基于IPSO-GRU深度学习算法的海底管道缺陷尺寸磁记忆定量反演模型

针对海底管道缺陷磁记忆定量反演的难题,提出一种基于改进粒子群优化的门控循环神经网络模型,即IPSO-GRU模型。以两端焊有盲板的X52管道作为实验材料,其上预制有不同直径、深度的缺陷,采用TSC-5M-32磁记忆检测仪,外接11-6W非接触探头,进行水下磁记忆检测试验,提取不同缺陷尺寸的磁记忆信号特征值。考虑到磁记忆信号特征值随缺陷尺寸呈复杂的非线性变化,引入门控循环神经网络,利用其双门结构能够记忆缺陷处的信号特征,非线性回归拟合能力强的特点,构建海底管道缺陷定量反演模型,进一步考虑到模型超参数选择的随机性,采用改进粒子群算法进行超参数寻优。验证结果表明:该模型对缺陷深度反演平均精度达96%;对缺陷直径反演平均精度达93%,为海底管道缺陷的磁记忆定量化识别与反演提供了新的思路和方法。      

埋地管道磁记忆检测机器人机械结构设计与运动学仿真

针对目前国内管道机器人在行进过程中极易卡堵、变径范围小且检测效率低下的问题,提出一种用于埋地管道的分体式可变径磁记忆检测机器人。设计了管道机器人的机械结构,通过SolidWorks建立三维模型,利用ADAMS对机器人在弯管与变径管道内的通过性进行了仿真分析。在此基础上,制造物理实体模型,进行管道内通过情况与磁记忆检测试验。试验结果表明,机器人结构设计合理,可以顺利通过曲率半径不小于1.5倍管径的弯管以及280~340 mm的变径管道,且磁记忆检测结果与X射线复验结果一致,为可变径、自适应、全寿命埋地管道检测机器人的设计提供了新的思路。     

基于磁特性参数的细观尺度下物理短裂纹扩展表征

细观尺度下,物理短裂纹扩展阶段占整个疲劳寿命的比例通常很高,扩展速率相对于长裂纹更快,对材料已经构成潜在危险。传统的无损检测技术不能有效地检测物理短裂纹等早期隐性损伤,因此,引入能够检测早期隐性损伤和应力异常集中的金属磁记忆技术对物理短裂纹扩展进行表征探索。针对细观尺度下物理短裂纹扩展特异性带来的参数表征难题,在细观实验基础上研究基于磁特性参数的物理短裂纹扩展表征规律与表征模型。以Q235钢三点弯曲试件为试验材料,采用TSC–5M–32金属磁记忆检测仪并配合LWD–1000长距离显微镜,原位观测并记录裂纹扩展演化过程及磁特性参数,获得在细观尺度下磁特性参数对物理短裂纹扩展的表征规律。结果表明：当长度为0～100 μm时,短裂纹相互竞争,其扩展速率不断增加并出现峰值,磁场强度法向分量Hp(y)由–26.875 A/m变成7.250 A/m,出现极性跳变;切向分量Hp(x)由–17.24 A/m变成–68.78 A/m,绝对值大幅增加。当长度为100 μm时,短裂纹汇聚形成主裂纹,裂纹扩展速率放缓,Hp(x)和Hp(y)剧烈跳变,合成ΔHp出现峰值。当长度为100～1000 μm时,主裂纹扩展速率再次变大且不断增加,Hp(y)与Hp(x)再次出现极性跳变与绝对值大幅增加,合成ΔHp呈上升趋势。进一步地,在实验数据基础上,基于磁特性参数分别建立细观尺度下短裂纹扩展速率、剩余寿命的表征模型,验证结果表明,模型中短裂纹扩展速率、剩余寿命的最大相对误差分别为6%、4%,为工程实际中早期隐性损伤的表征与评价提供了思路。