CC BY-NC
0
ДРУГИЕ ВОПРОСЫ МОРСКОЙ ТЕХНИКИ
УДК 004.932: [620.193:629.5] EDN: QIJVPI
A.B. Родькина , В.А. Крамарь , O.A. Иванова , O.A. Крамарь , A.A. Сидорова
ФГАОУ ВО «Севастопольский государственный университет», Севастополь, Россия
МЕТОДИКА КОМПЬЮТЕРНОГО АНАЛИЗА ФУНКЦИОНАЛЬНЫХ СВОЙСТВ ПОДВОДНОЙ ЧАСТИ МОРСКИХ ОБЪЕКТОВ НА ОСНОВЕ СИСТЕМЫ ТЕХНИЧЕСКОГО ЗРЕНИЯ
Объект и цель научной работы. Объектом исследования является подводная часть объектов морской техники. Цель - разработка методики прогнозирования возможных причин коррозионно-механических разрушений и сроков дальнейшей эксплуатации подводных конструкций морских объектов на основе определения уровня износа посредством мониторинга функциональных свойств.
Материалы и методы. В работе применялись экспериментальные и теоретические подходы. Выполнено экспериментальное моделирование поверхностного слоя стали для условий подводных конструкций и конструкций, находящихся в районе переменной ватерлинии в модельном растворе морской воды. Полученный поверхностный слой проанализирован с использованием микроскопии на микроскопе PhenomProX с интегрированной системой энергодисперсионного микроанализа. Последующая обработка полученных изображений выполнена с помощью программы на основе нейронной сети. Основные результаты. В результате проведенных исследований разработана методика компьютерного анализа функциональных свойств подводной части морских объектов на основе системы технического зрения, которая решает классификационную задачу, отвечающую на вопрос наличия ресурса у металла, что необходимо для дальнейшей эксплуатации в агрессивной морской среде.
Заключение. В работе решена классификационная задача, отвечающая на вопрос наличия ресурса у металла для дальнейшей эксплуатации: если теоретическая толщина больше реальной, то следует заменить конструкцию. Применение разработанной программы в сочетании с роботизированным подводным аппаратом позволит снизить затраты и риск нанесения ущерба здоровью высококвалифицированного персонала и уменьшит риск возникновения техногенных катастроф при освоении и использовании Мирового океана и Арктики за счет возможности постоянного мониторинга подводных конструкций стационарных объектов. Практическая значимость заключается в разработке методов для продления срока службы морских судов и сооружений, что позволяет увеличить продолжительность их использования, сократить время простоя из-за замены лакокрасочного покрытия и уменьшить негативное влияние на окружающую среду в морской экономической зоне России. Ключевые слова: нейронная сеть, коррозионно-механические разрушения, защита от коррозии, толщина металла. Авторы заявляют об отсутствии возможных конфликтов интересов.
MISCELLANEOUS
UDC 004.932: [620.193:629.5] EDN: QIJVPI
A.V. Rodkina , V.A. Kramar , O.A. Ivanova , O.A. Kramar , A.A. Sidorova
Sevastopol State University, Sevastopol, Russia
MACHINE-VISION BASED PROCEDURE
FOR COMPUTER-AIDED FUNCTIONALITY ANALYSIS
OF UNDERWATER PARTS OF OFFSHORE FACILITIES
Для цитирования: Родькина А.В., Крамарь В.А., Иванова О.А., Крамарь О.А., Сидорова А.А. Методика компьютерного анализа функциональных свойств подводной части морских объектов на основе системы технического зрения. Труды Крыловского государственного научного центра. 2024; 4(410): 201-208.
For citations: Rodkina A.V., Kramar V.A., Ivanova О.А., Kramar O.A., Sidorova A.A. Machine-vision based procedure for computer-aided functionality analysis of underwater parts of offshore facilities. Transactions of the Krylov State Research Centre. 2024; 4(410): 201-208 (in Russian).
