CC BY
0СИСТЕМНЫЙ АНАЛИЗ, УПРАВЛЕНИЕ И ОБРАБОТКА ИНФОРМАЦИИ, СТАТИСТИКА
УДК 681.518.5 DOI https://doi.org/10.38161/1996-3440-2024-3-65-86
И. Г. Румановский, Н. А. Калинников
ПРИМЕНЕНИЕ НЕЙРОСЕТЕВЫХ АЛГОРИТМОВ ДЛЯ ПРОГНОЗИРОВАНИЯ РОСТА КОРРОЗИОННЫХ ДЕФЕКТОВ ТРУБОПРОВОДОВ ПРИ ПРОВЕДЕНИИ МАГНИТНОЙ ДЕФЕКТОСКОПИИ
Румановский И. Г. - канд. техн. наук, доцент высшей школы управления природными ресурсами, (ТОГУ), e-mail: 001776@pnu.edu.ru; Калинников Н. А. - аспирант, (ТОГУ), e-mail: 012432@pnu.edu.ru
Целью данного исследования является повышение безопасности эксплуатации нефте- и газопроводов в условиях коррозии, своевременное и точное выявление коррозионных повреждений. В работе предложен метод неразрушающего контроля, сочетающий в себе технологию испытания на утечку магнитного потока и машинное обучение, на основе генетического алгоритма (GA-KELM). В работе посредством численного моделирования рассчитана скорость роста коррозионных дефектов во времени. При этом выполнен анализ распределения сигнала рассеяния магнитного потока при различных дефектных состояниях. Выбор признаков для прогнозирования размеров дефектов осуществляется по кривой распределения сигнала рассеяния магнитного потока, и алгоритм GA-KELM используется для прогнозирования глубины и длины коррозионных дефектов при проведении неразрушающего контроля дефектов трубопровода. Выявлена корреляционная зависимость между размером дефекта и экстремальным значением, площадью и шириной пика кривой распределения сигнала рассеяния магнитного потока. Алгоритм прогнозирования GA-KELM может эффективно прогнозировать глубину и длину коррозионных дефектов, при этом достигается более высокая точность прогнозирования по сравнению с традиционной моделью прогнозирования при применении машин с экстремальным обучением.
Ключевые слова: неразрушающий контроль, коррозийный дефект, испытание на утечку магнитного потока, машина экстремального обучения.
© Румановский И. Г., Калинников Н. А., 2024
ВЕСТНИК ТОГУ. 2024. № 3 (74)
ВЕСТНИК ТОГУ. 2024. № 3 (74)
Введение
Хорошо известно, что трубопроводный транспорт является безопасным, надежным и экономичным средством транспортировки энергоносителей, которое все чаще используется при транспортировке нефти и газа по всему миру. Коррозия металлических трубопроводов происходит из-за разницы электродных потенциалов, а при контакте металла с электролитом происходят электрохимические реакции. В процессе эксплуатации на трубопроводы воздействуют разнообразные эксплуатационные нагрузки, такие как напряжение грунта, внутренние остаточные напряжения трубопроводов, термические напряжения, вызванные сваркой и т. д. [1]. Как упругие, так и пластические растягивающие напряжения могут усилить поверхностную активность трубопроводной стали, еще больше способствовать электрохимической реакции на поверхности стали и ускорить коррозию трубопроводов [2].
Коррозия — это динамический процесс, развивающийся с течением времени, и по мере увеличения срока эксплуатации трубопроводов коррозия становится основной скрытой угрозой для безопасной эксплуатации трубопроводов. Существует несколько методов прогнозирования повреждения трубопроводов, наиболее известные из них — это эксперименты, аналитические методы и метод конечных элементов (МКЭ). В последнее время, с развитием компьютерных технологий, МКЭ зарекомендовал себя как метод выбора для большинства приложений анализа [3]. В исследование [4] использовался МКЭ для анализа остаточной прочности напорных трубопроводов с коррозионными дефектами, и результаты исследований доказали, что глубина и длина дефектов, а также расстояние между соседними дефектами оказывают большее влияние на остаточную прочность трубопроводов. В исследовании [5] использовался МКЭ для анализа и определения локальной области максимального напряжения, в результате исследования установлено, что на напряженное состояние влияют внутреннее давление и время корродированных дефектных трубопроводов.
Мурад Нахаль [6] создал численную модель корродированного колена методом МКЭ, изучил механическое поведение под действием коррозионных дефектов и создал эмпирическую модель. Результаты показывают, что вероятность отказа тркбопровода пропорциональна скорости коррозии, на надежность корродирующего колена трубы могут существенно влиять коррозия и остаточное напряжение. Чжан Цзя [7] использовал метод МКЭ для проведения нелинейного анализа подземных газопроводов. Было проанализировано влияние внутреннего давления, размера дефекта коррозионной язвы, коррозии внутренней и внешней стенки, группы коррозионных язв и различных типов объемных коррозионных дефектов на разрушение стальной трубы L360QS с учетом влияния осевых и окружных зон. коррозионных ям. Чтобы гарантировать безопасное функционирование трубопроводов, необходимы периодические проверки для оценки их коррозионного состояния. Испытание на утечку магнитного потока — это важный метод неразрушающего контроля, который широко используется в настоящее время для дефектоскопии магистральных трубопроводов. В сочетании с другими методами он обеспечивает быструю и недорогую оценку ферромагнитных деталей. Учитывая, что значительная часть трубопроводов для транспортировки нефти и газа изготовлена из ферромагнитных материалов,
ПРИМЕНЕНИЕ НЕЙРОСЕТЕВЫХ АЛГОРИТМОВ ДЛЯ ПРОГНОЗИРОВАНИЯ РОСТА КОРРОЗИОННЫХ ДЕФЕКТОВ ТРУБОПРОВОДОВ ПРИ ПРОВЕДЕНИИ МАГНИТНОЙ ДЕФЕКТОСКОПИИ
технология испытаний на утечку магнитного потока может эффективно определять местоположение и размеры дефектов трубопровода [8].
