bends identified is 8.0% higher than that detected by MFL. Regarding detection reliability, a recognition accuracy of 96.4% is achieved by this method among the 137 bends detected by MFL. The positions and angles of bends can be quickly and accurately located by the proposed bend identification method based on pipeline centerline coordinate data. The method is applicable to the identification of both hot and cold bends. The analysis of abnormal pipe bending strain measurements based on inertial measurement units is supported by this method, and technical support is provided for constructing of three-dimensional digital models of aging pipelines.

Graphical abstract

关键词

管道中心线 / 弯头识别 / 曲率 / 三次样条插值 / 惯性测量单元

Key words

pipeline centerline / bends identification / curvature / cubic spline interpolation / inertial measurement unit

引用本文

引用格式 ▾

唐雨, 侯燕芳, 舒洁, 林冬, 涂圣文. 基于管道中心线坐标数据的不同弯头识别技术[J]. 科学技术与工程, 2026, 26(14): 5956-5966 DOI:10.12404/j.issn.1671-1815.2503170

TANG Yu, HOU Yan-fang, SHU Jie, LIN Dong, TU Sheng-wen. Bend Identification Techniques Based on Pipeline Centerline Coordinate Date[J]. Science Technology and Engineering, 2026, 26(14): 5956-5966 DOI:10.12404/j.issn.1671-1815.2503170

登录浏览全文

4963

注册一个新账户忘记密码

石油天然气管道在穿越地震活跃区、冻土区、山体滑坡和泥石流等不良地质区域时,可能受土体运动引发的非均匀沉降、滑动或侧向推力等附加载荷作用,产生变形和位移,影响管道安全服役^[1-3]。特别地,当管道本体或焊缝区存在裂纹、腐蚀坑等缺陷时,附加载荷可能导致管道发生凹陷、褶皱,甚至断裂,引发油气泄露事故^[4-5]。因此,将管道空间数据与实体数据有效结合进行管道完整性管理,对于预防和检测管道潜在的风险和故障具有重要的工程意义^[6]。

传统的开挖检测方法仅能针对管道的局部位置,难以对长输管道进行全线安全评价。惯性测量单元(inertial measurement unit, IMU)搭载于管道内检测器,在管内流动介质的推动下沿管道前进,记录管道中心线坐标数据和俯仰角、航向角等姿态信息^[7-10]。随着定位算法、对准技术和解算方法的不断发展,管道内检测器的速度与位置信息准确度显著提升,从而能够较为准确地获取中心线经纬度和高程等空间信息^[8,11-12]。在此基础上,结合空间坐标转换技术,刻画管道三维空间走势并计算弯曲应变,并开展管道安全评价,可克服传统开挖检测的局限性。其中,精准识别管道弯头是管道安全评价的关键环节,直接影响评价结果的准确性。方威伦等^[13]通过IMU数据分析发现,在冻土区管道融沉风险段的识别过程中,管道整体位移引发的弯曲变形、凹陷及弯头等局部变形均会在检测数据中表现为较大的应变信号,进而干扰融沉段识别效果。赵晓明等^[14]指出,应排除弯头等超阈值弯曲应变变化点,并单独考虑弯头处管道曲率的计算精度。何仁洋等^[15]在进行基于IMU数据的应变解析时同样指出,弯头特征识别是确保管道安全评估精度和可靠性的前提。

