Failure analysis of corroded high-strength pipeline subject to hydrogen damage based on FEM and GA-BP neural network

The pipeline is a major approach to achieving large-scale hydrogen transportation. Hydrogen damage can deteriorate the material performance of the pipe steel, like ductility and plasticity reduction. Corrosion is dominating damage that impairs a pipeline's bearing capacity and structural reliability. However, previous research barely investigated the effect of hydrogen damage on failure behaviors, residual strength and interacting effect between adjacent corrosions of corroded high-strength pipelines transporting hydrogen. Besides, hardly any burst pressure model considers hydrogen damage. In this paper, several approaches, including the finite element method (FEM), regression analysis, the orthogonal test method, and the artificial neural network method, are applied to fill the gap. First, a series of finite element models with different geometric features and hydrogen damage is established to investigate the effects of hydrogen damage and corrosion on failure behaviors and residual strength. The results show that hydrogen damage can change the corroded pipeline's failure behaviors and reduce the residual strength. Second, based on the simulation results and regression analysis, a new burst model is developed to consider the hydrogen damage and improve the estimation accuracy. Third, based on the genetic algorithm (GA), a GA-BP neural network is established and trained for accurate and efficient residual strength estimation considering hydrogen damage. Furthermore, an orthogonal test is designed and performed to investigate the effects of critical parameters on the burst pressure of the corroded pipeline after hydrogen damage. The results indicate that hydrogen damage and corrosion length have similar contributions to the residual strength. Finally, the simulation results of pipelines with multiple corrosions show that hydrogen damage has a significant impact on the interacting effect between adjacent corrosions. The results obtained are valuable for further integrity management of steel pipelines carrying hydrogen.     

Ni-Fe-W-B非晶合金的晶化行为及其电化学腐蚀特性研究

采用单辊急冷法制备了57.5Ni-24.5Fe-14.5W-3.5B(质量分数,%)非晶薄带,并在不同温度下进行退火。用DSC和XRD分析了非晶薄带的晶化行为及析出相的演变过程;用电化学极化曲线及电化学阻抗法研究了试样在3.5%NaCl溶液中的电化学腐蚀行为;用SEM和EDS分析了试样腐蚀后的表面显微形貌及成分。结果表明:该非晶薄带的晶化过程分为3步,其晶化温度约为430,470和700℃;退火试样的耐腐蚀性整体优于非晶合金样,部分晶化试样的抗电化学腐蚀性能优于完全晶化试样;500℃退火试样表面形成致密钝化膜,抗腐蚀性能优异,而非晶薄带和720℃退火试样形成的钝化膜不稳定,易被点蚀和局部腐蚀。     

塔河油田污水处理系统腐蚀治理对策

通过对塔河油田各污水处理系统腐蚀环境的系统研究,结合塔河油田及其它油田的腐蚀防治经验,在综合考虑各种方案的防腐效果和经济成本之后,设计了针对性的治理方案。研究成果有助于指导塔河油田污水处理系统的防腐工作,对其它类似油田的防腐工作也有一定的指导意义。     

基于中心差分的机动辐射源单站被动跟踪算法

针对机动辐射源的单站被动跟踪问题,结合中心差分滤波(central difference filter)方法,该文提出了一种基于中心差分的交互多模型(IMM)机动目标跟踪算法,无需计算基于EKF(Extended Kalman Filter)方法所需的Jacobian矩阵,易于实现。将传统IMM算法中协方差的传递改造为平方根滤波形式,数值稳定性更好。将该算法应用到联合利用径向加速度和角度信息的单站定位系统,与基于EKF的IMM算法和基于UT(Unscented Transformation)的IMM算法仿真比较表明,该文算法和基于UT的IMM算法性能相当,比基于EKF的算法具有更高的跟踪精度。     

基于IMM-PF的分布式估计融合算法

针对基于扩展卡尔曼滤波的估计融合算法存在线性化误差,且受高斯噪声假设限制的问题,提出一种基于交互式多模型粒子滤波(IMM-PF)的分布式多传感器估计融合算法.各传感器节点采用IMM-PF算法,以便在非线性、非高斯条件下稳健地跟踪机动目标;融合中心则采用基于粒子滤波(PF)的分布式融合方法进行全局估计融合.该算法适用于非线性、非高斯条件下的多传感器状态估计.仿真结果表明,该算法能够提高多传感器系统状态估计的精度.     

基于特征模型的特征相交识别

在对铣、钻类特征相交关系分析和研究的基础上,运用增量式制造特征识别法设计出相交特征映射识别系统。该系统能有效地识别出新建设计特征与已识别制造特征的相交关系,实现设计特征的映射和识别。识别产生的零件制造特征解释模型和制造特征信息库能有力地支持设计的可制造性分析。     

针对机动目标跟踪的雷达发射波形选择

该文首先在交互多模型(Interacting Multiple Model, IMM)算法的框架下,选择常速模型和自适应加速度模型作为状态模型,以应对实际中非合作目标的非机动与机动状态,并将此算法称为自适应IMM算法。然后针对机动目标跟踪时,雷达发射波形的选择需要兼顾测距测速性能与多普勒容忍性的问题,提出将V型调频(V-Linear Frequency Modulated, V-LFM)信号作为发射波形。通过分析多脉冲线性调频信号,V-LFM信号和M序列3种信号对目标距离和速度估计性能的克拉美罗下界(Cramer-Rao Lower Bound, CRLB)与多普勒容忍性表明,V-LFM信号可以在较少多普勒容忍性损失的情况下,有效提升对目标距离和速度的估计精度。仿真结果表明：发射多脉冲V-LFM信号并采用自适应IMM算法,可以明显提高雷达系统的跟踪性能。     

基于UIMMS的多站雷达机动目标跟踪研究

针对多站雷达量测机动目标跟踪问题,提出了一种将平滑方法运用于典型的交互式多模型结构的跟踪算法。首先介绍了卡尔曼平滑器(KS),比较了不敏卡尔曼滤波(UKF)和不敏卡尔曼平滑(UKS)两种方法,引入并分析比较了IMMF和IMMS方法。同时,针对目标机动特性以及多雷达量测带来的非线性等问题,构造了多部雷达跟踪机动目标场景,进行了典型方法的比较和新方法的验证,实验结果验证了新方法的有效性。     

交互式多模型算法在机器人目标跟踪中的应用

将交互式多模型(IMM)算法应用于视觉伺服机器人对机动目标的跟踪。使用匀速运动(CV)和匀加速运动(CA)模型表示目标的两种运动状态,利用马尔可夫链进行模型切换,根据目标前一时刻的状态和当前的观测值,预测目标当前的状态。在Matlab上对IMM滤波算法和Kalman滤波算法进行了仿真实验研究,结果表明,不管目标处于何种运动状态,IMM算法估计量的误差均值都比Kalman滤波算法的误差均值小,尤以目标作机动运动时更为突出,证明了应用IMM算法可以提高跟踪机动目标的精度。     

基于改进自适应IMM-UKF算法的水下目标跟踪

针对现有自适应交互式多模型算法(AIMM)在水下目标跟踪过程中模型切换和跟踪精度上的不足,该文结合无迹卡尔曼滤波(UKF)算法,提出一种改进的AIMM-UKF算法。该算法在自适应修正马尔可夫转移概率矩阵的基础上,利用判定窗对其进行二次修正,实现匹配模型概率的快速增大和对非匹配模型的抑制。仿真结果表明,改进算法相比原有自适应算法,能更加充分地利用后验信息,拥有更好的模型切换速度,跟踪精度提升约24%。