В последние годы искусственные нейронные сети нашли широкое применение в таких задачах, как классификация и регрессия. Основное внимание в неразрушающем контроле уделяется количественной оценке и прогнозированию дефектов, что, по сути, является проблемой классификации или регрессии. Таким образом, искусственные нейронные сети могут применяться для количественной оценки и прогнозирования дефектов.
Как уже говорилось выше, наличие коррозионных дефектов представляет собой одну из основных угроз безопасности трубопроводов. Деформация, вызванная почвой, в сочетании с внутренним давлением приводит к сложному состоянию напряжения/деформации трубопроводов. Локальная концентрация напряжений, возникающая в месте дефекта, еще больше ускоряет локальную коррозию. Метод неразрушающего контроля основанный на выявлении утечек магнитного потока позволяет эффективно обнаруживать коррозионные повреждения трубопроводов. Между тем, искусственные нейронные сети широко используются для количественной оценки и прогнозирования дефектов. Однако большая часть существующих исследований использует натурный эксперимент для проведения исследований рассеяния магнитного потока и не имеет тесной связи с компьютерными технологиями. Чтобы оценить коррозионные повреждения нефте- и газопроводов с точки зрения безопасности и экономики, необходимо разработать научную методологию оценки.
В этой статье, учитывая комбинированное воздействие коррозии и напряжений на нефте- и газопроводы в практических инженерных сценариях, создана конечно-элементная модель коррозии трубопроводов под под нагрузкой. Это позволяет исследовать распределение сигнала рассеяния магнитного потока при различных профилях коррозионных дефектов. Также анализируется влияние глубины дефекта, длины дефекта и высоты подъема на распределение сигнала рассеяния магнитного потока. На этой основе определяются и выбираются в качестве выборочных данных особенности кривой распределения сигнала, а также строится нейронная модель GA-KELM для прогнозирования глубины и длины дефектов.
Численное моделирование коррозии трубопроводов под нагрузкой Моделирование упругопластичности
Упругопластичность относится к деформации объекта под действием внешней силы. Только часть деформации исчезает при устранении внешней силы, а остальная часть не исчезнет сама собой. Упругопластичность включает упругую механику и пластическую механику, в рамках механики упругости напряжение и деформация связаны линейно, тогда как в рамках механики пластичности связь между напряжением и деформацией нелинейна. Эта нелинейная характеристика связана с исследуемыми материалами и имеет разные законы трансформации для разных материалов и условий. В модели, созданной в данной статье, используется пластическая модель малой деформации для моделирования упругопластической механики
ВЕСТНИК ТОГУ. 2024. № 3 (74)
ВЕСТНИК ТОГУ. 2024. № 3 (74)
трубопроводов и модель изотропного упрочнения, для которой определяется функция упрочнения ОуИаы (функция, описывающая кривые напряжения-деформации в области пластичности):
^аМ = °ехр (ер + - (1)
В уравнении (1) оехр представляет собой кривую напряжения-деформации, измеренную в ходе экспериментов со сталью трубопровода Х100 [9], как показано на рис. 1, е„ - пластическая деформация, ае - напряжение по Мизе, Е
= 2,07 х 109 Па - модуль Юнга, ау, = 8,06 трубопроводной стали.
108 Па - предел текучести
0.05
Деформация(%)
Рис. 1. Кривая напряжения-деформации трубопроводной стали Х100
Моделирования электрохимической коррозии
Коррозией нефте- и газопроводов называют разрушение наружной стенки нефте- и газопроводов вследствие химических изменений, электрохимических изменений или физического растворения металла трубопроводов при длительном контакте с окружающими веществами. Почва является основной причиной коррозии заглубленных трубопроводов. Поскольку почва содержит много воды и воздуха, вода делает почву проводником, а поток воздуха вызывает неравномерное распределение концентрации кислорода и, наконец, образует гальванический элемент. Трубопроводы растворяются, а анод повреждается [10].
Модель предписывает, что на поверхности коррозионных дефектов трубопроводов происходят две электрохимические реакции — растворение железа (анод) и выделение водорода (катод), а другая поверхность трубопроводов считается электрохимически инертной. Формула химической реакции анодной реакции и катодной реакции выглядит следующим образом:
2+ ^ ^ (2)
Fe ^ Fe + 2е
Н+ + е ^ Н.
X
ПРИМЕНЕНИЕ НЕЙРОСЕТЕВЫХ АЛГОРИТМОВ ДЛЯ -
ПРОГНОЗИРОВАНИЯ РОСТА КОРРОЗИОННЫХ ВЕСТНИК ТОГУ. 2024. № 3 (74) ДЕФЕКТОВ ТРУБОПРОВОДОВ ПРИ ПРОВЕДЕНИИ МАГНИТНОЙ ДЕФЕКТОСКОПИИ
Выражение Тафеля для анода используется для моделирования реакции растворения железа, а локальная плотность анодного тока ia определяется следующим образом [11]:
Па.
ia = ^0,а10Аа, (4)
Па = Vf Vi - Eeq^ (5)
APmVm TR lva
ЕеЯ,а = Еед0,а - -— " ^ 1п + 1) . (6)
В уравнениях (4)-(6) /о,а = 2,353 х 10-3 А/м2 - плотность тока обмена, Ла = 0,118 В - коэффициент Тафеля, Ца - перенапряжение анодной реакции, Ев^а -равновесный потенциал анодной реакции, Еефа = -0,859 В - стандартный равновесный потенциал анодной реакции, ДРт = 2,687 х 108 Па - избыточное давление, вызывающее упргую деформацию, Кт = 7,13 х 10-6 м3/моль -мольный объем стали, г = 2 - электрический заряд стали, Б - постоянная Фарадея, Т = 298,15 К - абсолютная концетрация, R - постоянная идеального газа, и = 0,45 - коэффициент направленной корреляции, а = 1,67 х 1015 м-2 -коэффициент, N0 = 1 х 1012 м-2 - начальная плотность дислокаций.