漏磁检测是当前管道完整性检测的常用方法之一^[16-17],结合漏磁信号开展弯头识别,通过数据对齐匹配IMU里程信息确定弯头位置。然而,弯头结构特性的限制,对于部分小弯头,漏磁磁场变化较小,可能导致弯头误判和漏判。经过图像增强处理,仍难以有效解决这一问题,严重影响管道弯曲应变的有效评价^[18]。此外,漏磁检测方法仅能获取管道弯头数量和位置,无法提供弯头的弯曲角度和弯曲半径,不利于老旧管道的三维数字构建。方威伦等^[13]利用IMU获取的角位移数据,通过运动姿态解算,计算了管道弯曲应变。该研究通过对弯头等管体局部几何变形的应变特征进行数学描述,如应变幅值、变化率等,识别了管道局部变形的类型和位置。然而,该方法需要将IMU数据与几何检测数据按照环焊缝编号对齐,依赖大量人工干预。为解决这一问题,刘啸奔等^[19]采用深层神经网络模型,减少了人工识别管道弯头和其他局部变形特征时的误差。然而,该方法的识别精度依赖于大量典型局部变形管段数据的训练集,包括弯头管段、凹陷变形管道、弯曲变形管段和环焊缝异常管段等。刘燊等^[20]和Choquette等^[21]提出根据弯头弯曲应变数值及其在不同检测年份间变化较小的特点,识别管道弯头。但该方法仅适用于识别由常规加工生产得到的弯头,无法有效识别因地形等因素现场加工的冷弯弯头。霍晓彤等^[22]采用三次样条插值和五点光滑方法计算管道弯曲应变,尝试识别管道的弯头位置。但由于识别精度较低,难以精准描述弯头几何特征。针对这一问题,王宇^[23]基于IMU获取的管道中心线坐标信息,将管道分为直管段和弯管段,根据管道曲率方向,进一步将弯管分为竖直弯管和水平弯管。结合弯管结构的俯视图和正视图确定了弯头的长度和弯曲角度。然而,该方法仅能识别平面弯头,未考虑复杂空间弯头识别,存在一定的局限性。

总结上述文献发现,当前管道弯头识别方法主要集中于弯头位置的识别,对于弯头几何特征的准确描述相对不足,同时存在漏检问题。基于此,现提出一种基于管道中心线坐标数据的弯头识别方法。通过三次样条插值拟合开展管道曲率计算,结合环焊缝位置等信息,确定针对热煨弯头和冷弯弯头的识别策略,实现弯头几何特征的全面、准确描述。通过某实际管道中心线数据验证该方法在管道弯头识别的可靠性,有助于基于惯性测量单元的管道弯曲应变数据分析,可为老旧管道三维空间数字构建提供技术支持。

1 计算方法

基于管道里程、中心线经纬度和高程等信息开展弯头识别时,需要将经纬度和高程信息转换为东-北-天坐标。在此基础上,为计算管道空间弯曲曲率,采用三次样条插值方法建立东-北-天坐标和里程之间的函数关系。基于曲率计算结果,结合环焊缝位置等信息,进一步识别并区分管道弯头和凹陷、环焊缝异常、局部变形等非弯头特征区域。最后,准确确定弯头位置和几何特征,并区分热煨弯头和冷弯弯头。本节将详细介绍该方法的具体实现过程。

1.1 IMU数据预处理

管道IMU检测数据经过解算处理后,可获取管道经纬度及高程等管道中心线坐标数据。随后,通过坐标转换,形成以测量起始点为原点的局部东北天坐标。由于IMU采集的管道中心线坐标数据容易受到焊缝、腐蚀缺陷等干扰,引入噪声信号,影响计算结果的准确性。小波分析是一种兼具空间和频率的局部特性的信号变换方法,能够有效提取信号中的关键信息,特别适用于信号分析、降噪和压缩等场合^[24-25]。因此,采用Daubechies小波、无似偏然估计原则和软阈值函数进行初步降噪处理,并进一步应用移动平均法平滑处理,以提高结果的可靠性和精度。

1.2 三次样条插值

空间曲线的曲率计算涉及一阶、二阶求导,因此基于管道中心线坐标和里程数据的拟合应满足一阶、二阶导数连续性。三次样条插值方法具有较强的线性逼近能力,可以较好地保证收敛性和稳定性,同时,插值曲线的光滑性较好,能够较好地反映变形体的变形规律^[26]。因此,选择三次样条插值方法拟合离散的管道中心线坐标和里程数据。为保证计算精度的同时避免过度拟合对管道曲率计算的影响,将插值间隔设置为5倍的采样间隔,并在每个区间建立相应的三次多项式函数。

管道中心线坐标关于里程的函数为

(1)

$\nu \left(s\right)=\left[x\right(s),y(s),z(s\left)\right]$

式(1)中:v(s)为中心线关于里程的向量函数;x(s)、y(s)和z(s)为空间分量关于里程s的函数,分别指向东向、北向和天空方向。

以东向为例,每个插值区间的三次多项式函数为

(2)

$\begin{array}{c}{x}_{i}\left(s\right)={a}_{i}+{b}_{i}(s-{s}_{i})+{c}_{i}(s-{s}_{i}{)}^{2}+{d}_{i}(s-{s}_{i}{)}^{3}\end{array}$