Object and purpose of research. This paper discusses underwater parts of offshore facilities. The purpose of the study was to develop a procedure that would predict possible reasons for corrosion & mechanical damage as well as residual lifetime of underwater parts of offshore facilities through determination of their wear level by means of computer-aided functionality analysis. Materials and methods. The study followed both experimental and theoretical approaches. During the experiments, the specimens representing the parts located under water or in the variable-waterline zone of offshore facilities were put into model solution of salt water to simulate their intended operational conditions. Surface layer thus formed was subject to microscopy by means of PhenomProX microscope with built-in system of power dispersion micro-analysis. Further processing of microscopy imagery was performed in a software based on neural network.
Main results. The studies yielded a machine-vision based procedure for computer-aided functionality analysis of underwater parts of offshore facilities as per machine-vision approach capable of deciding whether metal structures are fit for further operation in terms of their residual lifetime. This capability is extremely valuable because certain components of marine structures are intended to operate in aggressive sea water environment.
Conclusion. The study yielded a formal criterion of metal component suitability for further operation in terms of its residual lifetime: if its theoretical thickness is greater than actual one, the component has to be replaced. If the software suggested by the author is implemented on a robotic underwater vehicle, it will be possible to arrange permanent functionality analysis of underwater parts of offshore facilities, reducing their maintenance costs as well as the risk of injury for highly qualified personnel in charge of structural functionality analysis, which will contribute to minimization of the overall risk of technogenic disasters with stationary offshore platforms operating in the Arctic or elsewhere in the Ocean. Practical value of this study is that it suggests lifetime extension methods for ships and offshore facilities that will increase the time of their operation and reduce idle periods needed for their repainting, thus minimizing overall adverse environmental impact in Russian offshore waters. Keywords: neural network, corrosion and mechanical damage, corrosion protection, metal thickness. The authors declare no conflicts of interest.
Введение
Introduction
В связи с широким применением морских объектов при освоении континентального шельфа [1] в регионах со сложными климатическими условиями весьма актуальна тема постоянного подводного мониторинга конструкций данных объектов. Цели мониторинга: предотвращение коррозионно-механических разрушений, прогнозирование возможных причин корро-зионно-механических разрушений и сроков дальнейшей эксплуатации конструкций.
Как правило, в этом процессе задействован человеческий ресурс в виде высококвалифицированных кадров - водолазов. Однако водолазы не могут находиться под водой более 6 часов, кроме того ресурс их специализации является очень затратным по стоимости, времени подготовки кадров и их восстановления и имеет значительные ограничения при работе на больших глубинах. Таким образом, требуется разработка автоматизированного решения для анализа функциональных свойств подводных частей морских объектов с использованием системы технического зрения, чтобы эффективно решать описанные проблемы и повысить безопасность эксплуатации морских объектов.
Для решения поставленной задачи выполнен анализ современных методов, программных алгоритмов и инструментов моделирования окружающего естественного мира при помощи математических алгоритмов [2-5]. В процессе исследования
выделено отдельное понятие - нейронная сеть как наилучший инструмент распознавания разнообразных образов, отличающихся по природе, сложности и т.д. Разработан алгоритм обнаружения определенных цветов на изображении.
Поскольку обнаружение объектов происходит в автоматическом режиме, важно определять, насколько информативным получилось изображение. Обнаружено, что при обработке изображения в формате RGB при изменении освещенности гистограмма распределения цветовой гаммы полностью искажается, в то время как формат HSV сохраняет способность алгоритма обнаруживать цвет при различных условиях освещенности [6]. Следовательно, далее в работе применяется формат HSV.
Для автоматизации разработанного алгоритма разработано программное обеспечение, позволяющее осуществлять поиск объектов по цветовому признаку. Программа предназначена для обнаружения объектов на изображении по цветовому признаку для использования в различных интеллектуальных системах. Реализация алгоритма цветовой сегментации изображений выполнена на языке C# и предназначена для выполнения под управлением платформы .NET Framework операционной системы Windows. Программа поддерживает пользовательский интерактивный интерфейс с возможностью выбора цветового диапазона.
Выполнен компьютерный анализ полученных на предыдущем этапе исследования [7-8] снимков микроскопии поверхностного слоя стали (чистая
поверхность; поверхность при условии непрерывного погружения в модельный раствор морской воды; поверхность при условии района переменной ватерлинии).
