CC BY
49
УДК 004.032.26
DOI: 10.18303/2618-981X-2018-3-81-87
ПРИМЕНЕНИЕ НЕЙРОННЫХ СЕТЕЙ ДЛЯ РЕШЕНИЯ ОБРАТНОЙ ЗАДАЧИ ВНУТРИТРУБНОЙ МАГНИТНОЙ ДЕФЕКТОСКОПИИ МАГИСТРАЛЬНЫХ ТРУБОПРОВОДОВ
Николай Николаевич Велькер
Новосибирский технологический центр компании «Бейкер Хьюз», 630090, Россия, г. Новосибирск, ул. Кутателадзе, 4А, научный сотрудник, тел. (383)232-94-43, e-mail: Nikolay.Velker@bakerhughes.com
Алексей Владимирович Бондаренко
Новосибирский технологический центр компании «Бейкер Хьюз», 630090, Россия, г. Новосибирск, ул. Кутателадзе, 4А, кандидат физико-математических наук, научный сотрудник, тел. (383)232-94-43, e-mail: Alexey.Bondarenko@bakerhughes.com
Александр Сергеевич Вершинин
Новосибирский технологический центр компании «Бейкер Хьюз», 630090, Россия, г. Новосибирск, ул. Кутателадзе, 4А, кандидат технических наук, научный сотрудник, тел. (383)232-94-43, e-mail: Alexander.Vershinin@bakerhughes.com
Юлий Александрович Дашевский
Новосибирский технологический центр компании «Бейкер Хьюз», 630090, Россия, г. Новосибирск, ул. Кутателадзе, 4А, доктор физико-математических наук, директор, тел. (383)332-94-43, доп. 102, e-mail: Yuliy.Dashevsky@bakerhughes.com
В процессе эксплуатации газо- и нефтепроводы подвергаются коррозии, что приводит к возникновению дефектов на внутренней и внешней поверхностях трубопровода. В статье рассматривается решение обратной задачи восстановления профилей коррозийных дефектов по магнитным полям рассеяния. Для решения задачи используется машинное обучение на базе синтетических данных, сгенерированных методом конечно-элементного моделирования. Полученная точность определения максимальной глубины дефекта составляет 8 % от толщины стенки трубопровода.
Ключевые слова: трубопровод, дефект, магнитное поле рассеяния, нейронные сети.
APPLICATION OF NEURAL NETWORKS FOR SOLVING THE INVERSE PROBLEM IN MAGNETIC PIPELINE INSPECTION
Nikolay N. Velker
Baker Hughes' Novosibirsk Technology Center, 4A, Kutateladze St., Novosibirsk, 630090, Russia, Researcher, phone: (383)232-94-43, e-mail: Nikolay.Velker@bakerhughes.com
Alexey V. Bondarenko
Baker Hughes' Novosibirsk Technology Center, 4A, Kutateladze St., Novosibirsk, 630090, Russia, Ph. D., Researcher, phone: (383)232-94-43, e-mail: Alexey.Bondarenko@bakerhughes.com
Alexander S. Vershinin
Baker Hughes' Novosibirsk Technology Center, 4A, Kutateladze St., Novosibirsk, 630090, Russia, Ph. D., Researcher, phone: (383)232-94-43, e-mail: Alexander.Vershinin@bakerhughes.com
Yuliy A. Dashevsky
Baker Hughes' Novosibirsk Technology Center, 4A, Kutateladze St., Novosibirsk, 630090, Russia, D. Sc., Director, phone: (383)232-94-43, extension 102, e-mail: Yuliy.Dashevsky@bakerhughes.com
While in operation, gas and oil pipelines are subject to corrosion, leading to defects on the pipe's inner and outer surfaces. This paper considers solving the inverse problem of main - pipeline defect profile restoration from magnetic flux leakage (MFL) using the machine learning technique with FEM-generated synthetic data. The obtained results enable concluding that the application of neural networks provides an estimation accuracy of ah = 8 % in the defect depth.
Key words: pipeline, defect, magnetic flux leakage (MFL), neural network.
Одной из важных задач трубопроводного транспорта является сохранение его герметичности. Подземные газо- и нефтепроводы подвержены как внешней, так и внутренней коррозии, поэтому есть необходимость осуществлять систематический мониторинг состояния трубопроводов без их вскрытия. Эта задача решается при использовании современных методов и средств внутритрубной диагностики [1, 2]. Данные методы позволяют определять параметры дефектов (размеры, максимальную глубину и форму профиля), которые впоследствии используются при расчете остаточной прочности газопровода. При этом остаточная прочность трубопровода в месте дефекта в наибольшей степени определяется соотношением между максимальной глубиной дефекта и толщиной стенки.
