共查询到19条相似文献,搜索用时 234 毫秒
1.
《石油机械》2020,(5):107-113
内检测是进行风险识别,保障油气管道安全运行的重要手段。为了平衡风险与成本,确定最优的腐蚀管道内检测周期,提出了基于成本的以失效概率阈值为决策变量的内检测周期优化方法。利用蒙特卡罗仿真技术计算了管道的可靠性和总成本率,以最低总成本率确定管道最优失效概率阈值,从而得出最优内检测周期。采用某天然气管道的实际数据对提出的方法进行了论证和敏感性分析,结果显示最优内检测周期随着缺陷初始深度和缺陷深度生长速率的增大而减小,缺陷初始深度变异系数和失效成本对最优内检测周期无显著影响。所提出方法可以在风险和成本之间寻求平衡,有效地确定腐蚀管道的最优内检测周期,能定量评价腐蚀缺陷相关参数对管道内检测周期的影响,具有一定的先进性。 相似文献
2.
《天然气与石油》2021,(2)
为了填补国内利用外检测方法对埋地钢质管道金属损失缺陷实施可靠检测的技术空白,开展了基于多频电磁的埋地钢质管道金属损失缺陷外检测方法研究。采用理论分析与有限元仿真分析相结合的方法,研究了不同频率交变电流流经管道内、外壁缺陷时电流的分布特征,分析了由内、外壁缺陷导致的管道周围磁场变化,并通过实验对该检测技术的可行性进行了验证。研究表明:1)在埋地钢质管道两端施加含有多个频率的交变电流,当交变电流流经含金属损失缺陷的管段时,交变电流的流动将会发生异常,管道内壁缺陷与外壁缺陷对交变电流流动产生异常的频率存在差异;不同金属损失缺陷深度导致不同频率电流产生的异常程度也存在差异; 2)当流经含缺陷管段的交变电流发生变化时,管道周围相应频率的交变磁场也会发生变化,通过检测、分析管道周围不同频率磁场信号变化特征可实现对金属损失缺陷的识别及量化; 3)实验结果与仿真分析结果一致,采用多频电磁方法可以实现对埋地钢质管道金属损失缺陷的非开挖检测。研究为开发基于多频电磁技术的埋地钢质管道金属损失缺陷非开挖检测设备提供了基础和参考。 相似文献
3.
4.
针对复杂工况下热原油管道泄漏难以准确识别的难题,提出采用基于多元支持向量机的管道泄漏诊断方法,并建立了识别模型,可以在小样本情形下完成模型的训练工作,实现多种工况下对压力波动信号的分类识别,从而提高评判泄漏的有效性和准确性。为了解决热输原油管道负压波波速受油品及温度等因素影响较大导致的定位误差,分析了管道沿程轴向温降及修正负压波波速的方法,并采用牛顿一柯特斯积分方法对传统泄漏定位公式进行了改进。现场试验表明,基于多元支持向量机的检测方法能有效地识别管道运行异常状态.改进的漏点定位算法使得定位精度从原来的2.5%提高到1.0%。 相似文献
5.
《石油机械》2020,(5):127-132
传统漏磁信号缺陷量化缺少其他分量信息,人工特征的提取方式造成信息量有限。为此,提出一种基于深度学习的漏磁检测缺陷量化识别方法,并建立了漏磁检测缺陷识别模型,该模型包含深度卷积神经网络模块和回归模块。深度卷积神经网络模块利用卷积神经网络的多输入多输出互相关操作,完成漏磁缺陷信号3个分量(轴向、周向、径向)的数据融合,利用预训练的网络,迁移已有知识,实现缺陷信号的特征自动提取;回归模块中设计缺陷、长度和宽度联合损失函数,利用回归方式实现缺陷尺度的量化。采用有限元仿真和牵拉试验相结合的方式,建立漏磁信号缺陷量化数据集并划分为训练集和测试集,训练集用于模型训练,测试集进行方法验证。研究结果表明:90%置信度下,长度和宽度量化结果全部落在±10 mm的误差带上,深度量化结果全部落在±10%t (t为壁厚)的误差带上,满足工程检测要求,可有效完成管道漏磁缺陷识别。研究结果可为油气输送管道漏磁检测新技术的研究提供一定的参考。 相似文献
6.
7.