式(2)中:x_i(s)为第i个插值区间对应的三次多项式函数;a_i、b_i、c_i、d_i为三次函数的4个待定系数;s_i为第i个插值点的里程值;i的取值为0~n。

因此,n个插值点共有4n个拟合参数需要求解。

此外,n段三次函数必须穿过所有已知插值点,且在所有插值点处具有零阶、一阶、二阶导数连续,共获取4n-2个方程。通过给定两端点边界条件获得2个方程,联合上述4n个方程即可求解所有待定系数。在东(x方向)、北(y方向)和天空(z方向)三个方向的坐标,均需要采用三次样条插值函数进行拟合。

1.3 管道曲率计算

根据空间曲线曲率的计算方法,采用式(3)即可计算得到管道中心线曲率。

(3)

$\kappa =\frac{{d}^{2}\nu }{d{s}^{2}}$

式(3)中:κ为曲率矢量;v为中心线关于里程的向量。

曲率各个分量的表达式为

(4)

${\kappa }_{x}=\frac{{d}^{2}x\left(s\right)}{d{s}^{2}}$

(5)

${\kappa }_{y}=\frac{{d}^{2}y\left(s\right)}{d{s}^{2}}$

(6)

${\kappa }_{z}=\frac{{d}^{2}z\left(s\right)}{d{s}^{2}}$

式中:κ_x、κ_y、κ_z分别为管道x、y和z方向曲率。

根据式(7)即可计算得到管道总曲率κ_T的大小。

(7)

${\kappa }_{T}=\sqrt{({\kappa }_{x}{)}^{2}+({\kappa }_{y}{)}^{2}+({\kappa }_{z}{)}^{2}}$

1.4 管道弯头识别

1.4.1 弯头起终点的确定

在管道系统中,弯头与直管段通常采用环焊缝连接,以确保连接区域的强度和密封性。因此,环焊缝常常被视为管道弯头起终点的重要标志。然而,在空间受限或施工条件复杂的环境中,热煨弯头或大尺寸弯头可能无法满足要求,通常采用冷弯弯头以满足施工需求,确保管道的正常运行。基于此,在管道弯头起终点的识别过程中,需综合考虑热煨弯头与冷弯弯头的不同特征。具体而言,两类弯头在环焊缝布置上的差异尤为明显,热煨弯头通常仅在两端存在环焊缝,而冷弯弯头则可能在弯曲段不设置环焊缝或因制造工艺存在多条环焊缝。该方法在热煨弯头、冷弯弯头方面的识别,可结合弯头信息完备的管道进行优化。根据《输油管道工程设计规范》(GB 50253—2014)、《输气管道工程设计规范》(GB 50251—2015)和《石油天然气工业管道输送系统用感应加热弯管、管件和法兰》(GB/T29168.1—2021)的规定,热煨弯管的曲率半径不宜小于管道外径的3倍,直径小于300 mm冷弯弯管的曲率半径不小于管道外径的18倍。

考虑到弯头、凹陷、环焊缝和局部变形段等局部特征区域均表现出管道曲率变化的特征,提出一种基于管道中心线坐标数据的三阶段弯头识别方法。首先,计算所有插值点曲率的算术平均值,取两倍的平均值作为判定阈值,设定管道曲率阈值作为判定条件1进行特征区域识别。这是由于基于管道中心线坐标计算曲率结果存在一定波动,采用平均值的两倍作为判断依据可以提供合理裕量,避免正常波动被误判为异常区域。当管道曲率超过设定阈值时,将前一个插值点标记为特征区域起点;当曲率回落至阈值以下时,将前一个插值点标记为特征区域终点。

在此基础上,设置判定条件2~判定条件5区分弯头、凹陷、环焊缝异常和局部弯曲变形段等不同局部特征。其中,热煨弯头作为管道系统的标准构件,其制造规格具有严格限定,通常长度不会超过12 m^[27]。凹陷段的特征表现为在有限长度范围内存在曲率变化,但曲率变化幅度明显小于标准弯头。环焊缝异常则表现为局部微小的曲率变化。相较而言,局部弯曲变形段具有明显的长度特征,其轴向延伸距离长度一般超过12 m^[21]。匹配环焊缝信息和IMU中心线里程信息,更新特征区域起终点位置信息。根据弯头与其余特征区域的差异,设置包括特征区域长度阈值12 m、起终点位置、环焊缝数量以及曲率最大值在内的4个判定条件,以区分弯头和其他特征区域。

