无损检测技术在检测石油管道时的可靠性.docx
《无损检测技术在检测石油管道时的可靠性.docx》由会员分享，可在线阅读，更多相关《无损检测技术在检测石油管道时的可靠性.docx（11页珍藏版）》请在冰豆网上搜索。
无损检测技术在检测石油管道时的可靠性
无损检测技术在检测石油管道时的可靠性
关键词：
无损检测，可靠性，超声检测，X线摄影
摘要
这项工作的目的是评估无损检测技术（NDT）在检测石油工业中的管道焊缝的可靠性。
X射线，手动和全自动的超声波都利用了脉冲回波和光线干涉原理。
三个层面的缺陷分析为：
缺乏渗透（LP），缺乏融合（LF）和削弱（UC）。
这些检测是对含焊缝缺陷已被人为地确定为标本的管道进行测试。
结果表明：
全自动超声波检测缺陷与手动超声波、X光测试相比更具有优越性。
此外，人工神经网络已被用于探测缺陷和缺陷的自动分类，
第1章简介
在长距离的流体（包括石油和天然气）传输过程中，管道运输时最安全最经济的方法。
由于这一点和管道的效率,他们已用了几十年。
但是由于种种因素,如腐蚀，疲劳，甚至侵蚀所增加漏油的危险，甚至破裂，这些都是现在应该考虑的关键问题。
还应该指出，许多管道铺设在接近道路，铁路，水路甚至在城市或在其下方。
因此，必须有方法监测，评价和定管道的完整性，减少泄漏的风险，从而避免环境破坏和人群危害。
多年来，无损检测在石油管道的状态检测中显示了其高效性。
无损检测技术正被研究的越来越深，同时已经作为评估工程结构、工程系统使用寿命的方法。
这项研究特别注意了石油工业可能发生的设备故障导致的严重后果，比如环境污染和人员伤亡。
然而，一般认为应考虑釆取最适当的参数来选榉无损技术，剩下的就是它的使用可靠性，其中一个检测与确定缺陷大小的评估检测概率曲线（POD）是最具代表性的。
对于管道检测的两种技术超声波和X线检查比传统方法更具有出色的效率和易于操作性。
无论是手动超声波或常规和自动超声波都经常使用，虽然自动方法有多种优势。
这些优点是检测速度快，检测概率的增加，从而增加检查的可靠性，检测数据记录，结果的图像处理和人工神经网络计算机处理，等等。
虽然放射检测仍然普遍用于检查石油工业用管道，但已经正在努力向能够代替它的方法发展，这主要是由于它们有如下不便：
电离辐射对操作者的威胁、进一步研究影像的保持问题。
图像处理技术，信号处理和人工神经网络的完美结合为无损检测技术一般的评价可靠性作出了重要的贡献，可作为现场的工作情况的记载辅助工具。
这个工作的目的在于评估探测管线系统的可靠性。
四个不同的技术被应用上：
手动超声波、全自动脉冲-回波超声波、全自动TOFD超声波以及摄影。
此外，人工神经网络方法应用于选择和分类缺陷形式。
最初的神经网络自动分类技术进行评估的结果是缺陷（D）和无缺陷（ND）。
在以后的神经网络
自动测试分为三类缺陷：
缺乏渗透（LP）、缺乏融合（LF）和削弱（（UC）。
信号处理工具是用来改善分类的绩效。
管道在焊缝过程中被人为制造了缺陷,进行了三个层次的缺陷模拟：
缺乏渗
图I测试图解
透（LP）缺乏融合（LF）和削弱（UC）。
在过去的几年，一些研究者已经开发出了无损检测可靠性评估。
在最近的报导中，甘多斯应用贝叶斯模型的不确定性，更新了在循环检测测量裂纹深度。
这个应用程序检测缺陷深度利用的是超声脉波-回波（纵向和横波）技术，聚焦探头、相控线阵和时间衍射的有限元分析。
在另-篇当中甘多斯提出的一个框架为量化ENIQ（欧洲网络进行检查资格）检验合格的方法论，釆用贝叶斯机制，甘多斯表明它将是证明聚集技术的资料和证据。
第2章评估方法
2.1试样
为了进行试验，标本是从直径为254毫米，厚19毫米，长6000毫米的人APIX70管道选取的。
12个环焊缝缺陷被人为地插入了焊缝（图1），同时两处无缺陷，也焊接了14焊缝。
插入的三类缺陷是：
缺乏融合，缺乏渗透，削弱（图2）。
一共有8个缺陷沿每个放入的12焊珠。
所有的焊缝进程都使用两种不同的进程：
氩弧焊根通、气体保护焊条焊接或药芯焊丝电弧焊满缝隙。
焊接后的标本按如下顺序检查:
X光技术、人工超声波检测和全自动超声波检测。
缺陷融合的模拟使用了与预期大小相同缺陷薄片状与以前侧壁对锥焊接。
图3缺陷和缺乏融合模拟图显示的髙度已经降低约2亳米，以确认它的存在，在一个缺陷融合模拟区金相部分。
缺陷滲透模拟也是利用薄板焊接根置于此缺陷的预计高度。
所有的缺陷检测在20至30毫米长度上，在32个缺陷位置每一层次的缺陷造成四个不同的高度（1，2，4和8亳米）。
表1显示了每个缺陷的髙度和沿关节的变化。
2.2使用X光测试的试样检查
X线检查用的是伽马射线（来源：
钴60）和X射线。
两种检查方法被用于：
双壁单形像和单壁单图像。
测试焊接接头使用伽玛四拍造影，而使用X光检查每个关节釆用的是八拍。
为了帮助在胶片上的缺陷识别和大小判定进行可视化，相同的是数字化和加工使用特定的数字滤波器，消除和平滑任何最终的X光图像的噪声。
要重点指出的是，为了不失去任何图像过滤器程序应进行仔细的扫描，例如可能产生的缺陷偏小的现象。
图2三个焊缝类型缺陷的索描研究：
（a）融合缺乏，（b）缺乏渗透（c）削弱
2.3使用超声波测试的试样检查
为了进行可靠性标本检查三个合格的检查者进行操作人工回波检测缺陷长度。
对这个尺寸长度的缺陷按照6分贝的方法和标准进行验收，使用的是距离幅度曲线（DAC）。
校准曲线的工作是由一个参考块，详细的检查过程中PR-011,每个检验员追踪白己的工作曲线进行了检测。
图3模拟缺乏融合的方法
2.4用自动超声技术检查标本
自动检测设备使用的是磁轮车辆进行检查，这一设备是由一套固定的传感器负责沿线的扫描，由常规超声波焊接设备、8位超声波传感器换能信号、计算机控制系统和存储数据组成这个模拟输出信号的超声波设备被连接到计算机,通过转换并在数字扫描脉冲20ms/s下进行数字化。
这种转换器是负责超声检测信号数字化,将会被储存在电脑的记忆中。
计算机是负责下列操作：
控制、通过并行端口，任何的8位传感器的信号，它的输入是控制检查车辆运动的通过串口和储存的数字化的信号。
图4金相部分地区的焊缝缺陷。
箭头表示职位的缺陷
对于TOFD检测技术的结果分析，是由一个特定开发的程序软件MATLAB来完成的，它的目的是为了读A扫描和装配一个D扫描图像。
这个程序允许沿焊缝的连续性检测，测量周围管道周长长度和厚度垂直高度。
校准后，所有发现的缺陷的大小可以确定的。
第3章结果
最初，初步评价中的缺陷是由人为伽马线和几何学的单图像-双墙检测技术。
实验结果表明，未焊透和削弱引起的缺陷能够显示在放射性照片上，但缺乏融合的缺陷，尽管釆用高分辨率细纹射线，胶片用伽马和X射线,甚至当釆用单一图像-单壁技术进行检查，也是无法检测出来的。
根据摩根等关于缺乏融合缺陷由外侧壁插入斜面焊接，因此这是一个清晰明了的结果：
这类故障不能利用影像学技术进行检测。
图5显示了通过中位数过滤器和经过数字化的含有髙度约8mm缺乏渗透的焊缝缺陷的X光影像。
农2显示的是纠人:
丨：
和自动超声冋波检测技术检测到的各个坛次缺陷的数据。
此表表明，在检测过程中，缺乏渗透类缺陷概率牟少为75^〈2号检测结果X结果丨和3达到了
90.6^的检测概率。
这类缺陷平均大小错误在28.674”34^之问。
这4测试结果农明，随着缺陷高度的增加，？
00的效率也随着提卨；但耑要指出的是，当使阁6分災超声检测方法时高度的增加和长度的正确大小两者之间没有直接关系。
实验结果对于削弱缺陷显示（表2〉：
由1号和2号检测的概率分别是1009^和96.9^。
结果屮的幻.5%是山3号检测机器人对髙度减少丨-2111111的削弱缺陷进彳广无损检测得到的。
尺寸误差的波动范围是21」糊2傷,但是随着高度的增加误差的概率而在增加，这与检测方法无关。
从放射检测屮，这碎尺、」误差决迠了缺陷的真实尺寸的价值。
山于不对能使川射线技术来检测缺乏融合这-种缺陷，所以这类缺陷的误差将无法得到。
表2缺陷等级评估技术的总结
‘1*6011111^06105|3601：
0！
”卩！
^匕彐匕⑴印0【1）00沄1“1“0「10！
^!
