权利要求
1.基于机器学习的深海
采矿自适应输送管路系统，其特征在于：包括
矿浆罐(1)，用于将矿石和海水混合为矿浆;
收集罐(2)，用于储存矿浆;
缓冲罐(3)，用于泄压时暂存矿浆;
输送单元，用于在矿浆罐、缓冲罐与收集罐之间输送矿浆;
控制单元，用于控制输送单元进行泄压。
2.根据权利要求1所述的基于机器学习的
深海采矿自适应输送管路系统，其特征在于：所述输送单元包括连通矿浆罐与收集罐的主管道、连通矿浆罐与缓冲罐以及缓冲罐与收集罐的次管道、设置在主管道与次管道上的离心泵。
3.根据权利要求2所述的基于机器学习的深海采矿自适应输送管路系统，其特征在于：所述控制单元包括设置在输送单元上的控制阀与多维
传感器以及电连接控制阀与多维传感器的控制器。
4.根据权利要求3所述的基于机器学习的深海采矿自适应输送管路系统，其特征在于：所述输送单元的主管道中，矿浆罐的出口通过第一管道(11)连通第一离心泵(21)的进口，第一离心泵的出口通过第二管道(12)连通收集罐的进口;
所述输送单元的次管道中，第二管道通过第三管道(13)连通缓冲罐的进口，缓冲罐的出口通过第四管道(14)连通第二离心泵(22)的进口，第二离心泵的出口通过第五管道(15)连通收集罐的进口。
5.根据权利要求4所述的基于机器学习的深海采矿自适应输送管路系统，其特征在于：所述第二管道与缓冲罐之间设置四条并联布置的第三管道;所述控制阀包括设置在第一管道上的第一控制阀(31)、设置在第二管道上的第二控制阀(32)、设置在第四管道上的第四控制阀(34)、设置在第五管道上的第五控制阀(35)以及分别设置在四条第三管道上的电子控制泄压阀(33-1)、第一机械弹簧阀(33-2)、第二机械弹簧阀(33-3)与爆破阀(33-4)。
6.根据权利要求5所述的基于机器学习的深海采矿自适应输送管路系统，其特征在于：所述多维传感器(4)设置在第二管道与第三管道上;所述多维传感器包括压力传感器、流量计、矿浆浓度计。
7.根据权利要求6所述的基于机器学习的深海采矿自适应输送管路系统，其特征在于：所述主管道与次管道包括由内而外依次设置的内层(1-1)、中层(1-2)、阻尼层(1-3)与外层(1-4)。
8.根据权利要求7所述的基于机器学习的深海采矿自适应输送管路系统，其特征在于：所述内层为掺杂
碳化硅纳米晶须的超高分子量聚乙烯基体;所述中层为钛合金基体与正交铺设的
碳纤维带;所述阻尼层为高阻尼弹性材料;所述外层为带有微弧氧化陶瓷涂层的双相不锈钢。
9.根据权利要求8所述的基于机器学习的深海采矿自适应输送管路系统，其特征在于：该系统的泄压方法包括：
S1、系统正常运行，矿浆罐内的矿浆通过第一管道与第二管道进入收集罐;
S2、多维传感器获取输送单元运行数据;
S3、控制器将数据输入长短期记忆网络模型处理，预测设定时间段内的压力变化趋势Pt;
S4、控制器比较压力阈值P与压力变化趋势Pt，若Pt≤P，返回步骤S2，否则进入步骤S5进行分级泄压;
S5、根据压力变化趋势Pt进行分级泄压：
1)若P
2)若P×1.1
3)若P×1.3
S6、缓冲罐内的矿浆通过第四管道与第五管道进入收集罐实现再利用;
S7、多维传感器检测到压力回复正常后，系统停止运行，进行人工检修。
10.根据权利要求9所述的基于机器学习的深海采矿自适应输送管路系统，其特征在于：所述设定时间段为15秒。
说明书
技术领域
[0001]本发明涉及深海采矿技术领域，具体是涉及深海固液两相流输送管道系统的压力安全控制与泄压保护技术，尤其涉及一种基于机器学习的深海采矿自适应输送管路系统。
背景技术
[0002]深海采矿是获取海底
锰结核、富
钴结壳、热液硫化物等战略性
矿产资源的重要手段，其中，固液两相流管道输送系统作为矿浆上升系统的关键组成部分，其性能直接关系到深海采矿作业的效率与安全性。在当前常用的水力提升工艺中，固液混合物通过垂直管道由海底输送至海面，需穿越数千米水深环境，系统面临极端压力、强腐蚀、剧烈流动冲刷以及难以维护等多重技术挑战。
[0003]首先，深海环境压力极高，在6000米水深下可达60MPa，传统金属管道在此环境中易发生屈曲、破裂，难以长期稳定运行。其次，固液两相流中包含大量高硬度矿物颗粒(如锰结核硬度达莫氏4～5级)，长时间高速冲刷会导致管道内壁严重磨损，进而降低管道寿命并显著增加维护与更换成本。此外，固液两相流体易在管道内形成湍流结构，既增加输送阻力，又可能因颗粒沉积而引发堵塞与效率下降，造成能耗升高和作业中断。