最后,结合环焊缝位置信息和特征区域起终点,判断弯头类型并准确确定管道弯头的实际起终点坐标。当特征区域起终点与相应环焊缝的距离均小于2倍插值间隔时,该特征区域判定为热煨弯头;反之,则判定为冷弯弯头。具体弯头识别示意图如图1所示。

1.4.2 弯头几何特征的确定

如图1所示,在确定了弯头起终点坐标后,需要进一步确定弯头几何特征。图2展示了基于IMU数据开展管道弯头几何特征识别的示意图,该段管道共包含4个弯头,其几何特征可通过下列方法确定。假设弯头起点坐标为(x₁,y₁,z₁),终点坐标为(x₂,y₂,z₂),则起点和终点之间的直线距离可通过式(8)计算得到。

(8)

$d=\sqrt{({x}_{{}_{2}}-{x}_{{}_{1}}{)}^{2}+({y}_{{}_{2}}-{y}_{{}_{1}}{)}^{2}+({z}_{{}_{2}}-{z}_{{}_{1}}{)}^{2}}$

式(8)中:d为弯头起点和终点之间的直线距离,m。

如式(9)所示,弯头弯曲角度通过弯头长度和弯曲半径的关系确定。

(9)

$\theta =\frac{l}{r}$

式(9)中:θ为弯头弯曲角度,rad;l为弯头长度,取管道弯头起终点的里程距离,m;r为弯曲半径,m。

弯曲半径通过弯头长度和弯曲角度反推得到,即

(10)

$r=\frac{d}{2sin\frac{\theta }{2}}$

联立式(9)和式(10),利用已知的弯头长度和直线距离,可求得弯头弯曲角度和弯曲半径。依次采用上述方法,可计算该段管线中所有弯头的几何特征。

2 分析与讨论

以敷设于中国西南山区的一条天然气小口径管道为例,管材为L360,管道外径为168 mm,管道壁厚为7.1 mm。里程计的采样间距为50 mm。选取两段分别含热煨弯头和冷弯弯头的15 m管段,用以验证第1节提出的基于管道中心线坐标和里程信息识别管道弯头方法的正确性。并通过长为4.4 km长输管道的弯头识别结果,进一步验证了该方法的识别精度和可靠性。

2.1 热煨弯头识别

选取含有单一热煨弯头的15 m管段,IMU采样间隔为0.05 m,分别在东向、北向和天空向进行三次样条插值拟合,结果如图3所示。图3(a)表明该管段确实存在唯一弯头。结合图3(b)所示的管道平面走势,可以确定该弯头为位于615~617 m里程区间内的平面弯头。

如图4所示,含热煨弯头的管道曲率分布表明,在615~617 m里程区间内存在明显的曲率突变区域,该特征区域长度小于12 m,且曲率最大值高于弯头阈值,因此可判断该特征区域为弯头区域,这一结果与图3所示的结果一致。此外,不同插值间终点位置。隔下的曲率计算结果存在差异。随着插值间隔的增大,曲率计算结果的波动逐渐减小并趋于平滑,当插值间隔达到0.25 m时,曲率计算最大值稳定在1.25 m左右。因此,选取0.25 m作为后续弯头识别的插值间隔。

采用图1所示的弯头识别方法,得到如图5(a)所示的特征区域起终点识别结果,特征区域起点位于615.529 m里程位置,终点位于616.779 m里程位置。该特征区域附近有两道环焊缝,分别位于615.129 m和616.479 m里程位置。结合该特征区域长度小于12 m且曲率最大值大于弯头阈值的特点,可判断该特征区域为热煨弯头。考虑到工程实践中弯头通常通过焊接方式与直管段连接,弯头起终点位置通常与环焊缝位置一致,通过将特征区域识别结果和环焊缝位置信息对齐,最终确定了如图5(b)所示的管道弯头起终点位置。

为验证识别结果的准确性,对特征区域和热煨弯头的三维识别对比分析,如图6(a)和图6(b)所示。结果显示,基于管道中心线曲率变化的特征区域识别方法能够有效定位管道特征位置,通过引入环焊缝位置信息并进行数据对齐处理,提高了管道弯头识别精度。如图6(c)所示,经过环焊缝位置信息对齐处理后,弯头识别位置在平面坐标系中出现整体正向移动,但对弯头弯曲角度和弯曲半径的计算影响不大。

