Отправить статью по E-mail 
Классификация и определение размеров поверхностных дефектов трубопроводов на основе результатов комплексной диагностики ультразвуковым, вихретоковым, визуальным и измерительным методами неразрушающего контроля
- Авторы: Крысько Н.В1, Скрынников С.В2, Щипаков Н.А1, Козлов Д.М1, Кусый А.Г1
-
Учреждения:
- Федеральное государственное бюджетное образовательное учреждение высшего образования «Московский государственный технический университет имени Н.Э. Баумана (национальный исследовательский университет)»
- ПАО «Газпром»
- Выпуск: № 12 (2023)
- Страницы: 69-78
- Раздел: Статьи
- URL: https://ogarev-online.ru/0130-3082/article/view/233699
- DOI: https://doi.org/10.31857/S0130308223120084
- EDN: https://elibrary.ru/XIMYZL
- ID: 233699
Цитировать
Открытый доступ
Доступ предоставлен
Только для подписчиков
Аннотация
Рассмотрены вопросы классификации и определения параметров поверхностных эксплуатационных дефектов по результатам ультразвукового, вихретокового и визуального и измерительного методов неразрушающего контроля. При этом визуальный и измерительный метод реализовался с применением камеры телевизионного контроля, оснащенной функцией компьютерного зрения, и лазерным триангуляционными датчиком. В работе представлен набор данных, содержащий 5760 изображений трубопроводов с питтинговой коррозией и без нее. Представлена сверточная нейронная сеть (СНС), которая была применена для классификации изображений, полученных с камеры телевизионного контроля на изображения без коррозии и изображения с питтинговой коррозией. В работе представлен набор данных, содержащий 269 измерений плоскостных и объемных поверхностных дефектов. Представлена модель определения размеров поверхностных дефектов, основанная на градиентном бустинге. В работе разработан алгоритм классификации и определения размеров поверхностных дефектов при комплексной диагностике, в котором применяются полученные модели, и определена точность работы данного алгоритма по метрике RMSE, которая вычислялась в рамках исследуемого тестового набора данных и составила 0,011 мм.
Ключевые слова
энергия, природные ресурсы, поверхностные дефекты, ультразвуковой контроль, вихретоковый контроль, передача энергии, промышленность и инновации, лазерное сканирование, комплексная диагностика, совместная оценка данных, машинное обучение, глубокое обучение, сверточные нейронные сети, оценка жизненного цикла
Об авторах
Н. В Крысько
Федеральное государственное бюджетное образовательное учреждение высшего образования «Московский государственный технический университет имени Н.Э. Баумана (национальный исследовательский университет)»
Email: kryskonv@bmstu.ru
Москва, Россия
С. В Скрынников
ПАО «Газпром»Москва, Россия
Н. А Щипаков
Федеральное государственное бюджетное образовательное учреждение высшего образования «Московский государственный технический университет имени Н.Э. Баумана (национальный исследовательский университет)»Москва, Россия
Д. М Козлов
Федеральное государственное бюджетное образовательное учреждение высшего образования «Московский государственный технический университет имени Н.Э. Баумана (национальный исследовательский университет)»Москва, Россия
А. Г Кусый
Федеральное государственное бюджетное образовательное учреждение высшего образования «Московский государственный технический университет имени Н.Э. Баумана (национальный исследовательский университет)»Москва, Россия
Список литературы
- Давыдова Д.Г. Дефекты технологических трубопроводов: типология, оценка влияния на эксплуатацию // Промбезопасность-Приуралье. 2012. № 8. С. 24-28.
- Ерехинский Б.А., Маслаков С.В., Шустов Н.И., Митрофанов А.В., Барышев С.Н., Заряев М.Ю., Кравцов А.В., Егоров С.В. Растрескивание металла задвижек фонтанной арматуры газодобывающих скважин северных месторождений // Территория Нефтегаз. 2014. № 2. С. 31-36.
- Сафина И.С., Каузова П.А., Гущин Д.А. Оценка технического состояния резервуаров вертикальных стальных // ТехНадзор. 2016. № 3 (112). С. 39-42.
- Бутусов Д.С., Егоров С.И., Завьялов А.П., Ляпичев Д.М. Коррозионное растрескивание под напряжением газопроводов / Учебное пособие. М.: Издательский центр РГУ нефти и газа имени И.М. Губкина, 2015. 80 с.
- Калиниченко Н.П., Васильева М.А. Атлас дефектов сварных соединений и основного металла: учебно-методическое пособие. Томск: Изд-во Томского политехнического университета, 2006. С. 55.
- Алешин Н.П. Физические методы неразрушающего контроля сварных соединений / Учебное пособие 2-е изд., перераб. и доп. М.: Машиностроение, 2013. 576 с.
- Алешин Н.П., Крысько Н.В., Кусый А.Г., Скрынников С.В., Могильнер Л.Ю. Исследование выявляемости поверхностных объемных дефектов при ультразвуковом контроле с применением волн Рэлея, генерируемых электромагнитно-акустическим преобразователем // Дефектоскопия. 2021. № 5. C. 13-21.
- Алешин Н.П., Крысько Н.В., Скрынников С.В., Кусый А.Г. Исследование выявляемости поверхностных плоскостных дефектов ультразвуковым методом с применением волн Рэлея // Дефектоскопия. 2021. № 6. C. 26-34.