[0004]更为关键的是，深海管道系统布置复杂，运维条件受限，当前输送系统普遍缺乏实时压力监测与自动泄压机制。一旦因异常压力波动或结构疲劳发生故障，极难及时发现并采取补救措施，严重威胁采矿系统的连续性与安全性，甚至可能引发环境风险。
[0005]因此，迫切需要开发一种在深海极端环境下具备高抗压、耐磨损、流动优化与智能监控能力的固液两相流输送管道系统，以有效应对深海作业面临的多重技术难题，提升系统整体的安全性、稳定性与经济性。
发明内容
[0006]本发明的目的是克服上述背景技术中的不足，提供一种基于机器学习的深海采矿自适应输送管路系统，以应对深海环境的挑战，提高输送系统的可靠性和使用寿命，降低运行成本。
[0007]本发明的技术方案是：
[0008]基于机器学习的深海采矿自适应输送管路系统，其特征在于：包括
[0009]矿浆罐，用于将矿石和海水混合为矿浆;
[0010]收集罐，用于储存矿浆;
[0011]缓冲罐，用于泄压时暂存矿浆;
[0012]输送单元，用于在矿浆罐、缓冲罐与收集罐之间输送矿浆;
[0013]控制单元，用于控制输送单元进行泄压。
[0014]所述输送单元包括连通矿浆罐与收集罐的主管道、连通矿浆罐与缓冲罐以及缓冲罐与收集罐的次管道、设置在主管道与次管道上的离心泵。
[0015]所述控制单元包括设置在输送单元上的控制阀与多维传感器以及电连接控制阀与多维传感器的控制器。
[0016]所述输送单元的主管道中，矿浆罐的出口通过第一管道连通第一离心泵的进口，第一离心泵的出口通过第二管道连通收集罐的进口;
[0017]所述输送单元的次管道中，第二管道通过第三管道连通缓冲罐的进口，缓冲罐的出口通过第四管道连通第二离心泵的进口，第二离心泵的出口通过第五管道连通收集罐的进口。
[0018]所述第二管道与缓冲罐之间设置四条并联布置的第三管道;所述控制阀包括设置在第一管道上的第一控制阀、设置在第二管道上的第二控制阀、设置在第四管道上的第四控制阀、设置在第五管道上的第五控制阀以及分别设置在四条第三管道上的电子控制泄压阀、第一机械弹簧阀、第二机械弹簧阀与爆破阀。
[0019]所述多维传感器设置在第二管道与第三管道上;所述多维传感器包括压力传感器、流量计、矿浆浓度计。
[0020]所述主管道与次管道包括由内而外依次设置的内层、中层、阻尼层与外层。
[0021]所述内层为掺杂碳化硅纳米晶须的超高分子量聚乙烯基体;所述中层为钛合金基体与正交铺设的碳纤维带;所述阻尼层为高阻尼弹性材料;所述外层为带有微弧氧化陶瓷涂层的双相不锈钢。
[0022]该系统的泄压方法包括：
[0023]S1、系统正常运行，矿浆罐内的矿浆通过第一管道与第二管道进入收集罐;
[0024]S2、多维传感器获取输送单元运行数据;
[0025]S3、控制器将数据输入长短期记忆网络模型处理，预测设定时间段内的压力变化趋势Pt;
[0026]S4、控制器比较压力阈值P与压力变化趋势Pt，若Pt≤P，返回步骤S2，否则进入步骤S5进行分级泄压;
[0027]S5、根据压力变化趋势Pt进行分级泄压：
[0028]1)若P
[0029]2)若P×1.1
[0030]3)若P×1.3
[0031]S6、缓冲罐内的矿浆通过第四管道与第五管道进入收集罐实现再利用;
[0032]S7、多维传感器检测到压力回复正常后，系统停止运行，进行人工检修。
[0033]所述设定时间段为15秒。
[0034]本发明的有益效果是：
[0035]本发明利用机器学习技术预测管道压力变化，进行提前故障预警，实现超压风险的提前预判，并同时实现泄放流体的回收利用，将非计划停机时间减少5%-15%，缩短了停机时间，降低了维护成本，有效避免重大事故，保障深海采矿输送系统在极端高压环境下的运行安全性和稳定性。本发明还通过多层
复合材料和增强支撑结构使管道可承受深海高压环境，减少湍流并降低矿石颗粒冲刷对管道的损害，提高输送效率约20%，延长使用寿命30%以上。
附图说明
[0036]以下将参照附图以示例性而非限制性的方式详细描述本发明的一些具体实施例。附图中相同的附图标记标示了相同或类似的部件或部分。
[0037]图1是本发明的连接关系示意图。