为了解决超声导波内检测技术在油气集输管道进行缺陷检测时缺陷识别率低的问题,在对国内外现状进行充分调研的基础上,结合现有的PCA(主成分分析)和BP神经网络技术,建立缺陷信号识别模型,利用PCA和BP神经网络相结合的技术对管道信号进行识别。通过实例验证,在基于PCA和BP神经网络的超生导波管道信号识别中,对凹坑、孔洞、裂缝等缺陷分别进行了准确率计算,综合准确率可达95%。由此得出结论:对于油气集输管道缺陷问题,通过PCA和BP神经网络相结合技术的超声导波信号识别相比其他识别方法更为准确,该检测技术提高了超生波内检测对管道缺陷的识别能力,具有一定的推广价值。 相似文献
8.
管道焊缝数字图像缺陷自动识别技术 总被引:1,自引:0,他引:1
管道焊缝数字图像是管道焊缝可靠性管理的重要依据,但对其进行人工判别的误判率较高。为了提高对管道焊缝数字图像缺陷的识别准确度,采用多项边缘检测、检测通道与阈值分割等方法,对管道焊缝图像中存在的缺陷进行图像处理,构造了焊缝数字图像缺陷特征库,包含灰度差、等效面积、圆形度、熵、相关度等参数,建立了多分类器构造(SVM)模型,实现了对管道焊缝数字图像缺陷的分类评价,最终开发出管道焊缝数字图像缺陷自动识别软件,并进行了现场验证分析。研究结果表明:(1)图像处理后在没有噪声的情况下,Canny等算法都可以得到很好的边缘检测结果,在有噪声的情况下,检测结果出现伪边缘,选用自动选取阈值方法进行图像边缘检测,能够取得合理的阈值;(2)所建立的焊缝数字图像缺陷特征数据库包含形状特征和纹理特征、图像长度像素等14项参数;(3)通过所建立的SVM分类模型,可以分类获取缺陷形状特征,找出裂纹、夹渣、气孔、未焊透、未熔合和条形等缺陷特征。现场应用结果表明:(1)该缺陷自动识别技术适用于对各类管道焊缝缺陷质量的识别判定;(2)其识别准确率超过90%;(3)该技术实现了对管道焊缝数字图像缺陷的自动识别和自动化评价。结论认为,该研究成果有助于确保管道的安全运行。 相似文献
9.
金属管道表面往往存在着腐蚀和应力集中这两种类型的缺陷。金属磁记忆检测技术是目前唯一能对铁磁性构件的早期损伤进行诊断的无损检测技术,然而通过磁记忆原始信号本身并不能直接实现对管道腐蚀缺陷和应力集中缺陷的区分和识别。针对该问题,采用极限学习机方法建立了多种极限学习机管道缺陷分类模型,并利用模型对油田现场环境下6条管道的缺陷类型进行了识别,缺陷的平均正确识别率均在70%以上。结果表明,模型对管道腐蚀缺陷和早期应力集中缺陷的识别是有效的,且识别率较高。该研究结果可为该领域的研究提供一定的参考,且具有较高的实际应用价值。 相似文献
10.
为了识别和量化管道漏磁内检测的缺陷信号特征,利用有限元分析方法对缺陷特征量与漏磁信号的关系进行仿真,分析了缺陷长度、缺陷深度对缺陷漏磁场的影响规律。通过对每个通道的检测数据求平均值来判断环焊缝,利用金属增加与减少在频域中的不同形态,建立了漏磁内检测中金属损失的信号识别和量化模型。缺陷尺寸模型以漏磁场轴向分量的两峰谷间距量化缺陷长度,长度尺寸与特征量呈线性关系;以轴向峰谷值和缺陷长宽比来量化缺陷深度,在长宽比一定的情况下,深度尺寸与特征量呈线性关系。在含有42个预制金属损失的标样管上进行了牵拉试验,结果表明该模型对金属损失识别率为100%,量化准确率满足90%的置信度要求。 相似文献
11.
针对油气管道检测过程中泄漏区域及缺陷区域难以准确定位的问题,提出了一种基于多数据融合的油气管道缺陷自动检测方法。首先利用无人机和红外热成像技术实现油田管道红外图像的分段采集,并通过移动终端实时上传到处理系统;采用改进的加权中值滤波算法对红外图像做去噪处理,并根据综合特征来自动识别管道区域以提升检测效率;然后采用Sobel算子和Canny算子对管道区域进行图像处理,并加权平均;最后,采用Haar小波做分解得到高频分量,高频分量和红外图像中温度异常区域重合的部位即为油气管道缺陷区域。实验结果表明:该方法可准确地定位油气管道的缺陷区域,其准确率最高可达97.8%,检测效率也有所提升。 相似文献
12.