Выражение Тафеля для катода используется для моделирования реакции выделения водорода, а локальная катодная плотность тока 1с определяется следующим образом [11]:
Пс.
¡с = ¡0,^, (7)
¡0,с = ¿0,С,ге/10бЯ-Л), (8)
пс = Ф^ Ф1 - Еед0,е. (9)
В уравнениях (7)-(9) /о,с - плотность тока обмена, Лс = 0,207 В - катодный коэффициент Тафеля, 1о,с,гв/ = 1,457 х 10-2 А/м2 - эталонная плотность обменного тока катодной реакции без внешнего напряжения/деформации, ц -перенапряжение катодной реакции, Еед0,с = -0,644 В - стандартный равновесный потенциал катодной реакции.
Геометрия деформации используется для моделирования растворения железа в коррозионных дефектах. Растворение железа приводит к перемещению границы электрода со скоростью и, рассчитанной по следующему уравнению [12]:
¡а М
и = яр- (|0)
Здесь М представляет собой молярную массу железа, равную 55,845 г/моль, а р - плотность железа, равная 7870 кг/м3.
Конечно-элементная модель коррозии требопроводо под нагрузкой
Для создания конечно-элементной модели коррозии трубопровода под нагрузкой будем использовать С0М80Ь МиШрЬу8Ю8 6.0. Геометрическая модель состоит из трубопровода, изготовленного из стали Х100 и окружающей
a„Vm
ВЕСТНИК ТОГУ. 2024. № 3 (74)
области грунта, как показано на рис. 2. Толщина стенки трубы составляет 19,1 мм, а длина сегмента трубы, используемого для моделирования методом конечных элементов, составляет 2 м. Исходный коррозионный дефект эллиптической формы, длиной 200 мм и глубиной 60 % толщины стенки трубы - 11,46 мм. При численном моделировании на скорость и точность вычислений влияют качество и количество сетки, высококачественная сетка может не только уменьшить память операций, но и повысить точность вычислений. В этой статье используется свободная треугольная сетка для разделения локального шифрования сетки области коррозионного дефекта и установки максимального размера единицы 1 мм. Полная сетка состоит из 13 807 ячеек с максимальным размером ячеек 40 мм, минимальным размером ячеек 0,6 мм и максимальной скоростью роста ячеек 1,2. Контактная поверхность трубопровода с грунтовой областью задается свободной границей, происходит электрохимическая коррозионная реакция, проводимость электролита в грунтовой области составляет 0,096 См/м. Левый конец трубопровода закреплен, правый конец подвергается растягивающей нагрузке, а нижняя часть трубопровода заземляется.
Проверка точности модели
Коррозионный потенциал - это потенциал, измеряемый, когда металл достигает устойчивого состояния коррозии в отсутствие приложенного тока. Именно смешанный потенциал анодных и катодных реакций, поляризованных самокоррозионными токами, существенно влияет на коррозию металлов [13]. Перед численным моделированием следует проверить рациональность и точность конечно-элементной модели. Кривая изменения коррозионного потенциала трубопроводной стали Х100 от напряжения по Мизесу представлена на рис. 3, а сравнение экспериментальных данных из литературы с результатами численного моделирования приведено в табл. 1. Из анализа данных видно, что результаты численного моделирования в данной работе
Земля (почва)
Коррозионный дефект
Стенка трубы _
Рис. 2. Расчетная модель коррозии нагруженного трубопровода
ПРИМЕНЕНИЕ НЕИРОСЕТЕВЫХ АЛГОРИТМОВ ДЛЯ -
ПРОГНОЗИРОВАНИЯ РОСТА КОРРОЗИОННЫХ ВЕСТНИК ТОГУ. 2024. № 3 (74) ДЕФЕКТОВ ТРУБОПРОВОДОВ ПРИ ПРОВЕДЕНИИ МАГНИТНОЙ дефектоскопии
хорошо согласуются с экспериментальными данными Л.Ю. Сюй [14] с максимальной ошибкой 0,27%, минимальной ошибкой 0,04% и средней ошибкой 0,059%. Результаты показывают, что моделирование МКЭ коррозии трубопровода под напряжением дает достоверный результат, а разделение сетки и установка граничных условий являются разумными и осуществимыми.
Напряжение по Мизесу (МПа)
Рис. 3. Изменение потенциала коррозии при напряжении по Мизесу трубопроводной
стали Х100
Таблица 1
Сравнение экспериментальных данных и результатов моделирования
Напряжение по Мизесу (МПа) Коррозионный потенциал в литературе (В) Коррозионный потенциал в моделировании (В) Ошибка (%)
6,116 -0,72154 -0,72195 0,057
25,446 -0,72156 -0,72193 0,051
51,218 -0,72163 -0,72197 0,048
82,364 -0,72163 -0,72199 0,050
121,024 -0,72167 -0,72201 0,046
159,681 -0,72178 -0,72203 0,035
199,409 -0,72195 -0,72206 0,015
243,432 -0,72213 -0,72209 0,004
289,603 -0,72230 -0,72213 0,023
334,701 -0,72245 -0,72218 0,037
381,947 -0,72260 -0,72224 0,050
427,047 -0,72273 -0,72230 0,059
474,295 -0,72286 -0,72237 0,067
522,613 -0,72305 -0,72245 0,083
570,937 -0,72314 -0,72255 0,081
622,480 -0,72327 -0,72268 0,082
672,950 -0,72340 -0,72283 0,079
721,271 -0,72353 -0,72298 0,076
ВЕСТНИК ТОГУ. 2024. № 3 (74)
Продолжение табл. 1
768,518 -0,72368 -0,72318 0,069
808,036 -0,72389 -0,72361 0,039
820,036 -0,72424 -0,72526 0,141
827,514 -0,72490 -0,72640 0,207
831,748 -0,72593 -0,72681 0,121
835,988 -0,72687 -0,72724 0,051
838,093 -0,72758 -0,72745 0,017
843,433 -0,72809 -0,72790 0,026
846,623 -0,72863 -0,72824 0,053
849,819 -0,72905 -0,72862 0,059
851,948 -0,72938 -0,72899 0,052
854,070 -0,72980 -0,72943 0,051
856,197 -0,73015 -0,73029 0,020
Моделирование анализа коррозионных ситуаций
В данном исследовании проводится всесторонний анализ коррозии трубопроводов за 30-летний период с интервалом моделирования - 3 года. Всего было проведено 10 симуляций для оценки величины роста коррозии при наличии дефектов. Эволюция размеров дефектов с течением времени представлена в табл. 2, а трансформация профилей дефектов изображена на рис. 4. Анализ данных показывает, что коррозионный дефект значительно изменился. Глубина дефектов увеличилась с 11,46 мм до 16,798 мм, при среднем увеличении на 0,54 мм каждые три года. Длина дефектов увеличилась с 200 мм до 210,649 мм, при среднем увеличении на 1,065 мм каждые три года. С увеличением срока службы трубопроводов коррозия под напряжением приводит к постоянному утончению стенки трубы и увеличению площади дефекта, что серьезно угрожает безопасной эксплуатации трубопроводов.