[0038]图2是本发明的管道的剖面图。
[0039]图3是本发明的多维传感器的安装位置示意图。
[0040]图4是本发明的分级泄压的流程图。
[0041]附图标记：
[0042]矿浆罐1、收集罐2、缓冲罐3、多维传感器4、内层1-1、中层1-2、阻尼层1-3、外层1-4、第一管道11、第二管道12、第三管道13、第四管道14、第五管道15、第一离心泵21、第二离心泵22、第一控制阀31、第二控制阀32、电子控制泄压阀33-1、第一机械弹簧阀33-2、第二机械弹簧阀33-3、爆破阀33-4、第四控制阀34、第五控制阀35。
具体实施方式
[0043]为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用于解释本发明，并不用于限定本发明。
[0044]如图1所示，基于机器学习的深海采矿自适应输送管路系统，包括矿浆罐1、收集罐2、缓冲罐3、输送单元与控制单元。
[0045]其中：矿浆罐设置于海底，用于将矿石和水混合为矿浆;收集罐设置于海面，用于储存矿浆;缓冲罐设置于海底并且位于矿浆罐与收集罐之间，用于泄压时暂存矿浆;输送单元用于在矿浆罐、缓冲罐与收集罐之间输送矿浆;控制单元用于控制输送单元进行泄压。
[0046]所述输送单元包括主管道、次管道与离心泵。如图1所示，所述主管道连通矿浆罐与收集罐。所述次管道连通矿浆罐与缓冲罐以及缓冲罐与收集罐。所述离心泵包括设置在主管道上的第一离心泵21以及设置在次管道上的第二离心泵22。
[0047]所述主管道包括第一管道11与第二管道12，矿浆罐的出口通过第一管道连通第一离心泵的进口，第一离心泵的出口通过第二管道连通收集罐的进口。
[0048]所述次管道包括第三管道13、第四管道14与第五管道15，第二管道同时通过四条并联布置的第三管道连通缓冲罐的进口，缓冲罐的出口通过第四管道连通第二离心泵的进口，第二离心泵的出口通过第五管道连通收集罐的进口。
[0049]所述主管道与次管道均为复合结构管道。所述复合结构管道包括由内而外依次设置的内层1-1、中层1-2、阻尼层1-3与外层1-4。
[0050]所述内层为掺杂15%碳化硅纳米晶须的超高分子量聚乙烯基体，摩擦系数低且耐磨性高，可减少矿石颗粒对管道内壁的冲刷磨损。所述内层的内壁光滑处理后增加
石墨烯-聚四氟乙烯复合涂层，可减少固液两相流的流动阻力，降低湍流效应，提高输送效率。
[0051]所述中层为钛合金基体与正交铺设的碳纤维带，钛合金基体作为主体，碳纤维带呈±45度交错铺设在钛合金基体外部，经热等静压扩散焊固化以增强管道的抗拉强度和耐压能力，抗压强度≥1.5GPa，密度≤4.5g/cm3，有利于分散扭转载荷下的剪切应力，防止屈曲失稳。
[0052]所述阻尼层为厚度0.5-1.5mm的高阻尼弹性材料，高阻尼弹性材料(如PEEK基高分子复合物)用以吸收扭转过程中的剪切能量，缓解界面应力集中，延长疲劳寿命。
[0053]所述外层为带有微弧氧化陶瓷涂层的双相不锈钢S31803，以提高抗深海压力能力，同时增强耐磨腐蚀性，在60MPa高压和高盐海水中具备良好的耐腐蚀性，使用寿命超过20年。
[0054]所述外层外部还设置螺旋加强肋结构。该结构为设置在外层表面的螺旋形加强肋，加强肋由高强度钛带或不锈钢丝以±60°角度等距螺旋缠绕，并通过激光焊接与外层固定从而形成一体式构造，可显著提高管道的扭转刚度与结构稳定性。
[0055]所述控制单元(现有技术)包括控制器、控制阀与多维传感器4。所述控制器电连接控制阀与多维传感器。所述控制器包括云控制器与嵌入式控制器。云控制器为部署在岸基控制中心或海面工作母船上的高性能计算平台，即“岸基云端平台”，嵌入式控制器为部署在深海的控制节点。
[0056]所述控制阀包括第一控制阀31、第二控制阀32、第四控制阀34、第五控制阀35、电子控制泄压阀33-1、第一机械弹簧阀33-2、第二机械弹簧阀33-3与爆破阀33-4。所述第一控制阀设置在第一管道上。所述第二控制阀设置在第二管道上。所述电子控制泄压阀、第一机械弹簧阀、第二机械弹簧阀与爆破阀分别设置在四条第三管道上。所述第四控制阀设置在第四管道上。所述第五控制阀设置在第五管道上。
[0057]所述多维传感器包括压力传感器、流量计、矿浆浓度计，分别设置在第二管道与第三管道上，用于采集管道内矿浆的压力、流量、浓度。