基于式(9)和式(10)计算得到的弯曲半径和弯曲角度结果如表1所示。特征区域与热煨弯头起终点的差距小于0.1%;弯曲角度的计算差距控制在6%以内;弯曲半径的计算误差约为0.25 m,均在可接受范围内。误差分析表明,上述差异主要源于管道弯曲曲率计算采用0.25 m插值间隔,导致起终点定位存在0~0.25 m的系统误差,进而引起特征区域长度计算误差范围为0~0.5 m。因此,即使不采用环焊缝位置信息进行数据对齐处理,也能较为准确识别管道弯头的位置和几何特征。

2.2 冷弯弯头识别

为验证所提出的基于管道中心线坐标数据进行冷弯弯头识别的有效性,选取一段含冷弯弯头的管段进行分析。管道走势如图7所示,该管道存在位于2 805~2 807 m里程区间内的单一特征区域。该特征区域长度小于12 m,排除其为局部变形段的可能性。采用0.25 m的插值间隔计算得到该管道总曲率随里程变化的分布情况,如图8所示。结果表明,在2 805~2 807 m里程区间内,管道出现显著的曲率突变,推断该特征区域为弯头,而不是凹陷等其他局部变形特征。

采用图1所示的基于管道中心线数据的弯头识别方法,获得如图9(a)所示的特征区域识别结果。该特征区域起点位于2 805.263 m里程位置,终点位于2 806.654 m里程位置。结合该管段的环焊缝位置信息分析,发现特征区域起终点与相应环焊缝位置之间均存在较大距离,由此可判断该弯头为安装过程中形成的冷弯弯头,环焊缝位置与弯头起终点间存在直管段。2.2节论证了即使不依赖环焊缝位置信息,也能较为准确地识别弯头位置及其几何特征。因此,如图9(b)所示,特征区域起终点位置即为冷弯弯头的实际起终点位置。基于式(9)和式(10)计算得到该冷弯弯头弯曲半径为5.34 m,弯曲角度为14.93°。

2.3 长输管线的弯头识别

基于管道中心线坐标数据,采用如图1所示的方法,对某4.4 km的长输管线进行了系统识别与分析。如表2所示,该4.4 km的长输管线共检测到159个特征区域,其中包含148个弯头(热煨弯头135个,冷弯弯头13个)。其中有147个弯头的曲率半径计算值大于3倍管径,符合《输油管道工程设计规范》(GB 50253—2014)、《输气管道工程设计规范》(GB 50251—2015)和《石油天然气工业管道输送系统用感应加热弯管、管件和法兰》(GB/T29168.1—2021)等标准中管道弯头曲率半径大小的规定。

值得注意的是,基于管道中心线坐标的识别方法在提取特征区域过程中,还识别出部分曲率变化较大的位置。经与现有数据对照发现,这些位置恰好对应于管道中的环焊缝。为避免将非弯头的曲率扰动误识别为弯头,本文方法在后续数据处理与特征筛选阶段对这类区域进行了有效排除,从而提升了弯头识别的准确性。

为验证方法的有效性,采用漏磁检测方法进行对比分析。结果表明,漏磁检测方法共识别到137个弯头。相比而言,所提出的弯头检测方法能够识别到漏磁检测无法识别的弯头,弯头识别数量较漏磁检测提高了8.0%。进一步统计显示,对于漏磁检测方法检测到的137个弯头,本文方法成功识别132个,检测准确率达96.4%,验证了所提出的弯头识别方法在弯头数量识别上的可靠性。