Таблица 2
Изменение размера коррозионного дефекта со временем
Время коррозии (год) Глубина дефекта (мм) Длина дефекта (мм)
3 11,981 200,569
6 12,507 201,243
9 13,041 202,017
12 13,580 202,888
15 14,122 203,857
18 14,662 204,925
21 15,199 206,104
24 15,733 207,419
27 16,266 208,909
30 16,798 210,649
ПРИМЕНЕНИЕ НЕЙРОСЕТЕВЫХ АЛГОРИТМОВ ДЛЯ ПРОГНОЗИРОВАНИЯ РОСТА КОРРОЗИОННЫХ
ДЕФЕКТОВ ТРУБОПРОВОДОВ ПРИ ПРОВЕДЕНИИ МАГНИТНОЙ ДЕФЕКТОСКОПИИ
ВЕСТНИК ТОГУ. 2024. № 3 (74)
3 года 6 лет 9 лет 12 лет 15 лет 18 лет 21 год 24 года 27 лет 30 лет
Рис. 4. Изменение размера дефекта в зависимости от времени коррозии
Начальную глубину коррозионного дефекта 11,46 мм оставляем неизменной, а начальную длину дефекта принимаем равной 160 мм, 170 мм, 180 мм, 190 мм, 200 мм, 210 мм, 220 мм, 230 мм, 240 мм и 250 мм соответственно. Создание модели и расчета профилей дефектов при различных временах коррозии необходимо для предоставлении геометрической модели последующего численного моделирования испытания на утечку магнитного потока.
Анализ машинного эксперимента на утечку магнитного потока Теория испытаний на утечку магнитного потока
Подобно линиям электрического поля, линии магнитной индукции представляют собой воображаемые кривые, используемые для описания направления магнитного поля. Распространение линий магнитной индукции подчиняется граничным условиям электромагнитного поля. Когда линия магнитной индукции проходит через разные границы раздела сред двух материалов, путь распространения преломляется из-за изменения проницаемости [15]. Схема закона преломления линии магнитной индукции представлена на рис. 5.
ВЕСТНИК ТОГУ. 2024. № 3 (74)
11адаюший луч /i. Среда 1 i ft Нормаль Граница ь
V V
Среда 2 \
е\в>
\ Преломленный
луч
Рис. 5. Преломление линии магнитной индукции
Как показано на рис. 5, две среды с различной проницаемостью разделены границей раздела, а нормальные составляющие интенсивности магнитной индукции в среде 1 и среде 2 равны Bin и B2n соответственно. Компоненты напряженности магнитного поля окружности среды 1 и среды 2 равны Hit и H2t соответственно, угол между магнитной индукцией и нормалью равен 9i и вг, а проницаемость среды 1 и среды 2 равна /xi и ¡лг в соответствии с граничные условия двух магнитных сред.
B1n = (11)
Hit = H2t. (12)
Коэффициент проницаемости по обе стороны среды равен коэффициенту тангенса угла между линией магнитной индукции и нормальной линией по обе стороны среды, то есть:
tan в1 ¡
(13)
tan 62
Линия магнитной индукции падает из среды 1, преломляется на границе раздела и излучается из среды 2, когда размер намного больше, чем цг, 62 бесконечно стремится к 0, а в\ стремится к 90 градусам. В это время линия магнитной индукции внутри среды 1 становится очень плотной и параллельной границе раздела. Чем больше проницаемость материала, составляющего среду 1, тем ближе в\ к 90 градусам.
Принцип испытания на утечку магнитного потока схематически показан на рис. 6, где устройство возбуждения применяется для намагничивания стенки трубы до состояния, близкого к насыщению. Если стенка трубы сплошная и не имеет дефектов, линия магнитной индукции будет ограничена.
Магнитный поток параллелен поверхности стенки трубы и практически не образует магнитного поля. При наличии дефектов в стенке трубы линия магнитной индукции изменится. Часть магнитного потока просачивается в пространство на поверхности стенки трубы, образуя магнитное поле
ПРИМЕНЕНИЕ НЕИРОСЕТЕВЫХ АЛГОРИТМОВ ДЛЯ -
ПРОГНОЗИРОВАНИЯ РОСТА КОРРОЗИОННЫХ ВЕСТНИК ТОГУ. 2024. № 3 (74) ДЕФЕКТОВ ТРУБОПРОВОДОВ ПРИ ПРОВЕДЕНИИ МАГНИТНОЙ ДЕФЕКТОСКОПИИ
рассеивания у дефекта. В это время датчики, такие как элементы Холла, используются для обнаружения утечки магнитного потока на поверхности стенки трубы, а сигнал утечки магнитного потока можно анализировать, чтобы оценить, есть ли в трубопроводах дефекты.