!
^^512108（茗）
沩）
II5
1？
1？
1^0
105|360101’1
90.6
100.0
96.9
95.8
28.6
21.1
一24.9
105（3601:
01”2
75.0
96.9
93.8
88.6
29.4
21.6
“25.5
|05|3拟0「3
90.6
87.5
90.6
89.6
34.0
24.5
一29.3
八11【011131:
6（3
156-60110
100.0
93.8
81.3
91.7
18.9
26.2
一22.6
70^0
93.8
53.1
100.0
82.3
12.0
112.2
“62.1
对于缺乏融合，缺损的误差概率在90力^和96.95^之问变化，其效率随着缺陷高度的增加而趋于完善，与使州的焊接方法无关。
使用。
动超声脉冲冋波探测技术，其高概率将会显现出來。
在所有插入的缺陷（每类32个）中只有6个缺乏融合缺陷和2个削弱缺陷不能被检测到。
在评价自动脉冲冋波技术检测中，应用了白己的信号八扫描，如图6所示。
&60（3
图6含有8个削弱缺陷的扫描信号
在1‘1动脉冲冋波测试，各种传感器定位在--个装寊，检测整个标本移到沿焊缝所有投度，如图7所示。
这试验表明，在检测小缺陷时，传感器之间的覆盖物姑必要的。
图7自动脉波-回波超声检查
对缺陷的高度尺、」进行检测使刖了白动超广波丁0？
0检测技术。
这项加载了丨」动脉冲问
波技术的检测方法，具冇误差很小的检测概率。
在所打样本屮插入人：
丨：
缺陷,丁0？
0检测技术检测的融合缺陷达到93.75。
^，渗透缺陷达到53」37。
和削弱类缺陷为丨00外。
在丁0「0科技的自动检测缺陷中，缺陷的检测是山0扫描图像完成，而缺陷高度尺汴是山八扫描信号完成的。
11！
1
（：
：
淋轉--辣界
\\’。
|1|I处；！
“（！
！
!
!
!
!
》
图8！
）扫描图像检测缺陷的110「丨）技术
表3显示的是缺乏渗透类缺陷在人丨：
脉冲冋拨检测屮的结果，在这二种检测方法屮尺、』的平均误差是30.79^，远低丁-由射线探测得到的数据。
它也表明，最大的误差发生在最大的缺陷尺、1处。
对于自动脉冲冋波测试平均误差为18.97。
，也倾尚于低估的实际长度。
此外，不同于手动脉冲冋波测试，最大误差出现在高度最小的缺陷。
对于在丁0？
0检测技术的缺陷通过X光图像，检测到的长度尺寸平均误差只有12^，倾向于特大型长度。
但是可以证明，对于缺乏融合类缺陷的自动化技术的得到的误差大小比传统测试得到的要小。
表3缺陷尺寸误差对比
它1X01”1111116512111^（龙）
1？
\13111131^11156-60110
^22.4
^11101113110|311150-00110
-18.9
^26.2
^010013110丁
+12
+112.2
对于削弱类缺陷山人丨：
超声冋波得到的平均尺、」误差大小为22.4^，倾丨⑷于大于山射线测I式得到的数据。
检测器得到结论是缺陷高度越大则误差也越大。
白动脉冲冋波检测到的缺陷误差平均大小是262^也与实际尺、」偏大。
然而，通过射线测试丁技术得到的平均误差大小是丨1229^又比实际尺、』偏大。
例如，削弱型缺陷没有使州丁0？
0技术得到的大小商度在丨至2亳米之间。
采用射线影像作为缺陷尺寸的参照，在无损检测中一个其有对比性的分心被拿了出来。
缺乏融合的缺陷没钌在考虑范闹屮因为它无法釆用射线探测技术。
表3列出在每个测试技术的缺损长度大小的误差位。
0000000062208642
&1（03^（02
020406080100120140160
只站109【3口卜V（⑴阳）
图9影像技术測运的缺陷大小的和脉冲回波反应的相关性
I冬丨9品示的是山射线探测和超声冋波技术产生的沿长度方卩|」上误差人小的对比。
考虑到所有的缺陷类，可以看出，对于长度不超过40毫米的管道获得的静态位接近X线影像给的真值。