В настоящее время существует несколько методов обнаружения и восстановления профиля поверхности дефекта трубопроводов, такие как ультразвуковой, магнитный и др. [3-5]. Магнитный метод можно условно разделить по типу намагничивания стенки трубы: переменным током, постоянным током и постоянным магнитом [6].
Магнитный метод диагностики использует ферромагнитные свойства углеродистой стали, из которой, как правило, изготавливают трубопроводы. Измерительный комплекс намагничивает стенку трубопровода и измеряет магнитные поля вблизи нее, используя датчики магнитного поля (как правило, датчики Холла). В качестве примера на рис. 1 показана фотография измерительного комплекса GEMINI [7].
Рис. 1. Фотография измерительного комплекса GEMINI [7]
82
В случае отсутствия дефектов величина магнитного поля постоянна вдоль стенки газопровода, а при наличии дефекта возникает искажение магнитного поля вдоль стенки трубопровода (рис. 2). Таким образом, измеренные магнитные поля позволяют определить как положение, так и глубину, и профиль поверхности дефекта.
а) б)
Рис. 2. Линии магнитного поля при наличии дефекта (а) и без дефекта (б)
Рассмотрим дефектоскоп, осуществляющий диагностику трубопровода диаметром 1,4 м и толщиной стенки 12 мм. Дефектоскоп имеет продольно расположенные постоянные магниты, обеспечивающие магнитное поле 10 кА/м вдоль трубы. Датчики Холла, расположенные на расстоянии 3,5 мм от стенки трубы, с шагом 3 мм вдоль стенки трубопровода регистрируют изменение магнитного поля. Дефектоскоп помещается в действующий трубопровод и под силой потока двигается в нем, одновременно регистрируя сигналы с датчиков.
Таким образом, измеренные сигналы представляют собой значения магнитных полей в трубопроводе с шагом 3 мм, как по радиальной составляющей, так и вдоль трубопровода.
Экстремумы измеренных сигналов позволяют локализовать положение дефектов, а для восстановления его глубины и профиля необходимо решать соответствующую обратную задачу. Данная задача решалась в предположении, что размер дефекта много меньше расстояния между дефектами (использовалось приближение одиночного дефекта), а также в приближении плоской геометрии (рис. 3).
Рис. 3. Модель дефекта в приближении плоской геометрии
Диапазон параметров дефекта, использованный при решении обратной задачи, следующий:
- глубина (И = 0.5^11 мм);
- длина (Ь = 2^82 мм);
- ширина (Ж = 2^82 мм);
- положение максимальной глубины дефекта относительно его геометрического центра (-Ь/3 < х0 < Ь/3; -Ж/3 <у0 < Ж/3).
Как правило, дефекты, возникающие вследствие коррозии, имеют гладкую чашеобразную форму, поэтому для описания формы дефекта целесообразно использовать дробно-рациональную функцию (1).
2 3 4 2 3 4
а0 + щх + «2^ + азХ + а^х с0 + с^у + С2У + С3У + С4 у
1(х?у) = 2 3 4~' 2 3 4"' (
Ьо + Ьх + ¿2 х + ЬзХ + ¿4 х йо + й\у + ^2У + dз у + ^4 у
где а, Ъи 01, ф - коэффициенты, которые зависят от параметров дефекта: длины (Ь), ширины (Ж), глубины (И) и смещения минимума относительно центра дефекта по оси Ох и по оси Оу (х0, у0). Выбор указанной функции для описания формы дефекта обусловлен тем, что при корректном подборе коэффициентов аь Ъь 01, ф она обладает только одним экстремумом (минимумом), положение которого может варьироваться в заданном диапазоне.
Пример функции _Дх, у) приведен на рис. 4.
.4............ ............
\-20 -10 t ► 20 /
\ ~2
\ ~4 И
1-8
х.
W
111111 \ , .
-15 -10 - 5
у, ПИИ
Уг
Рис. 4. Сечение профиля дефекта плоскостями Х2 и У2
Характерное поле рассеяния Нх над рассмотренными дефектами показано на рис. 5 и 6, при внешнем поле Н0 = 10 кА/м, ориентированном вдоль оси Ох.
Для решения обратной задачи зависимость параметров дефекта (длина (Ь), ширина (Ж), глубины (И) и положение максимальной глубины относительно центра дефекта по оси X и по оси У (х0, у0)) интерполировалась искусственной нейронной сетью [7, 8] (ИНС). Выбор метода обусловлен высокой эффективность данного типа алгоритмов в задачах прогнозирования, идентификации, аппроксимации и т. д. Для решения нашей задачи была выбрана трехслойная
архитектура ИНС, включающая 12:10:8 нейронов на каждом следующем слое соответственно. Входными параметрами являются: значения полей в продольном и поперечном сечении через точку максимального поля и интегральные характеристики поля рассеяния (132 значения). Выходными данными являются 5 параметров дефекта (глубина, длина, ширина, координаты минимума).