^ тенка трубы
Рис. 6. Принцип тестирования утечки магнитного потока
Конечно-элементная модель испытаний на утечку магнитного потока
Конечно-элементная модель испытания утечки магнитного потока на дефектах трубопровода создана в COMSOL Multiphysicals 6.0. Геометрическая модель состоит из ферромагнитного стального трубопровода Х100, катушки возбуждения и магнитного сердечника. В модели используется профиль коррозионных дефектов, рассчитанный при численном моделировании коррозии трубопровода под нагрузкой, положения и размеры катушки возбуждения и магнитного сердечника показаны на рис. 7. Линия обнаружения сигнала утечки магнитного потока устанавливается над стенкой трубы для замены датчика Холла, как показано синей пунктирной линией. Для обеспечения точности и плавности сигнала рассеяния магнитного потока область дефекта и воздушная область над ней разделены разметочной сеткой, размер единицы задан 5 мм, остальные разделены свободной треугольной сеткой. . Полная сетка состоит из 33 990 ячеек с максимальным размером ячеек 60 мм, минимальным размером ячеек 0,225 мм и максимальной скоростью роста ячеек 1,2.
Стенка трубы
Рис. 7. Расчетная модель испытаний на утечку магнитного потока
ВЕСТНИК ТОГУ. 2024. № 3 (74)
В реальных испытаниях, учитывая геометрические размеры и эффект намагничивания устройства намагничивания, обычно выбирается метод локального намагничивания. Сигнал магнитного поля в области намагничивания обнаруживается для определения наличия дефекта в этой области и геометрии дефекта. В данной работе выбран метод сердечника для локального намагничивания дефектных трубопроводов, а катушка возбуждается для создания намагничивания постоянным током, что позволяет генерировать стабильное магнитное поле без скин-эффекта. Материал катушки возбуждения — медь, относительная проницаемость — 0,9999912; материал магнитного сердечника выбирается из библиотеки материалов COMSOL независимо от потерь. В качестве материала трубопровода выбрана трубопроводная сталь Х100 с ферромагнетизмом, а входная кривая относительной проницаемости В-Н [16] представлена как нелинейность материала, как показано на рис. 8.
2.5 г
н
0.0 -'-1-'-1-'-1-'-1-'-1-1-1
О 5,000 10,000 15,000 20,000 25,000 30,000
Напряженность магнитного поля (А) Рис. 8. Кривая В-Н трубопроводной стали Х100
Влияние магнитного сердечника на сигнал утечки магнитного потока.
Количество катушек возбуждения и величина тока напрямую влияют на эффект намагничивания магнитного сердечника. Создана геометрическая модель с длиной дефекта 200 мм и глубиной дефекта 11,46 мм, а линия обнаружения сигнала рассеяния магнитного потока установлен на высоте 40 мм над стенкой трубы. На катушку возбуждения подаются токи 3 А, 5 А и 7 А, катушки наматываются по 400 витков, 500 витков и 600 витков
ПРИМЕНЕНИЕ НЕИРОСЕТЕВЫХ АЛГОРИТМОВ ДЛЯ -
ПРОГНОЗИРОВАНИЯ РОСТА КОРРОЗИОННЫХ ВЕСТНИК ТОГУ. 2024. № 3 (74) ДЕФЕКТОВ ТРУБОПРОВОДОВ ПРИ ПРОВЕДЕНИИ МАГНИТНОЙ дефектоскопии
соответственно. Распределение сигнала рассеивания магнитного потока при различных параметрах показано на рис. 9.
Рис. 9. Распределение сигнала рассеивания магнитного потока при различных
параметрах
а) осевая составляющая сигнала значения тока с 500 витками; б) радиальная составляющая сигнала значения тока с 500 витками; в) щсевая составляющая сигнала при различных количествах обмоток с током 5 А; г) радиальная составляющая сигнала при различных количествах обмоток с током 5 А
На рис. 9 видно, что влияние намагничивания магнитного сердечника на стенку трубы будет усиливаться с увеличением величины тока и количества катушек возбуждения. Низкий ток и малое количество витков катушки приведут к менее значительному изменению кривой. Между тем, большой ток и большое количество витков катушки увеличат объем вычислений. Поэтому, учитывая точность расчета и скорость расчета, в данном исследовании выбран ток 5 А и 500 витков катушки.
ВЕСТНИК ТОГУ. 2024. № 3 (74)
Влияние геометрических особенностей на сигнал утечки магнитного потока
В зависимости от количества катушек возбуждения и величины тока устанавливают модель испытания на рассеяние магнитного потока и изучают влияние глубины дефекта, длины дефекта и высоты подъема на распределение сигнала рассеяния магнитного потока соответственно. Когда глубина дефекта принимается как переменная, линия обнаружения сигнала рассеяния магнитного потока устанавливается на высоте 40 мм над стенкой трубы, длина дефекта составляет 200 мм, а глубина дефекта принимается равной 8 мм, 9 мм, 10 мм, 11 мм и 12 мм. При выборе длины дефекта в качестве переменной линия обнаружения сигнала рассеяния магнитного потока принимается равным 40 мм над стенкой трубы, глубина дефекта - 11,46 мм, а глубины дефекта принимаются равными 100 мм, 150 мм, 200 мм. , 250 мм и 300 мм. При выборе высоты подъема в качестве переменной глубина дефекта контролируется на уровне 11,46 мм, длина дефекта остается неизменной на уровне 200 мм, а линии обнаружения сигнала рассеяния магнитного потока устанавливаются на расстоянии 30 мм, 40 мм и 50 мм над трубой. стена. Распределение сигнала рассеяния магнитного потока при различных геометрических характеристиках показано на рис. 10.