Реализация компьютерного анализа снимков микроскопии
Implementation of computer-based analysis for microscopy imagery
Рассмотрим вариант реализации компьютерного анализа снимков микроскопии на примере результатов с образцом стали 09Г2 (рис. 1-3, см. вклейку).
Авторы работы проводили исследование снимков микроскопии поверхности судостроительной стали в чистом виде образца после длительного погружения в модельный раствор и при моделировании условий района переменной ватерлинии. Учитывая, что изображения монохромные, в программе оператор устанавливает параметр «Порог» в границах, захватывающих исследуемую точку, по которой производился микроскопический анализ элементного состава. Затем определяется код цвета в данной точке (цвет под курсором).
Вся информация сведена в таблицу, где в каждой строке указан химический состав поверхностного слоя стали и определенный программой цвет конкретной точки изображения, полученного по результатам микроскопии.
Для этих цветов выполнен анализ элементного состава для чистого образца после длительного погружения в модельный раствор, после моделирования условий района переменной ватерлинии (ПВЛ). Определены элементы, отсутствующие при визуализации каждого цвета в результате микроскопии. Обнаружено, что в составе поверхностного слоя после моделирования условий района переменной ватерлинии присутствуют хлор и натрий - основные элементы, характеризующие морскую воду соленостью.
Следует отметить, что в поверхностном слое после длительного погружения в модельный раствор морской воды не наблюдается данных элементов, что позволит в дальнейших исследованиях выполнить прогнозные оценки о сохранности корпусных конструкций океанотехнических объектов и морских робототехнических комплексов.
Таким образом, выведены закономерности между визуальным изображением поверхности и полученным элементным составом. Изображение несет в себе визуальную нагрузку оксидной пленки на поверхности стали, т.е. то, что образовалось на
поверхности вследствие взаимодействия стали с электролитом (морской водой), соответственно, изучение морфологии поверхности стали в данных условиях не представляется возможным, т.к. теряется смысл проводимого исследования.
Закономерности между визуальным изображением поверхности и полученным элементным составом
Relationships between visual image of surface and results of chemical analysis
Анализируя сложившуюся диаграмму сводных значений процентного соотношения элементов, присутствующих в образце металла, в период полного погружения в модельный раствор и смоделированный район переменной ватерлинии, выведен ряд особенностей.
Fe - присутствует во всех образцах в сравнительно больших количествах. Cr - присутствует в небольшом количестве в чистом образце металла и в незначительном количестве в образце, полностью погруженном. O - присутствует во всех трех образцах, наибольшее процентное соотношение наблюдается в образце, находящемся в смоделированном районе ПВЛ. Также можно отметить, что процент содержания кислорода в образце, полностью погруженном, превалирует над другими элементами и занимает третье место после Fe и Si. С - присутствует во всех трех образцах, в чистом образце - в большей степени. Cl - отсутствует в чистом образце, но присутствует в мизерном количестве в образце, полностью погруженном. Превалирует в образце, находящемся в смоделированном районе ПВЛ, находясь на четвертом месте после Fe, O, Na.
Si - присутствует в составе чистого образца и в полностью погруженном образце, присутствуя в том же процентном соотношении, что и Fe. Na -присутствует в большом процентном соотношении в образце, находящемся в смоделированном районе ПВЛ, и в небольшом количестве в составе полностью погруженного образца. Co, Eu, Te - присутствуют в мизерном количестве в составе образца, находящегося в смоделированном районе ПВЛ. Mn - присутствует во всех трех образцах, в небольшом количестве. N, K, Sr - присутствуют в мизерном количестве в полностью погруженном образце. Al - присутствует в небольшом количестве в составе чистого образца. Sm, Er, Rh - отсутствуют во всех трех образцах.