但是40毫米以上的管道，检测到的尺汴往往比实际尺、』偏小。
《1115》0^09.35131名1611|03豸
图10给出的是射线技术给的缺陷长度的真位与动超卢丨叫波检测给的真位之间的对比。
考虑到所有类型的缺陷，可以证明通过射线检测得到的数据只在真值到的上下变动，没有人大的偏大或者偏小的趋势。
而对于丁检测技术在图II屮町以肴出也是在真值附近波动，但是山于受削弱缺陷的影响它有个较大的波动性。
020406080100120140160
只30|109「8口卜V（^！
）
图丨0影像自动脉波-回波技术扫描缺陷长度尺寸的相关性
大量的作品试图利用概率來检测尺寸误差进行对靠的超声检查“㈣71。
当前丄作的这呰研究是通过广泛的测试同时也受到很多人为闪素的影响。
通过很少的人为干涉和更川靠的平常人―I：
方法的白动检测技术的文献屮可以发现缺陷概率在34%-牟979^之间。
3.1模式识别与人工神经网络
计算机技术创新的增长主要归功于与人工智能的结合，如人工神经网络（八^^），已在『丨动检测和分类系统的缺陷税式⑷―211很大的发展。
在这项丨：
作屮,換式分类器使州的人：
1：
神经网络识别从焊接接头超声检杏丁0？
0检测信号。
这4分类器能初步评佔为缺陷10〉和非缺陷（〜⑴和后来的三种焊接接头类型削弱缺陷（！
^），缺乏融六化？
）和缺乏渗透（[口）-这足人为地在焊缝预处理技术釆用萨维茨奇“格雷过滤器⑶、231被应用于闷络输入信号以方便自动分类。
-个人工神经网络足个简单的数学模型，其宗8婭代表了人类大脑的不同情况下的行为…I。
这个数学模型山-个通用插值公式刺激组件系统（人类神经细胞）及其相乂的响应函
数。
该方程屮包含未知数（突触激励\必须不断激励系数进行评佔，根据已知的激发（输入〉和响应（输出〉为基础。
在这种计算称为人工神经网络方面的训练。
为了证明这个模型是否1丨：
常：
丨：
作或没有其他已知的激励和响应，而不是在训练，应该得到模型测试。
神经网络现在可以训练，以帮助人们解决凼难的问题。
在使丨|丨这种人：
丨：
神经叫络：
丨：
作的0标是：
（！
）为了提高诊断专家对缺陷类梨的分类；（！
！
）获得可靠便捷的1‘1动分类的~I：
具。
20406080100120140160卩袖叩哪〜（^]）
2086411
（屋）510？
图丨1影像学和自动成像技术的比较：
椭圆区域的数值时由削弱缺陷引起
人：
丨：
网络探测技术趄-项比较新的技术，主要被刖于缺陷的。
找和类型的分析。
在这项工作中，人丨：
神经网络用于识别类丁0阳检测的信号。
神经网络在这里I二作就像在分析专家丁0「0检测的信号。
个丁0「0检测专家分析信号及其相太特性，然后用他的知识和经验决定是杏有或0和在对后种情况下缺陷类型推断。
阿神经阏络，像-个专家，从信号屮提取信息,检查是否有尺0或0之后其中-‘种类别的缺陷，但由于神经网络计算算法成立时,它更精确，其结果，能够’看'细节，而人眼（专科〉不能。
在这项工作屮的非线性模式分类器的使用实施监督使用的误差反向传播算法和2层，个隐含层和个输出层【24】型人丨：
神经网络。
不同的人数，隐误神经元和观察的分类器的性能和在训练有可能获得这研究坛神经元的最底足够数铽的错误。
的最佳配寊，发现了23在隐藏坛神经元。
在个模式分类的神经元的神经网络输出坛数量相当于班数的研究。
最初，在这项：
丨：
作屮，用两个神经元之间的0和钕类和后3个神经元被用十歧视的缺陷之㈨的阶级歧视加州大学，[？
和唱片。
通过这种方式，信号本身的丁0「0检测，以1025点数字化，作为人1：
神经网络的输入，其屮毎个点对应的是使用该网络的输入,而输出显示的是某--类的缺陷类型，如图12所示。
对于每个1200级信号0（有缺陷）（与缺陷）和阶级1200钕被州于培训的测试，和300每个测试类信号。
拟议的研究屮，随机选择的10个数据的神经网络评价套创建。
成功率平均为99.45培训和测试81.45^^0最好的结果在测试阶段中取得了86.83^。