На рис. 10 видно, что разные геометрические особенности приводят к разным распределениям сигналов рассеяния магнитного потока. По мере увеличения глубины дефекта крайние значения осевой и радиальной составляющих демонстрируют постоянный рост с одновременным увеличением замкнутой области кривой. И наоборот, с увеличением длины дефекта экстремальные значения как осевой, так и радиальной составляющих уменьшаются, что сопровождается увеличением ширины пика кривой. Это наблюдение подразумевает корреляцию между размером дефекта и экстремальным значением, площадью и шириной пика кривой. Кроме того, с увеличением высоты подъема экстремальные значения осевой и радиальной составляющих уменьшаются. В данном исследовании высота подъема 40 мм выбрана для обеспечения четкого изменения кривой распределения обнаруженного сигнала утечки магнитного потока для каждого компонента.
ПРИМЕНЕНИЕ НЕИРОСЕТЕВЫХ АЛГОРИТМОВ ДЛЯ -
ПРОГНОЗИРОВАНИЯ РОСТА КОРРОЗИОННЫХ ВЕСТНИК ТОГУ. 2024. № 3 (74) ДЕФЕКТОВ ТРУБОПРОВОДОВ ПРИ ПРОВЕДЕНИИ МАГНИТНОЙ ДЕФЕКТОСКОПИИ
Рис. 10. Распределение сигнала рассеивания магнитного потока при различных геометрических характеристиках
а) осевая составляющая сигнала глубины дефекта; б) радиальная составляющая сигнала глубины дефекта; в) осевая составляющая сигнала длины дефекта; г) радиальная составляющая сигнала длины дефекта; д) осевая составляющая сигнала высоты подъема; е) радиальная составляющая сигнала высоты подъема
ВЕСТНИК ТОГУ. 2024. № 3 (74)
Прогнозирование регрессии коррозионных дефектов Извлечение признаков сигнала утечки магнитного потока
Ключом к количественному анализу сигнала утечки магнитного потока дефекта является извлечение особенности кривой распределения. В сочетании с приведенным выше анализом закона трансформации сигнальной кривой рассеяния магнитного потока, особенность кривой распределения определяется следующим образом (рис. 11): 1) Пиковое значение
(а) (б)
Рис. 11. Особенность кривой
а) осевая составляющая; б) радиальная составляющая
Базовая линия устанавливается вдоль нижнего края кривой осевого компонента, а несоответствие между пиком кривой и этой базовой линией определяется как пиковое значение осевого компонента (Р1). Между тем, несоответствие между положительным пиком и отрицательным пиком внутри кривой радиального компонента определяется как пиковое значение радиального компонента (Р2);
2) Зона (площадь)
Базовая линия устанавливается вдоль основания кривой осевого компонента, а абсолютная площадь, ограниченная кривой и базовой линией, определяется как площадь пика осевого компонента (А1). Аналогичным образом, соединяя конечные точки кривой радиальной составляющей для формирования базовой линии, абсолютная площадь, ограниченная кривой и базовой линией, определяется как площадь пика радиальной составляющей
(А).
3) Полная ширина на половине высоты (ПШПМ)
Ширина кривой осевого компонента на половине высоты его пика определяется как ПШПМ осевого компонента (^1). С другой стороны,
ПРИМЕНЕНИЕ НЕЙРОСЕТЕВЫХ АЛГОРИТМОВ ДЛЯ ПРОГНОЗИРОВАНИЯ РОСТА КОРРОЗИОННЫХ ДЕФЕКТОВ ТРУБОПРОВОДОВ ПРИ ПРОВЕДЕНИИ МАГНИТНОЙ ДЕФЕКТОСКОПИИ
поскольку кривая радиального компонента имеет два пика, среднее значение двух значений ширины определяется как ПШПМ радиального компонента (W2).
4) Шаг гофрирования
Путем расчета несоответствия между значениями абсцисс отрицательного и положительного пиков кривой радиальной составляющей полученная разница определяется как шаг гофра радиальной составляющей (5).
Ядро экстремального машинного обучения, улучшенное с помощью генетического алгоритма
Машина экстремального обучения (ELM) представляет собой однослойную искусственную нейронную сеть с прямой связью, которая имеет более высокую скорость работы и лучшую производительность обобщения, чем традиционные алгоритмы [17]. В процессе обучения ELM веса соединений входного и скрытого слоев генерируются случайным образом, а веса соединений скрытого слоя и выходного слоя получаются путем решения уравнения, а не итеративной корректировки. Более высокую производительность можно получить, только регулируя количество нейронов в скрытом слое, что значительно повышает скорость обучения. Сетевая структура ELM показана на рис. 12 и состоит из входного, скрытого и выходного слоев.
ад
Входной слой Скрытый слой Выходной слой
Рис. 12. Структура сети машины экстремального обучения
На рис. 12, Хп - собственный вектор входной выборки, Ж - вес связи входного слоя и скрытого слоя, в - вес связи скрытого слоя и выходного слоя,
ВЕСТНИК ТОГУ. 2024. № 3 (74)
ВЕСТНИК ТОГУ. 2024. № 3 (74)
Уп - вектор метки, соответствующий образцу, к(х) = [М(х), ..., Лг(х)] - выходные данные скрытого слоя, формула рсчета Н(х) выглядит следующим образом:
В уравнении (14) g представляет собой функцию активации, Ь, - отклонение единицы скрытого слоя.
В машине экстремального обучения необходимо определить количество нейронов скрытого слоя, чтобы получить уникальное оптимальное решение. Хотя ядро машины экстремального обучения (KELM) заменяет неизвестное сопоставление функций скрытого слоя функцией ядра, ей не нужно заранее определять количество узлов скрытого слоя, а только получать свою функцию ядра. Основной принцип функции ядра состоит в том, чтобы сопоставить выборочные данные входного пространства с многомерным пространством признаков с помощью нелинейной функции, а затем обработать многомерное пространство признаков. Ключевым моментом является преобразование операции произведения в многомерном пространстве после нелинейного преобразования в вычисление функции ядра в исходном входном пространстве путем введения функции ядра [18]. Формула функции ядра выглядит следующим образом:
В уравнении (16) К(хх;) представляет собой элемент ядра матрицы О, 3 -параметр функции ядра.