Таблица. Фрагмент обработки компьютерного анализа Table. A fragment of computer-based analysis (data processing)
Шифр Fe Cr О Другие Цвет под курсором
элементы Hex RGB
1W 60,48 1,13 35,63 ff000000 0
2W 98,42 0,53 ffbebebe 190
3W 77,08 21, 38 ff777777 119
1W 71,27 0,58 16,10 ff000000 0
2W 97,41 0,66 ffa3a3a3 163
3W 97,85 ff949494 148
1W 97,86 ff000000 0
2W 98,42 ff292929 41
3W 97,55 0,66 ffcbcbcb 203
4W 98,47 ff4a4a4a 74
1W 81,26 13, 81 ff1d1d1d 29
2W 97,33 ffd5d5d5 213
3W 98,44 ff888888 136
4W 98,15 ff4c4c4c 76
5W 86,14 11, 59 ffb2b2b2 178
6W 24,89 33,86 ff000000 0
1W 81,26 13,81 ff1d1d1d 29
2W 97,33 ffd5d5d5 213
3W 98,44 ff888888 136
4W 98,15 ff4c4c4c 76
5W 86,14 11, 59 ffb2b2b2 178
6W 24,89 33,86 ff000000 0
1W 70,96 23,64 ff424242 66
2W 95,15 ff6b6b6b 107
3W 98,30 ffa8a8a8 168
4W 96,86 ff8b8b8b 139
5W 97,63 ffb1b1b1 177
1W 81,26 13, 81 ff1d1d1d 29
2W 97,33 ffd5d5d5 213
3W 98,44 ff888888 136
4W 98,15 ff4c4c4c 76
5W 86,14 11, 59 ffb2b2b2 178
6W 24,89 33,86 ff000000 0
1W 70,96 23,64 ff424242 66
2W 95,15 ff6b6b6b 107
3W 98,32 ffa8a8a8 168
4W 96,86 ff8b8b8b 139
5W 97,63 ffb1b1b1 177
Исходя из вышеизложенного отметим ряд закономерностей:
■ Увеличение процента присутствия Cl в образце сопровождается уменьшением процента присутствия Cr в образце.
■ Присутствие Si в составе образца обусловлено полным отсутствием или мизерным процентом содержания Na в образце.
■ Процент кислорода в образце в районе ПВЛ возрастает в 2 раза по сравнению с чистым образцом и полностью погруженным. Аналогичная закономерность наблюдается у Cl, в районе ПВЛ содержание Cl увеличилось в 12 раз. Базируясь на линиях тренда, полученных на основе массива результатов микроскопии различных смоделированных поверхностей образцов, выведены закономерности, представленные в формулах зависимости процентного содержания кислорода, хлора и натрия от RGB тона серого цвета изображения поверхностного слоя образца. В данном случае переход к формату RGB представляется наиболее подходящим для однозначной визуализации кривых на графиках (рис. 4-6, см. вклейку).
Визуальное представление графиков в виде кривых, соответствующих разным видам смоделированного поверхностного слоя стали (чистая поверхность; поверхность при условии непрерывного погружения в модельный раствор морской воды; поверхность при условии района переменной ватерлинии), неинформативно для дальнейшего использования. В связи с этим графики перестроили таким образом, что на одном из них представлены кривые хлора, кислорода и натрия, соответствующие одному виду смоделированного поверхностного слоя стали. Причем график для чистой поверхности далее применяться не будет, т.к. при данном состоянии поверхности отсутствуют натрий и хлор.
Графики, соответствующие смоделированным поверхности при условии непрерывного погружения в модельный раствор морской воды и поверхности при условии района переменной ватерлинии (рис. 7-8, см. вклейку), будут применяться при реализации компьютерного анализа данных на основе системы технического зрения.
Однако полученные графики для одного и того же цвета предлагают два варианта набора «натрий -хлор - кислород», а именно для условий непрерывного погружения стали в морскую воду, что соответствует подводной части морских судов океано-технических объектов и морских робототехни-ческих комплексов (далее - морских объектов) и условиям района переменной ватерлинии этих
объектов. Соответственно, требуется дополнительная характеристика, позволяющая определить принадлежность исследуемой поверхности к тем или иным условиям, что далее позволит разработать методику подбора защитных параметров.
Программа анализа функциональных свойств подводной части морских объектов на основе системы технического зрения
Machine-vision based software for health check of underwater parts of marine objects
С целью усовершенствования методов защиты от коррозии разработана методика прогнозирования возможных причин коррозионно-механических разрушений и сроков дальнейшей эксплуатации подводных конструкций морских объектов на основе определения уровня износа посредством мониторинга функциональных свойств. Методика основана на техническом визуальном мониторинге поверхности морских объектов, находящихся в эксплуатации. В задачи данного исследования входит только вопрос разработки методики, а вопросы аппаратной реализации нуждаются в отдельном большом исследовательском проекте и не будут детально рассмотрены далее.