由于漏磁检测方法无法区分冷弯弯头和热煨弯头,并且其弯头起终点的识别常以环焊缝位置为依据,因此漏磁检测结果属于热煨弯头。本文方法识别出13个冷弯弯头,仅有5个与漏磁检测识别到的弯头位置相互对应。为定量评估弯头位置检测精度,选取了10个典型热煨弯头样本与漏磁检测方法进行对比分析(表3)。结果表明,本文方法对热煨弯头起终点位置的识别误差均控制在0.025 m以内。验证了所提出的识别方法在弯头位置检测方面具有较高的精度和可靠性。表3同时列出了5个与漏磁检测结果重合的冷弯弯头样本的对比数据。结果表明,本文方法对冷弯弯头终点的识别误差控制在0.023 m以内,而起点识别误差可达0.753 m。需要指出的是,对冷弯弯头,漏磁检测识别到的弯头位置普遍早于本文方法的识别结果。这主要是漏磁检测方法以环焊缝作为弯头定位依据,而部分冷弯弯头起点与环焊缝之间存在一定长度的直管段,导致漏磁检测的弯头识别范围较为宽泛。

相比而言,根据表2中对漏磁检测结果的中心线检测验证可知,中心线算法额外检测出8个热煨弯头和8个冷弯弯头。为了便于展示,这16个弯头的位置及其相应的几何特征汇总于表4中。为进一步验证结果的准确性,开展了现场实时动态定位(real-time kinematic,RTK)测量,对里程289.044~289.944 m区间(对应表4中序号为4的弯头)和里程3 205.021~3 205.671 m区间(对应表4中序号为7的弯头)进行了重点核查,检测结果如图10所示。现场验证表明,里程289.044~289.944 m区间处于下坡地段,在下坡拐角处确实存在弯头;在里程3 205.021~3 205.671 m区间存在一个小弯头,与检测结果一致。

3 结论

提出了一种基于管道中心线坐标数据的弯头识别方法,结合三次样条插值方法和环焊缝信息,实现了对管道弯头位置、几何特征及类型的准确识别。通过对长输管线的识别验证,证明了该方法的有效性,为老旧管道三维空间数字构建提供了技术支持,得出如下结论。

(1)基于解算IMU信息获取的管道中心线坐标数据,采用三次样条插值方法分别拟合了管道东向、北向和天向走势,计算了管道弯曲曲率,实现了对管道特征区域位置及几何特征的准确识别。

(2)综合分析管道特征区域长度、曲率、位置特征和环焊缝信息,能够有效区分不同特征区域管段的差异,排除了非弯头区域,验证了该方法对热煨弯头和冷弯弯头的适用性。

(3)对于长输管线,该方法能够识别漏磁检测方法无法检测到的小弯头,弯头识别数量提高了8.0%。针对漏磁检测方法识别的137个弯头,该方法的检测准确率达到96.4%,并将弯头起终点的定位误差控制在0.025 m以内,显示出较高的识别精度和可靠性。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	黄维和, 郑洪龙, 吴忠良. 管道完整性管理在中国应用10年回顾与展望[J]. 天然气工业, 2013, 33(12): 1-5.

[2]	Huang Weihe, Zheng Honglong, Wu Zhongliang. Overview of pipeline integrity management application over the past decade and its prospect in future in China[J]. Natural Gas Industry, 2013, 33(12): 1-5.

[3]	张栋, 闫锋, 欧阳欣. 中俄东线天然气管道运行保障关键技术[J]. 油气储运, 2020, 39(8): 861-870.

[4]	Zhang Dong, Yan Feng, Ouyang Xin. Key technologies for operation guarantee of China-Russia eastern gas pipeline[J]. Oil & Gas Storage and Transportation, 2020, 39(8): 861-870.

[5]	王文, 洪磊, 任建东, 等. 沉陷区大直径天然气管道受力变形全尺寸试验研究[J]. 煤炭学报, 2025, 50(2): 890-901.

[6]	Wang Wen, Hong Lei, Ren Jiandong, et al. Full-scale experimental study on stress deformation of large diameter natural gas pipeline in subsidence area[J]. Journal of China Coal Society, 2025, 50(2): 890-901.

[7]	王荣有, 张家铭, 王聪. 横向滑坡作用下埋地管道静力学与数值模拟对比分析[J]. 科学技术与工程, 2021, 21(1): 326-333.

[8]	Wang Yourong, Zhang Jiaming, Wang Cong. Comparative analysis of statics and numerical simulation of buried pipeline under the action of lateral landslide[J]. Science Technology and Engineering, 2021, 21(1): 326-333.

[9]	毕成, 郑杰, 郑泳, 等. X100管线钢在微生物腐蚀环境下的延性裂纹止裂可靠性及失效分析[J]. 科学技术与工程, 2022, 22(11): 4344-4349.