Между тем, основным средством численного решения является итерационная операция, а общий итерационный метод легко попадает в локальный минимальный цикл. Генетический алгоритм (ОЛ) — это глобально улучшенный алгоритм, который следует принципу выживания сильнейшего. Он использует метод поиска «случайный выбор в соответствии с вероятностью», чтобы ловко избежать ловушки локального оптимума, и имеет хорошую сходимость. Для повышения точности алгоритма нейронной сети предлагается ядро экстремального машинного обучения, улучшенная с помощью генетического алгоритма (GA-KELM). Зададим число популяций 20, максимальное количество итераций 100, вероятность кроссовера 0,7 и вероятность мутации 0,3, рабочий процесс производительности GA-KELM показан на рис. 13.
Ш = g(Wi, Ь, х) = g(W1x + Ь).
(14)
(15)
ПРИМЕНЕНИЕ НЕИРОСЕТЕВЫХ АЛГОРИТМОВ ДЛЯ -
ПРОГНОЗИРОВАНИЯ РОСТА КОРРОЗИОННЫХ ВЕСТНИК ТОГУ. 2024. № 3 (74) ДЕФЕКТОВ ТРУБОПРОВОДОВ ПРИ ПРОВЕДЕНИИ МАГНИТНОЙ дефектоскопии
Тренировка KELM
Конец
Рис. 13. Рабочий процесс GA-KELM
В этом алгоритме входные веса обучающих данных KELM и пороговые значения узлов скрытого слоя сопоставляются с генами на каждой хромосоме в популяции GA. Приспособленность хромосом GA соответствует ошибке обучения KELM, и проблема получения оптимального входного веса и порога трансформируется в задачу выбора оптимальной хромосомы за счет снижения приспособленности хромосом. Посредством отбора GA, скрещивания, мутации и других генетических операций оптимальная хромосома выбирается в качестве входного веса и порога KELM после улучшения. Выходные веса нейронов скрытого слоя рассчитываются методом наименьших квадратов для расчета прогнозируемого результата. Алгоритм объединяет возможности глобального поиска GA и высокую способность к обучению KELM, что может эффективно повысить точность прогнозирования.
Результаты прогнозирования и анализ
Модели прогнозирования ELM и GA-KELM созданы в MATLAB R2018a, а 100 наборов характеристик кривых распределения сигналов рассеяния магнитного потока выбраны в качестве наборов данных для прогнозирования коррозионных дефектов. Каждый набор данных содержит восемь различных параметров. Среди них Pi, P2, Ai, A2, Wi, W2 и S принимаются в качестве
ВЕСТНИК ТОГУ. 2024. № 3 (74)
входных данных, а глубина дефекта и длина дефекта соответственно принимаются в качестве выходных данных. Всего в качестве обучающего набора случайным образом выбираются 80 групп данных, а в качестве тестового набора выбираются оставшиеся 20 групп данных.
На рис. 14 показано сравнение результатов прогнозирования двух моделей. Из рисунка видно, что точность модели GA-KELM в прогнозировании глубины и длины дефекта составляет 98,8% и 98,2% соответственно, что на 5,4% и 5,2% выше, чем у традиционной модели ELM. Это показывает, что модель GA-KELM, предложенная в данном исследовании, может хорошо прогнозировать размер коррозионного дефекта, принятый улучшенный алгоритм может эффективно повысить точность прогнозирования.
Рис. 14. Сравнение результатов прогнозов. Схематическая диаграмма глубины дефекта (слева) и схематическая диаграмма длины дефекта (справа)
Заключение
В данной работе методом численного моделирования создана расчетная модель коррозии трубопроводов под нагрузкой. Кроме того, в данной статье выполнен анализ закона трансформации распределения сигналов рассеяния магнитного потока. В работе предложен улучшенный алгоритм искусственных нейронных сетей для прогнозирования глубины и длины коррозионных дефектов. По результатам выполенных исследований можно сделать следующие выводы:
- точность результатов численного моделирования коррозии трубопроводов под нагрузкой подтверждается опубликованными экспериментальными данными. Таким образом, подтверждается эффективность предложенной в работе конечно-элементной модели для моделирования скорости роста коррозионных дефектов;
- различные геометрические особенности приводят к разным распределениям сигналов рассеяния магнитного потока. С увеличением глубины дефекта увеличивается площадь, охватываемая кривой распределения сигнала рассеяния магнитного потока, а также увеличивается экстремальное значение кривой. С увеличением длины дефекта ширина гребня кривой увеличивается, но
ПРИМЕНЕНИЕ НЕЙРОСЕТЕВЫХ АЛГОРИТМОВ ДЛЯ -
ПРОГНОЗИРОВАНИЯ РОСТА КОРРОЗИОННЫХ ВЕСТНИК ТОГУ. 2024. № 3 (74) ДЕФЕКТОВ ТРУБОПРОВОДОВ ПРИ ПРОВЕДЕНИИ МАГНИТНОЙ ДЕФЕКТОСКОПИИ
экстремальное значение кривой уменьшается. Соответственно, увеличение высоты подъема соответствует заметному уменьшению экстремального значения кривой;
- предложенная в работе модель GA-KELM демонстрирует достаточную точность прогнозирования изменения глубины и длины коррозионных дефектов,при этом точность прогнозирования составила 98,8% и 98,2% соответственно, это дает улучшение на 5,4% и 5,2% по сравнению с традиционным ELM-моделями.