В качестве дополнительной характеристики, позволяющей определить принадлежность исследуемой поверхности к тем или иным условиям, принята остаточная толщина металла. Аппаратно данная величина может быть определена специальным оборудованием в доке, а в случае невозможности докования прибегают к водолазным работам, которые являются опасными и дорогостоящими. Поэтому вероятен и третий вариант - применение роботизированных подводных аппаратов для визуального постоянного контроля состояния подводных конструкций таких объектов. Принято допущение, что данная величина известна и в исследовании не важно достижение этой задачи.
Методика прогнозирования реализуется в виде программы компьютерного анализа данных (рис. 9) для прогнозирования потенциала судостроительных сталей на различных этапах воздействия морской воды.
В программе предусмотрено разделение всех судов по условиям коррозионного износа (в соответствии с Правилами Регистра) на две группы: 1) сухогрузные суда и аналогичные им по условиям эксплуатации;
Начало
Фото, So, Ta, S
> 1
Комп. анализ
1
А5н = Тн-и
1
&>теор = S-ASh
/ Необходим ремонт 'с заменой конструкций
/Все конструкции готовы, к дальнейшей эксплуатУ
Конец
Рис. 9. Схема алгоритма программы анализа функциональных свойств подводной части морских объектов на основе системы технического зрения
Fig. 9. Operation algorithm (flow chart) of machine vision-based health check software for underwater parts of marine objects
2) наливные суда, суда для навалочных грузов, комбинированные суда и аналогичные им по условиям эксплуатации.
Для прогнозирования сроков дальнейшей эксплуатации морского объекта в программу необходимо ввести: монохромное фото, остаточную толщину металла (5Ъ), срок эксплуатации судна на момент исследования (7н) и исходную толщину металла (5).
Для реализации данной задачи в перспективе потребуется решить вопросы:
■ с наличием обрастания (водорослями, микроорганизмами и др.); возможное решение - наличие манипулятора на роботизированном подводном аппарате, производящем технический визуальный мониторинг, который обеспечит очищение фрагмента поверхности морского объекта;
■ с наличием водной преграды, что может негативно отразиться на получении изображений поверхности под водой, для подтверждения негативного влияния водной преграды требует дополнительно провести натурный эксперимент;
■ с неопределенностью расположения исследуемого участка металла: постоянно под водой или в районе переменной ватерлинии; возможное решение - разработка программного модуля для роботизированного подводного аппарата, с четким позиционированием относительно морского объекта и произведением исследования в определенных точках, по которым известно расположение исследуемого участка. Современные технологии позволяют получать цветные фото поверхности, следовательно, в программе предусмотрен этап предварительной обработки изображения и перевод его в монохромное. Следующим этапом программа выполняет анализ данного монохромного изображения поверхностного состояния стали с помощью разработанной методики оперативного автоматического анализа, основанного на применении нейросетевых технологий. Таким образом, программа решает регрессионную задачу и вычисляет площади, соответствующие определенным цветам изображения, и процентное содержание кислорода, натрия и хлора.
Зная исходную толщину металла, программа рассчитывает среднегодовое уменьшение толщины для наружных конструкций морских объектов под водой и в районе переменной ватерлинии. Затем определяется теоретическое значение остаточной толщины металла и сопоставляется с полученным с помощью ультразвукового контроля реальным значением толщины металла на данный период. В результате решается классификационная задача, отвечающая на вопрос наличия ресурса у металла для дальнейшей эксплуатации: если толщина теоретическая больше, чем реальная, то следует заменить конструкцию.
Заключение
Conclusion
Применение разработанной методики компьютерного анализа функциональных свойств подводной части морских объектов на основе системы технического зрения решает классификационную задачу, отвечающую на вопрос наличия ресурса у металла для дальнейшей эксплуатации.