[0058]如图3所示，所述多维传感器分别设置在第一离心泵的进口与出口、第二管道与第三管道的弯管段前后方以及第二管道与第三管道的直管段。
[0059]优选地，在距离第一离心泵的进口与出口3m处设置多维传感器，在距离第二管道与第三管道的弯管段前后方1m处设置多维传感器，在第二管道与第三管道的直管段上以10m间隔设置多维传感器。
[0060]所述控制器(云控制器)运行预先训练好的机器学习模型，不再依赖单一的压力阈值，而是通过分析多维传感器数据，预测未来一段时间内管道压力变化的趋势，从而在超压风险发生前发出预警。
[0061]本发明的核心在于将管道压力控制逻辑从被动响应升级为预测性控制，通过在现有系统架构中集成机器学习模型来实现，形成一个“数据-边缘-云”混合架构，“数据”为多维传感器，“边缘”为嵌入式控制器，“云”为云控制器：
[0062]1、首先通过分布式部署在管道上的多维传感器(包括压力传感器、流量计、矿浆浓度计)实时采集原始数据，这些原始数据在进入机器学习模型前会进行预处理和特征工程，提取用于预测的关键特征，例如压力、流量、浓度的统计特性或时域/频域特征。
[0063]2、然后运行已经过训练和优化的机器学习模型，该模型不再仅仅根据固定的压力阈值进行判断，而是持续分析多维时序数据，预测管道压力在未来几秒或几十秒内的变化趋势。考虑到深海环境的通信高延迟和低带宽，边缘计算架构确保了预测和响应的实时性。考虑到管道压力变化是一个复杂、非线性的时序问题，本发明优选采用长短期记忆网络(LSTM)模型进行预测。LSTM的门控机制能够有效捕捉长期的依赖模式，从而提供比传统线性模型(如ARIMA)或简单RNN更准确的预测结果。
[0064]3、机器学习模型预测到压力将在未来某个时间点(例如在15秒内)超过预设的10%阈值时，控制器可以提前控制阀进行泄压，这使得系统能够在超压事件发生前就进行干预，有效防止超压。为了确保模型的长期准确性，本发明采用MLOps(机器学习运维)框架，用于管理机器学习模型整个生命周期的框架，包括持续监控LSTM模型性能、在“云”平台上使用新数据自动重新训练模型以及在深海“边缘”设备上更新模型等流程，这确保了模型在条件变化时能够长期保持准确。在岸基云端平台，通过收集来的数据对模型进行持续监控和自动化再训练。当模型性能因管道老化、工况变化等原因出现“数据漂移”时，新模型将通过低带宽的水声通信链路或在设备维护时远程更新到深海设备上，确保系统始终具备最优的预测能力。
[0065]该系统的泄压方法包括：
[0066]S1、系统正常运行，第一离心泵将矿浆罐内的矿浆通过第一管道与第二管道送入收集罐，第四控制阀与第五控制阀关闭;同时设定压力阈值P;
[0067]S2、多维传感器获取当前时刻的输送单元运行数据，包括矿浆的压力、流量、浓度;
[0068]S3、控制器将数据输入长短期记忆网络模型处理，预测设定时间段(15秒)内的压力变化趋势Pt;
[0069]S4、控制器比较压力阈值P与压力变化趋势Pt，若Pt≤P，未触发自动泄压，返回步骤S2，否则进行分级泄压，进入步骤S5;
[0070]S5、根据压力变化趋势Pt进行分级泄压：
[0071]1)若P
[0072]2)若P×1.1
[0073]3)若P×1.3
[0074]S6、第四控制阀与第五控制阀打开，第二离心泵启动，第二离心泵将缓冲罐内的矿浆通过第四管道与第五管道送入收集罐实现再利用;
[0075]S7、多维传感器检测到压力恢复正常后(低于压力阈值P至少5秒)，系统停止运行，进行人工检修。
[0076]综上，本发明有效解决了深海固液两相流管道输送过程中的高压、磨损、振动、能耗及安全维护等一系列技术难题，显著提升了系统的稳定性与使用寿命。
[0077]以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明的保护范围应以所附权利要求为准。
说明书附图(4)
声明：
“基于机器学习的深海采矿自适应输送管路系统” 该技术专利(论文)所有权利归属于技术(论文)所有人。仅供学习研究，如用于商业用途，请联系该技术所有人。
我是此专利(论文)的发明人(作者)
405
编辑：北方有色网
来源：浙江理工大学
咨询细节
2026年08月06日 ~ 08日 