Библиографический список
1. Frank, Y. Stress Corrosion Cracking of Pipelines / Y. Frank. - USA: John Wiley & Sons: Hoboken, 2013. - pp. 21-24.
2. Chen, W. The role of residual stress in neutral pH stress corrosion cracking of pipeline steels / W. Chen, V. Boven, R. Rogge. - Part II: Crack dormancy. Acta Mater. 2007. - pp. 43-53.
3. Shahzamanian, M. Systematic literature review of the application of extended finite element method in failure prediction of pipelines / M. Shahzamanian, L. Meng, K. Muntaseer, Y. Nader, A. Samer // J. Pipeline Sci. Eng. - 2021. - № 1. - pp. 241-251.
4. Khalajestani, K. Investigation of pressurized elbows containing interacting corrosion defects / K. Khalajestani, M. Bahaari. - Int. J. Press. Vessel.Pip. 2014. - pp. 123-124, 77-85.
5. Ларин, А. Статистическая оценка остаточной прочности и надежности корродированного колена трубопровода на основе прямого КЭ-моделирования / А. Ларин, К. Потопальска, Р. Мигущенко // Жур. Сербского общества выч. механ.
- 2018. - № 12. - C. 80-95.
6. Nahal, M. A finite element model for estimating time-dependent reliability of a corroded pipeline elbow / M. Nahal, R. Khelif // Int. J. Struct. Integr. - 2020. - № 12.
- pp. 306-321.
7. Zhang, J.; Lian, Z.; Zhou, Z.; Song, Z.; Liu, M.; Yang, K.; Liu, Z. Safety and reliability assessment of external corrosion defects assessment of buried pipelines—Soil interface: A mechanisms and FE study / J. Zhang, Z. Lian, Z. Zhou, Z. Song, M. Liu, K. Yang, Z. Liu // J. Loss Prev. Process Ind. - 2023. - № 82. - pp. 4-12.
8. Yang, Z. External magnetic leakage testing of pressure pipe based on finite element analysis / Z. Yang, P. Qu, Y. Li, Z. Zhang, Y. Gao // Nondestruct. Test. -2021.
- № 43. - pp. 7-12.
9. Xu, L. Corrosion of X100 pipeline steel under plastic strain in a neutral pH bicarbonate solution / L. Xu, Y. Cheng // Corros. Sci. - 2012. - № 64. - pp. 145-152.
10. Park, J. Effect of Passivity of the Oxide Film on Low-pH Stress Corrosion Cracking of API 5L X-65 Pipeline Steel in Bicarbonate Solution / J. Park, S. Pyun, K. Na, S. Lee, Y. Kho // Corros. J. Sci. Eng. - 2002. - № 58. - pp. 329-336.
11. Bagotsky, V.S. Fundamentals of Electrochemistry / V. S. Bagotsky. - 2nd ed.
- USA, NJ: John Wiley & Sons: Hoboken, 2006. - pp. 23-45.
12. Gutman, E.M. Mechanochemistry of Solid Surfaces / E. M. Gutman. - Singapore: World Scientific, 1994. - pp. 16-28.
13. Zhao, M. Corrosion and Protection of Metals / M. Zhao. - China, Beijing: National Defense Industry Press, 2008. - pp. 56-58.
BECTHHK TOry. 2024. № 3 (74)
14. Xu, L. Development of a finite element model for simulation and prediction of mechanoelectrochemical effect of pipeline corrosion / L. Xu, Y. Cheng // Corros. Sci. - 2013. - № 73. - pp. 150-160.
15. Wu, D. Composite magnetic flux leakage detection method for pipelines using alternating magnetic field excitation / D. Wu, Z. Liu, X. Wang, L. Su // NDT E Int. -2017. - № 91. - pp. 148-155.
16. Gao, P. Research on Pipeline Defect Detection and Recognition Method Based on Magnetic Leakage Principle: Master's Thesis / P. Gao. - China: Shenyang University of Technology, 2020. - p. 68.
17. Tian, S. Research on a Coal Seam Gas Content Prediction Method Based on an Improved Extreme Learning Machine / S. Tian, L. Ma, H. Li, F. Tian, J. Mao // Appl. Sci. - 2023. - № 13. - pp. 50-69.
18. Zhang, Q. Ensemble of kernel extreme learning machine-based elimination optimization for multi-label classification / Q. Zhang, C. Tsang Eric, Q. He, Y. Guo // Knowl.-Based Syst. - 2023. - № 278. - pp. 124-136.
19. Li, Y. Magnetic Flux Leakage Testing Method for Pipelines with Stress Corrosion Defects Based on Improved Kernel Extreme Learning Machine / Y. Li, C. Sun, Y. Liu // Electronics. - China: Harbin University of Science and Technology, 2023. - № 12. - p. 21
Title: Application of Neural Network Algorithms for Predicting the Growth of Corrosive Defects in Pipelines during Magnetic Defectoscopy
Authors' affiliation:
Rumanovskiy I. G. - Pacific National University, Khabarovsk, Russian Federation Kalinnikov N. A. - Pacific National University, Khabarovsk, Russian Federation
Abstract: The aim of this study is to improve the safety of oil and gas pipelines under corrosion conditions, and to detect corrosion damage in a timely and accurate manner. The authors propose a non-destructive testing method that combines magnetic flux leakage testing technology and machine learning based on a genetic algorithm (GA-KELM). The numerical modeling is used to calculate the growth rate of corrosion defects over time. At the same time, an analysis of the magnetic flux leakage signal distribution is performed for various defect states. The selection of features to predict the defect size is carried out according to the magnetic flux leakage signal distribution curve, and the GA-KELM algorithm is used to predict the depth and length of corrosion defects during nondestructive testing of pipeline defects. A correlation is revealed between the defect size and the extreme value, area, and width of the peak of the magnetic flux leakage signal distribution curve. The GA-KELM prediction algorithm can effectively predict the depth and length of corrosion defects, and achieve higher prediction accuracy than the traditional prediction model by applying extreme learning machines.
Keywords: non-destructive testing, corrosion defect, magnetic flux leakage test, extreme learning machine.