- Алешин Н.П., Скрынников С.В., Крысько Н.В., Щипаков Н.А., Кусый А.Г. Классификация поверхностных дефектов основного металла трубопроводов по результатам комплексной диагностики // Компьютерная оптика. 2023. Т. 47. № 1. C. 170-178.
- Choi K.-Y., Kim S. Morphological analysis and classification of types of surface corrosion damage by digital image processing // Corros. Sci. 2005. V. 47. No. 1. P. 1-15.
- Medeiros F.N., Ramalho G.L., Bento M.P., Medeiros L.C. On the evaluation of texture and color features for nondestructive corrosion detection // EURASIP. J. Appl. Signal. Process. 2010. No. 1. P. 817473.
- Khayatazad M., De Pue L., De Waele W. Detection of corrosion on steel structures using automated image processing // Developments in the Built Emvironment. 2020. No. 3. P. 100022.
- Atha D.J., Jahanshahi M.R. Evaluation of deep learning approaches based on convolutional neural networks for corrosion detection // Struct. Health. Monit. 2017. P. 1110-28.
- Petricca L., Moss T., Figueroa G., Broen S. Corrosion detection using ai: a comparison of standard computer vision techniques and deep learning model // The Sixth International Conference on Computer Science, Engineering and Information Technology. 2016. P. 91-9.
- Ahuja S.K., Shukla M.K., Ravulakollu K.K. Surface corrosion grade classification using convolution neural network // IJRTE. September. 2019. V. 8. Is. 3.
- Bastiana B.T., Na J., Ranjithb S.K., Jijia C.V. Visual inspection and characterization of external corrosion in pipelines using deep neural network // NDT and E.International. 2019. 107.
- Katsamenis I., Protopapadakis E., Doulamis A., Doulamis N., Voulodimos A. Pixel-level Corrosion Detection on Metal Constructions by Fusion of Deep Learning Semantic and Contour Segmentation. arXiv:2008.05204.
- Krysko N.V., Schipakov N.A., Kozlov D.M., Kusyy A.G., George R. Television inspection and pitting corrosion recognition in gas pipelines using deep neural network // Construction and Building Materials -Under Review.
- Ряховских И.В., Каверин А.А., Петухов И.Г., Липовик А.В., Селиванов А.А., Сахон А.В. Оценка размеров стресс-коррозионных дефектов при техническом диагностировании газопроводов / Научно-технический сборник: Вести газовой науки. 2020. № 2 (44). С. 1-14.
- Шляхтенков С.П., Бехер С.А. Технология оценки глубины залегания поверхностных трещин рельсов вихретоковым методом / Политранспортные системы. XI Международная научно-техническая конференция. Новосибирск. 2020. С. 608-613.
- Алехин С.Г., Самокрутов А.А., Шевалдыкин В.Г. Измерение глубины стресс-коррозионных трещин магистральных газопроводов / Научно-технический сборник: Вести газовой науки. 2022. № 1 (50). С. 78-83.
- Шубочкин А.Е. Развитие и современное состояние вихретокового метода неразрушающего контроля. М.: Издательский дом "Спектр", 2014. 288 с.
- Крысько Н.В., Скрынников С.В., Щипаков Н.А., Козлов Д.М., Кусый А.Г. Определение параметров поверхностных дефектов основного металла трубопроводов по результатам комплексной диагностики // Компьютерная оптика. В печати.
- Golyak I.S., Kareva E.R., Fufurin I.L., Anfimov D.R., Scherbakova A.V., Nebritova A.O., Demkin P.P., Morozov A.N. Numerical methods of spectral analysis of multicomponent gas mixtures and human exhaled breath // Computer Optics. 2022. V. 46. No. 4. P. 650-658. doi: 10.18287/2412-6179-CO-1058
- Wang L., Liu Y., Fu L., Wang Y., Tang N. Functional Intelligence-Based Scene Recognition Scheme for MAV Environment-Adaptive Navigation // Drones. 2022. No. 6. P. 120.
- Fufurin I., Berezhanskiy P., Golyak I., Anfimov D., Kareva E., Scherbakova A., Demkin P., Nebritova O., Morozov A. Deep Learning for Type 1 Diabetes Mellitus Diagnosis Using Infrared Quantum Cascade Laser Spectroscopy // Materials. 2022. V. 15. P. 2984.
- Lobanova V., Slizov V., Anishchenko L. Contactless Fall Detection by Means of Multiple Bioradars and Transfer Learning // Sensors. 2022. V. 22. P. 6285.
- Bobkov A., Aung Kh. Real-Time Person Identification by Video Image Based on YOLOv2 and VGG 16 Networks // Automation and Remote Control. 2022. V. 83. No. 10. P. 1567-1575.
- https://center2m.ru/ai-recognition [дата обращения 05.09.2023].
- SONAFLEX Multipurpose Test Electronics Unit. Source: <https://nordinkraft.de/sonaflex/>.
- He Zhiyuan, Lin Danchen, Lau Thomas, Wu Mike. Gradient Boosting Machine: A Survey. 2019. arXiv:1908.06951.
Дополнительные файлы