[10]	Bi Cheng, Zheng Jie, Zheng Yong, et al. Reliability study and failure analysis of ductile crack arrest of X100 pipeline steel in microbial corrosion environment[J]. Science Technology and Engineering, 2022, 22(11): 4344-4349.

[11]	史建峰, 王晓霖, 帅健. 管道完整性数据管理技术的研究进展与发展对策[J]. 焊管, 2016, 39(4): 13-16.

[12]	Shi Jianfeng, Wang Xiaolin, Shuai Jian. Research progress and development countermeasures of pipeline integrity data management technology[J]. Welded Pipe and Tube, 2016, 39(4): 13-16.

[13]	李睿, 蔡茂林, 董鹏, 等. 地震区油气管道的应变与位移检测技术[J]. 油气储运, 2019, 38(1): 40-44.

[14]	Li Rui, Cai Maolin, Dong Peng, et al. A strain and displacement inspection technology for oil/gas pipelines in earthquake areas[J]. Oil & Gas Storage and Transportation, 2019, 38(1): 40-44.

[15]	石彤, 刘啸奔, 张琳, 等. 管道IMU弯曲应变解算算法优化与全尺寸试验验证[J]. 油气储运, 2024, 43(11): 1269-1276.

[16]	Shi Tong, Liu Xiaoben, Zhang Lin, et al. Optimization of IMU-based bending strain calculation algorithm and full-scale experimental validation for pipelines[J]. Oil & Gas Storage and Transportation, 2024, 43(11): 1269-1276.

[17]	李睿, 张琳, 赵晓利, 等. 油气长输管道长期应变及位移监测[J]. 石油机械, 2016, 44(6): 118-122.

[18]	Li Rui, Zhang Lin, Zhao Xiaoli, et al. Long-term strain and displacement monitoring of long-distance oil-gas pipeline[J]. China Petroleum Machinery, 2016, 44(6): 118-122.

[19]	李睿, 刘贺子, 陈朋超, 等. 冻土区管道弯曲应变及位移监测方法[J]. 油气储运, 2017, 36(4): 393-397.

[20]	Li Rui, Liu Hezi, Chen Pengchao, et al. Bending strain and displacement monitoring method for pipelines in permafrost zones[J]. Oil & Gas Storage and Transportation, 2017, 36(4): 393-397.

[21]	张成林, 王亚慧, 张秋逸. 基于捷联惯导的蛇形管道机器人定位算法[J]. 科学技术与工程, 2022, 22(12): 4872-4878.

[22]	Zhang Chenglin, Wang Yahui, Zhang Qiuyi. Localization algorithm of snake shaped pipeline robot based on strapdown inertial navigation[J]. Science Technology and Engineering, 2022, 22(12): 4872-4878.

[23]	李灏杨, 唐诗华, 刘坤之, 等. 搭载低成本MEMS-IMU的RKT接收机初始对准方法[J]. 科学技术与工程, 2023, 28(23): 11927-11928.

[24]	Li Haoyang, Tang Shihua, Liu Kunzhi. Initial alignment method of RTK receiver with low-cost MEMS-IMU[J]. Science Technology and Engineering, 2023, 28(23): 11927-11928.

[25]	方威伦, 刘啸奔, 张宏, 等. 基于IMU数据的冻土区管道融沉风险段识别方法[J]. 油气储运, 2022, 41(3): 288-294.

[26]	Fang Weilun, Liu Xiaoben, Zhang Hong, et al. Identification method for thaw settlement segments of pipelines in permafrost regions based on IMU data[J]. Oil & Gas Storage and Transportation, 2022, 41(3): 288-294.

[27]	赵晓明, 李睿, 陈朋超, 等. 中俄东线天然气管道弯曲变形识别与评价[J]. 油气储运, 2020, 39(7): 763-768.

[28]	Zhao Xiaoming, Li Rui, Chen Pengchao, et al. Identification and evaluation on bending deformation of China-Russia eastern gas pipeline[J]. Oil & Gas Storage and Transportation, 2020, 39(7): 763-768.

[29]	何仁洋, 刘艳贺, 王海涛, 等. 基于IMU数据的应变解析技术及其应用[J]. 科学技术与工程, 2024, 24(7): 2683-2689.

[30]	He Renyang, Liu Yanhe, Wang Haitao, et al. Strain analysis technology based on IMU data and it’s application[J]. Science Technology and Engineering, 2024, 24(7): 2683-2689.