Использование разработанной программы в сочетании с роботизированным подводным аппаратом позволит снизить затраты и риск нанесения ущерба здоровью высококвалифицированного персонала и уменьшит риск возникновения техногенных катастроф при освоении и использовании
Мирового океана и Арктики за счет возможности постоянного мониторинга подводных конструкций стационарных объектов. Практическая значимость работы заключается в разработке методов для продления срока службы морских судов и сооружений, что позволяет увеличить продолжительность их использования, сократить время простоя из-за замены лакокрасочного покрытия и уменьшить негативное влияние на окружающую среду в морской экономической зоне России.
Для практической реализации в перспективе потребуется решить вопросы:
■ с наличием обрастания (водорослями, микроорганизмами и др.);
■ наличием водной преграды, что может негативно отразиться на получении изображений поверхности металла под водой;
■ неопределенностью расположения исследуемого участка металла: постоянно под водой или в районе переменной ватерлинии.
Список использованной литературы
1. Развитие судостроения и техники для освоения шельфовых месторождений на 2013-2030 годы : гос. программа Рос. Федерации : утв. постановлением Правительства РФ от 15.04.2014 № 304 (по сост. на 31.03.2017) // Правительство России : [сайт]. Москва, 2017. URL: http://government.ru/docs/all/111080/ (дата обращения: 26.09.2024).
2. Monocular vision-based underwater object detection / Chen Z., Zhang Z., Dai F. [et al.] // Sensors.
2017. Vol. 17, № 8. P. 1784 (p. 1-14). DOI: 10.3390/ s17081784.
3. Underwater image de-scattering and classification by deep neural network / Y. Li, H. Lu, J. Li [et al.] // Computers and electrical engineering. 2016. Vol. 54. P. 68-77. DOI: 10.1016/j.compeleceng.2016.08.008.
4. Underwater object segmentation based on optical features / Chen Z., Zhang Z., Bu Y. [et al.] // Sensors.
2018. Vol. 18, № 1. P. 196 (p. 1-13). DOI: 10.3390/ s18010196.
5. Vision-based object detection and tracking for autonomous navigation of underwater robots / Lee D., Kim G., Kim D. [et al.] // Ocean Engineering. Vol. 48. P. 59-68. DOI: 10.1016/j.oceaneng.2012.04.006.
6. Обнаружение, распознавание и локализация объекта в водной среде с заданными отличительными признаками при помощи системы технического стерео-зрения / Кабанов А.А., Крамарь В.А., Крамарь О.А. [и др.] // Прикаспийский журнал: управление и высокие технологии. 2023. № 2(62). С. 59-73. DOI: 10.54398/20741707 2023 2 59.
7. Исследования микроскопии поверхностного слоя стали в районе переменной ватерлинии судов и океано-технических объектов / Крамарь В.А., Родькина А.В., Иванова О.А., Душко В.Р. // Научные проблемы водного транспорта. 2023. № 75. С. 84-94. DOI: 10.37890/jwt.vi372.
8. Методика определения уровня износа стали в районе переменной ватерлинии / Родькина А.В., Крамарь В.А., Иванова О.А., Шацких О.Н. // Труды Крыловского государственного научного центра. 2023. Спец. вып. 1. С. 7-18. DOI: 10.24937/2542-2324-2023-1-S-I-7-18.
References
1. Russian State Program Development of offshore shipbuilding and technology for the years 2013-2030. Adopted by Russian Government Directive No. 304 dt. April 15, 2014 (as of March 31, 2017) // Russian Government : [official site]. Moscow, 2017. URL: http://government.ru/docs/all/111080 (Accessed: 26.09.2024) (in Russian).
2. Monocular vision-based underwater object detection / Chen Z., ZhangZ., DaiF. [et al.] // Sensors. 2017. Vol. 17, № 8. P. 1784 (p. 1-14). DOI: 10.3390/s17081784.
3. Underwater image de-scattering and classification by deep neural network / Y. Li, H. Lu, J. Li [et al.] // Computers and electrical engineering. 2016. Vol. 54. P. 68-77. DOI: 10.1016/j.compeleceng.2016.08.008.
4. Underwater object segmentation based on optical features / Chen Z., Zhang Z., Bu Y. [et al.] // Sensors. 2018. Vol. 18, № 1. P. 196 (p. 1-13). DOI: 10.3390/ s18010196.