Lire G -aph: Magréele field, х component [A/nn]
14500 140ÜQ 13 WO
e íaooo
^ 12500 E
I 12000
LL
; H500
•I.
* 11000 ^ 10500 ® 10000 ^ 9500 9000 0500 0000
-0.25 -0.2 -C.li -0.1 -0.05 0 0.05 0 1 0.15 0.2 0.25 x-coordlrate {m}
Рис. 5. Поле рассеяния Hx вдоль дефекта на оси Ox
Line Graph: Magnetic field, x component {/Vm}
13200 f-*-1-TT-1-
1ЭООО 12800 12600 £ 12400
S 12200
£ 12000
f 11800
" 11600 11400
i
u 11200
t 11000 г
£ 10800 10600 10400 10200 10000
-0.25 -0.2 -0.15 -0.1 -0.05 0 0.05 0.1 0.15 0.2 0.25 y-eoordlnate (m)
Рис. 6. Поля рассеяния Hx поперек дефекта на оси Oy
Для обучения нейронной сети [9, 10] необходима база данных, содержащая параметры дефекта и значения полей рассеяния. Расчеты полей рассеяния выполнялись в магнитостатическом приближении с учетом магнитного насыщения стенки трубопровода. Моделирование проводилось в среде CST EM Studio с использованием кластера. В результате была рассчитана база данных, содержащая 1 500 наборов параметров дефектов и соответствующие поля рассеяния над дефектом.
Из полученной базы данных для обучения ИНС были использованы 1 275 дефектов. Тестирование ИНС проводилось на остальных 225 дефектах.
Тестирование нейронной сети проводилось с использованием как точных значений магнитных полей рассеяния, так и зашумленных (чтобы оценить влияние погрешности). Среднеквадратичная величина добавленного шума составила 0,85 % от величины поля, что соответствует точности измерений магнитных полей дефектоскопом. Сравнение погрешности определения параметра дефекта по точным значениям полей и по зашумленным полям приведены в таблице. Гистограммы, описывающие погрешность определения параметров дефекта из зашумленных полей, приведены на рис. 7.
(с) Положение минимума по оси X (с1) Положение минимума по оси У
(е) Глубина
Рис. 7. Погрешность определения параметров дефекта
Среднеквадратичная погрешность определения параметров дефекта
Параметр Зашумленные данные Незашумленные данные
Oh 8 % 4,3 %
CL 1,5 мм 1 мм
Cw 6 мм 2 мм
OX0 0,7 мм 0,5 мм
CY0 1,5 мм 1 мм
Рассмотренный в данной работе метод определения профиля поверхности дефекта с использованием ИНС позволяет многократно сократить время обработки сигналов. Время построения одного профиля составляет ~20 мкс. Также данный метод позволяет определить глубину дефекта с точностью 8 % от толщины стенки газопровода, длину и ширину - с точностью 1,5 мм и 6 мм, а положение минимума - с точностью 1,5 мм. При этом неточность определения параметров дефекта в основном вызвана погрешностью при измерении магнитных полей рассеяния.
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Development of a magnetic sensor for detection and sizing of internal pipeline corrosion defects / N. B. S. Gloria, M. C. L. Areiza, I. V. J. Miranda, J. M. A. Rebello. - NDT International, 2009. - Vol. 42(8). - P. 669-677.
2. Sizing of 3-D arbitrary defects using magnetic flux leakage measurements / M. Ravan, R. K. Amineh, S. Koziel et al. - IEEE transactions on magnetics, 2010. - Vol. 46(4). - P. 10241033.
3. Blitz J. Electrical and magnetic methods of non-destructive testing. - Springer Science & Business Media, 2012. - Vol. 3.
4. Revie R.W. Oil and gas pipelines: integrity and safety handbook. - John Wiley & Sons,
2015.
5. Orazem M. Underground pipeline corrosion. - Elsevier, 2014. - Vol. 63.
6. Mandal K., Atherton D. L. A study of magnetic flux-leakage signals // Journal of Physics D: Applied Physics. - 1998. - Vol. 31, N 22. - P. 3211-3217.
7. URL: https://www.bakerhughes.com/products-and-services/process-and-pipeline-services/pipeline-services/pipeline-inspection-services/gemini-mfl-and-caliper-pipeline-inspection
8. Murphy K. P. Machine Learning: A Probabilistic Perspective. - Cambridge, Massachusetts: The MIT Press, 2012.
9. Characterization of gas pipeline inspection signals using wavelet basis function neural networks / K. Hwang, S. Mandayam, S. S. Udpa et al. - NDT International, 2000. - Vol. 33(8). -P. 531-545.
10. Hagan M. T., Demuth H. B., Beale M. H., Neural network design. - Boston : Pws Pub., 1996. - Vol. 20.
Н. Н. Велькер, А. В. Бондаренко, А. С. Вершинин, Ю. А. Дашевский, 2018