训练集是投入和产出，只是训练的祌经网络就业。
该测试是另一种已知的投入和使用，以确保结果的预测人丄神经网络对应」丨：
确的，也就足说，这-套处州來证明人.1：
神经网络能够冋笞没有经历过的情况下产出的独立集』卜:
确的训练阶段
后缺陷的检测，这三个缺陷加州大学在这项：
1：
作中使用的类的分类IX：
（削弱X[？
（缺乏渗透〉和[？
（融合缺乏）进行了。
对于毎个400信号的培训和测试的100人屮使刖的类。
在这‘分类中的人工神经网络的牲能低，撮高达73.83”的成功，在训练和40在测试阶段取得成功^。
因此，决矩只进行分类旧和[？
，自从丁0？
0检测超声检测是不是为了削弱缺陷检测的理想，根据结果，在这项工作屮找到。
有了这个新的配置800信号的训练和每个缺陷流的检测200人使用。
现在的分类的低频和唱片达成的培训和测试75.13^，99丨88^的平均成功率，最好设置为达到成立86^的测I式阶段，证实了超声10？
0检测测试不能坩丁市政类。
3.2信号处理
为了提高他们的祌经网络模式的缺陷，个丁0「0检测超广波信号预处理歧视的表现顺利进行之前，作为神经网络的输入提供他们。
预处理釆阁的是釆用萨维茨奇丨戈莱过滤器，这简直是企图以降低信号，妨碍噪音和分类，例如高频率的特点。
萨维茨奇丨格雷平滑滤波器|22‘231，也称为数字平滑滤波器或多项式诚小二乘平滑滤波众所周知，通常用于平稳噪竒和信号的频率间隔大。
该过滤器是不敏感区间的宽度,因为新的问题，就是刚才的平滑信号点，获得山区问点山多项式和相邻点的简单平均数不调整,如发生，消除噪音的-个高频信号的屯要组成部分的内容与标准的移动平均滤波器，倾卩1」于。
这特点使得萨维茨奇眷格齿过滤器适片1丁薄峰佶号的分析，提出改进的成果与移动平均滤波@所得的。
为了利用萨维茨奇丨格齿筛选，有必要选择多项式函数的平滑程度，功能和使用的过滤器窗口大小。
为了实现对信号的最佳处理，多项式函数的程度和窗口大小不同配貿的测试的数据集已在试验台（套蚰歧视缺陷处理，不从先前的研究〉的成功率&高。
然而，在平滑的信号有可能的噪卢屮提取信息的歧视类神经阔络的缺陷所必需的过程造成的损失。
也许是对这种类型的信号有个神经闷络分类的有关资料损失，冈为预处理降低了祌经网络的成功率。
准茶屮的测试设备与信号处理屮的最好成绩是77.50^，钕的0类不处理达86』3！
^和[？
和！
^之间的最好水平质娬为82.25！
^（倾卩彳于不处理达到86^〉
第4章结论
这项工作的结果表明了该自动为在管道缺陷与手动超声波和X线,在所有情况下的检测概率，是对自动化的技术和更髙的尺寸误差比较优势超声波技术检测为小内部缺陷。
此外，检査时间大大减少使叫以动化测试。
超声波非破坏性技术并不是鉍为在管道缺陷检测切的建议。
里然，山于切农面缺陷，冇缺陷，史便宜的技术，如磁性粒子或渗透检测，可以检测出相当高效率的方式。
放射学，利州提出的测试配筲，是不是苻能力的技术检测管道斜壁缺损的融合缺乏焊接
珠。
脉冲冋波技术，在丁动和白动的方法，往往低估渗透长度不足的缺陷，而丁0？
0检测技术己经在上浆（郎）倾向于过大的唱片缺陷最小的错误。
般来说，我们可以证明，对于唱片缺陷类，岛动化技术提出的大小错误比手动测试小。
此外，不同于手动脉冲冋波测试，最大误差最小的髙度与达成的缺陷
对于切缺陷类，〒动超声脉冲冋波测试提出了在缺损长度平均误差大小白动技术比小而白动丁0？
0检测技术，已达妯大的错误上限〈112.2効。
这项：
丨：
作农明，有可能分类之阆的缺陷和非丁检测模式信号的缺陷，结果利用人丨：
神经阚络。
也吋以进行分类模式的缺陷信号〈缺乏渗透和融合缺乏高效率〉。
信号预处理技术的釆刖并没有产生在神经阀络的成功率的改善，闪为在测试数据的结果，没有提出任何情况下增加的检测〈缺陷或无缺陷〉，也不能进行分类的：
1：
作研究班化？
，[？
和110。
升级会员 