5. Vision-based object detection and tracking for autonomous navigation of underwater robots / Lee D., Kim G., Kim D. [et al.] // Ocean Engineering. Vol. 48. P. 59-68. DOI: 10.1016/j.oceaneng.2012.04.006.
6. Detection, identification and location of marine object as per pre-defined parameters by means of technical stereo-vision system / A.A. Kabanov, V.A. Kramar, O.A. Kramar [et al.] // Caspian Journal: Management and High Technologies. 2023. No. 2(62). P. 59-73. DOI: 10.54398/20741707_2023_2_59 (in Russian).
7. Microscopy of surface steel layer at variable waterline of ships and marine platforms / V.A. Kramar, A.V. Rodkina, O.A. Ivanova, V.R. Dushko // Russian Journal of Water Transport. 2023. No. 75. P. 84-94. DOI: 10.37890/ jwt.vi372 (in Russian).
8. Steel wear determination procedure for varia-blewaterline zone /A.V. Rodkina, V.A. Kramar, O.A. Ivanova, O.N. Shatskih // Transactions of the Krylov State Research Centre. 2023. Special Issue 1. P. 7-18. DOI: 10.24937/2542-2324-2023-1 -S-I-7-18 (in Russian).
Сведения об авторах
Родькина Анна Владимировна, к.т.н., доцент, доцент ФГАОУ ВО «Севастопольский государственный университет». Адрес: 299053, Россия, Севастополь, Университетская ул., д. 33. E-mail: [email protected]. https://orcid. org/0000-0002-4593-4259. Крамарь Вадим Александрович, д.т.н., профессор, профессор ФГАОУ ВО «Севастопольский государственный университет». Адрес: 299053, Россия, Севастополь, Университетская ул., д. 33. E-mail: [email protected]. https://orcid.org/0000-0002-0528-1978. Иванова Ольга Александровна, к.т.н., доцент, доцент ФГАОУ ВО «Севастопольский государственный университет». Адрес: 299053, Россия, Севастополь, Университетская ул., д. 33. E-mail: [email protected]. https://orcid.org/0000-0002-3034-0968. Крамарь Олег Александрович, научный сотрудник ФГАОУ ВО «Севастопольский государственный университет». Адрес: 299053, Россия, Севастополь, Университетская ул., д. 33. E-mail: [email protected]. https://orcid.org/0000-0001-6215-5591.
Сидорова Анна Андреевна, студент ФГАОУ ВО «Севастопольский государственный университет». Адрес: 299053, Россия, Севастополь, Университетская ул., д. 33. E-mail: [email protected]. https://orcid.org/0009-0000-1942-9542.
About the authors
Anna V. Rodkina, Cand. Sci. (Eng.), Associate Professor of Sevastopol State University. Address: 33, Universitet-skaya st., Sevastopol, Krym Republic, Russia, post code 299053. E-mail: [email protected]. https://orcid.org/0000-0002-4593-4259.
Vadim A. Kramar, Dr. Sci. (Eng.), Professor of Sevastopol State University. Address: 33, Universitetskaya st., Sevastopol, Krym Republic, Russia, post code 299053. E-mail: [email protected]. https://orcid.org/0000-0002-0528-1978.
Olga А. Ivanova, Cand. Sci. (Eng.), Associate Professor of Sevastopol State University. Address: 33, Universitetskaya st., Sevastopol, Krym Republic, Russia, post code 299053. E-mail: [email protected]. https://orcid.org/0000-0002-3034-0968.
Oleg A. Kramar, Researcher of Sevastopol State University. Address: 33, Universitetskaya st., Sevastopol, Krym Republic, Russia, post code 299053. E-mail: [email protected]. https://orcid.org/0000-0001-6215-5591.
Anna A. Sidorova, Student of Sevastopol State University. Address: 33, Universitetskaya st., Sevastopol, Krym Republic, Russia, post code 299053. E-mail: [email protected]. https://orcid.org/0009-0000-1942-9542.