13.
基于模糊核支持向量机的管道磁记忆检测缺陷识别 总被引:1,自引:0,他引:1
针对金属磁记忆检测管道缺陷判定准则的局限性,通过构造基于梯形模糊数的最大、最小贴近度的模糊核函数,提出了一种基于模糊核支持向量机的缺陷识别方法。通过构建识别函数,将管道状态划分为应力集中、微观缺陷和宏观缺陷3个等级。通过比较未形成缺陷的应力集中区域与微裂纹缺陷的特征,构造了五维支持向量机输入特征向量:小波包频带能量增量、修正傅里叶系数、区域信号的峰峰值、信号的检测切向梯度和检测法向梯度。通过实验设计,对采集的磁记忆信号进行特征提取和缺陷识别。与传统线性核与多项式核识别结果进行比较,分析表明该方法能够有效识别管道缺陷,为金属磁记忆技术精确测定管道缺陷提供了一种新方法。 相似文献
14.
15.
碳酸盐岩薄片中的生物化石识别对判断沉积环境研究具有重要的意义,但传统的人工鉴定方法对经验要求高,受主观影响较大。该文提出一种基于ResNet卷积神经网络的碳酸盐岩生物化石显微图像识别方法,通过图像预处理、设计模型、训练模型等步骤,实现了薄片图像中生物化石的智能识别,识别准确率为86%;并同时提出进阶YOLO(You Only Look Once)目标检测模型,可实现薄片图像中生物化石所在区域的检测和识别,识别准确率为85%。该方法验证了使用数字图像处理和深度学习方法对碳酸盐岩生物化石显微图像进行智能识别的可行性,可作为传统人工鉴定方法的有益补充,具有一定的实际应用价值。 相似文献
16.
地震资料人工解释断层往往具不确定性。随着计算机和人工智能的发展,深度学习技术越来越多地应用于地球物理领域,多种基于卷积神经网络的算法也广泛地应用于断层识别。为此,结合三维U-Net和深度残差网络,引入多层深度监督的机制,构建了一种基于三维深度监督网络的断层检测方法。残差模块的引入能够简化网络的学习目标,降低训练难度,而多层的深度监督能够为网络提供更多的反馈,减轻训练过程中潜在的梯度消失,使解码器子网络能够学习到不同尺度的断层语义信息,可进一步提高断层识别的准确性。理论模型测试和实际地震资料的应用表明,该方法可以有效识别断层位置;与常规U-Net网络相比,减少了小断层的漏识别和错误识别;识别的大断层连续性好,断层细节更丰富,明显提高了断层识别的准确性。 相似文献
17.
低序级断层识别是油气勘探开发的重要环节,传统的相干体、谱分解、曲率、蚂蚁体、边缘检测等方法虽然能够提高断层识别的效果和精度,但是对断距较小的低序级断层识别效果不佳。基于人工智能技术的全卷积神经网络(FCN)深度学习方法,为识别低序级断层提供了新的途径。在UNet基础上提出的VNet模型深度学习架构,可以在上、下采样过程中增加信号的感受野,尽可能地在提取大尺度断层信息的同时保留和提取小尺度断层信息。选用正演模拟数据和实际地震数据分别对UNet模型、VNet模型进行测试,通过选择合适的损失函数、迭代次数,优选合适模型权重参数对两者进行模型训练和断层识别效果对比,结果表明,基于VNet模型方法提取的信息更丰富,在识别低序级断层方面更有效。 相似文献
18.
管道泄漏不仅会造成环境污染,还可能引发火灾、人员伤亡等严重后果和巨大的经济损失。传统的管道泄漏在线检测与定位系统均使用单一算法进行信号处理,漏判误判多,应用效果较差。针对目前集输管道泄漏检测准确性和灵敏度较低的现状,研究一种多算法融合的方法,通过采集管道压力、流量等多种特征信号,采用最优加权融合算法,将专家经验分析法、向量机(SVM)模式识别法、序贯概率比检测法等多种信号处理方法进行综合应用,扩展了时间和空间上的检测范围,提高了泄漏检测系统的灵敏度和可靠性。利用正常运行集输管道进行了现场泄漏应用试验,试验结果验证了多算法融合检漏方法比单一检漏方法具有明显的优越性。 相似文献