[31]	Pan Jianhua, Gao Lun. A novel method for defects marking and classifying in MFL inspection of pipeline[J]. International Journal of Pressure Vessels and Piping, 2023, 202: 104892.

[32]	Yang L J, Wang Z J, Gao S W, et al. Magnetic flux leakage image classification method for pipeline weld based on optimized convolution kernel[J]. Neurocomputing, 2019, 365: 229-238.

[33]	赵鹏程, 秦浩东, 张颖. 小管径弯头畸变漏磁缺陷图像智能识别方法[J]. 电子测量技术, 2024, 47(8): 181-188.

[34]	Zhao Pengcheng, Qin Haodong, Zhang Ying. Intelligent identification method for distortion magnetic flux leakage defects image of small-diameter pipe elbows[J]. Electronic Measurement Technology, 2024, 47(8): 181-188.

[35]	刘啸奔, 刘燊, 季蓓蕾, 等. 基于IMU数据的管道弯曲变形段智能识别方法[J]. 油气储运, 2021, 40(11): 1228-1235.

[36]	Liu Xiaoben, Liu Shen, Ji Beilei, et al. Intelligent identification method of pipeline sections with bending deformation based on IMU data[J]. Oil & Gas Storage and Transportation, 2021, 40(11): 1228-1235.

[37]	刘燊, 刘啸奔, 李睿, 等. 基于机器学习的冻土区融沉变形管段识别方法[J]. 石油机械, 2022, 50(3): 106-114.

[38]	Liu Shen, Liu Xiaoben, Li Rui, et al. Identification of thaw settlement deformation pipe section in frozen soil area based on machine learning[J]. China Petroleum Machinery, 2022, 50(3): 106-114.

[39]	Choquette J, Cornu S, Elseify M, et al. Understanding pipeline strain conditions-case studies between ILI axial and ILI bending measurement techniques[C]// Proceedings of the 2018 12th International Pipeline Conference. Calgary: IPC, 2018:78577.

[40]	霍晓彤, 王宇, 刘点玉, 等. 基于中心线坐标的管道弯曲应变计算研究[J]. 中国安全生产科学技术, 2021, 17(S1): 15-20.

[41]	Huo Xiaotong, Wang Yu, Liu Dianyu, et al. Research on calculation of pipe bending strain based on centerline coordinates[J]. Journal of Safety Science and Technology, 2021, 17(S1): 15-20.

[42]	王宇. 基于IMU数据的管道力学分析[D]. 北京: 中国石油大学(北京), 2021.

[43]	Wang Yu. Mechanical analysis of pipeline based on IMU data[D]. Beijing: China University of Petroleum (Beijing), 2021.

[44]	吴学礼, 王壮壮, 习炳权, 等. 基于小波自适应阈值方法的探地雷达去噪[J]. 科学技术与工程, 2023, 23(11): 4686-4692.

[45]	Wu Xueli, Wang Zhuangzhuang, Xi Bingquan, et al. Ground-penetrating radar denoising based on wavelet adaptive thresholding method[J]. Science Technology and Engineering, 2023, 23(11): 4686-4692.

[46]	王晓初, 周思杰, 王义, 等. 重构小波阈值的微机电系统-惯性测量单元降噪处理[J]. 科学技术与工程, 2021, 21(20): 8509-8514.

[47]	Wang Xiaochu, Zhou Sijie, Wang Yi, et al. Denoising processing of micro electro mechanical system-inertial measurement unit based on reconstructed wavelet threshold[J]. Science Technology and Engineering, 2021, 21(20): 8509-8514.

[48]	刘永来, 段永宝, 官立祥. 三次样条插值方法及其在形变数据预处理中的应用[J]. 勘察科学技术, 2017(6): 47-50.

[49]	Liu Yonglai, Duan Yongbao, Guan Lixiang. Cubic spline interpolation method and its application in deformation data preprocessing[J]. Site Investigation Science and Technology, 2017(6): 47-50.

[50]	Zhang D, Liu X B, Fu M K, et al. A novel local deformation pipe section identification method via IMU detection data and hybrid deep learning model[J]. Mechanical Systems and Signal Processing, 2025, 224. DOI: 10.1016/j.ymssp.2024.112091.