Поступила / Received: 19.06.24 Принята в печать / Accepted: 14.11.24 © Коллектив авторов, 2024
i? Обработы изображений
Порог
Г
Объект № 340
Площадь от всей фото 0,06 % Площадь объекта 608,50 рх2 Периметр объекта 110,81 рх Цвет под курсором Н888888
Фаал Сервис
31,98 % площади 853.0С количество объектов
Рис. 2. Компьютерный анализ образца при полном погружении Fig. 2. Computer-based analysis of completely immersed sample
Обработка июбраж«мий
91,41 % площади
301,0( количество объектов
Порог
Объект №127
Площадь от всей фото 0,52 % Площадь объекта 5464,50 рх2 Периметр объекта 893,88 рх Цвет под курсором НЬеЬеЬе
Х= 872 У= 371
Рис. 1. Компьютерный анализ чистого образца Fig. 1. Computer-based analysis of clean sample
Рис. 3. Компьютерный анализ при моделировании условий района переменной ватерлинии
Fig. 3. Computer-based simulation of variable-waterline zone
ОаА» Сервис
38,33 % площади
159,ОС количество объектов
Объект № 74
Площадь от всей фото 0,12 % Площадь объекта 1264,00 рх2 Периметр объекта 160,37 рх Цвет под курсором №>05050
х. тго У» иг
Рис. 4. Зависимость процентного содержания кислорода от цвета. Образец стали 09Г2
Fig. 4. Colour depending on oxygen content: specimen of 09G2 steel
лор
•
0,02S8x* 4.9757 О вл
а
U у 9Е-12х'- Е-08х *7Е-06х>- ,0013х2 + 0,0763х +1,0163 .
\ 3 ■«a -о
о о
10 го JO 40 SO 00 70 SO SO 100 110 120 ISO 140 ISO ISO 170 ISO ISO 2K> 210 220 230 240 Ц1СТ
атрий
а
б
__
Q
J
J
О Е-11Х IF ПК 5 « ПППП4 j 7Q7S*.7 2886
О Ra-C 249
• воде
и п ВЛ
J
а °
° о а
О о
Ü V - -2Е-05Х3 0,0055х'-0 407x 11.6 1 Ü
О О
О ® О
С ö
100 110 120 130 140 ISO ISO 170 180 ISO 200 210 220 230 240
46 в воде
40 38
»
32 30 28 26 24 22
• лор«и
а натрий
18
u Vs- t-Oix + 0,0043x' 0.43 lx* 3.029
10 6 л \®
V-2 Е-05х + O.OOSSx' R' = 0,46 0,407 2 О 691
0 10 20 —-- 0 40 50 60 70 8 90 100 110 120 130 140 150 1 у ■-0.0258* »4.9757 >0 170 180 190 2 30 2 0 2 0 2 0 2 Ю Цвет
56 54 ПВЛ
50 < 48 • • •
\
о " »
SC
• /у-lE-l x^-SI •09x5« 2E 06X4- 000? x]*0 0056x »0.1949X» 23.58 6.
00 | R' = 0.2555
32
.....B
д хлор
- а *
£
U 3
12 8 " и е BY -lE-llx6* Е-08х O.OOCM x'-0,0292x ♦ 0.7978X 7,288 6
о U
1®- Q о„
2 0 а и с Ö = 9E- 2x4- E-08 4+7E OGx 0.001 3x' + ,0763 x« 1.0163
а с 5 0 70 8 - а а U Ю ISO 1 0 170 180 1 » 200 2 0 220 2 0 240 Ц
Рис. 5. Зависимость процентного содержания хлора от цвета. Образец стали 09Г2
Fig. 5. Colour depending on chlorine content: specimen of 09G2 steel
Рис. 6. Зависимость процентного содержания натрия от цвета. Образец стали 09Г2
Fig. 6. Colour depending on sodium content: specimen of 09G2 steel
Рис. 7. Судостроительная сталь 09Г2 в условиях непрерывного погружения в модельный раствор морской воды
Fig. 7. Shipbuilding steel 09G2 permanently immersed in model sea water solution
Рис. 8. Судостроительная сталь 09Г2 в условиях района переменной ватерлинии
Fig. 8. Shipbuilding steel 09G2 in variable-waterline zone
