CN111448453A - 确定缺陷的几何结构的方法以及确定负荷能力极限的方法 - Google Patents
确定缺陷的几何结构的方法以及确定负荷能力极限的方法 Download PDFInfo
- Publication number
- CN111448453A CN111448453A CN201880078530.4A CN201880078530A CN111448453A CN 111448453 A CN111448453 A CN 111448453A CN 201880078530 A CN201880078530 A CN 201880078530A CN 111448453 A CN111448453 A CN 111448453A
- Authority
- CN
- China
- Prior art keywords
- expert
- defect
- data set
- geometry
- starting
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000007547 defect Effects 0.000 title claims abstract description 165
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000005259 measurement Methods 0.000 claims description 38
- 230000006870 function Effects 0.000 claims description 26
- 238000004422 calculation algorithm Methods 0.000 claims description 24
- 238000004364 calculation method Methods 0.000 claims description 23
- 238000004088 simulation Methods 0.000 claims description 21
- 230000005415 magnetization Effects 0.000 claims description 16
- 230000009467 reduction Effects 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 238000010801 machine learning Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 2
- 230000002950 deficient Effects 0.000 claims 1
- 238000012544 monitoring process Methods 0.000 description 17
- 230000004907 flux Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 230000007797 corrosion Effects 0.000 description 4
- 238000005260 corrosion Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 239000002184 metal Substances 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000003628 erosive effect Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000004513 sizing Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000005309 stochastic process Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/72—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables
- G01N27/82—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws
- G01N27/83—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws by investigating stray magnetic fields
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/20—Metals
- G01N33/204—Structure thereof, e.g. crystal structure
- G01N33/2045—Defects
Abstract
本发明涉及一种利用可磁化的对象的参考数据集来确定该对象的多个缺陷的几何结构的方法,该方法包括确定初始的缺陷几何结构作为起始缺陷几何结构;基于起始缺陷几何结构确定第一MFL预测数据集作为起始预测数据集;以及借助于EDV单元和相互竞争地运行的且优选地彼此并行运行的多个专家例程(11)将起始缺陷几何结构迭代地匹配于一个或多个实际缺陷的几何结构。
Description
技术领域
本发明涉及用于确定缺陷的几何结构的方法以及用于确定至少在运行中被反向加载的对象的负荷能力极限的方法。
背景技术
特别是利用所谓的智能管道清洗机的管道检测的主要目的之一是预测安全的运行条件,从管道的状态得出该运行条件。特别地,管道运营方对可能存在的焊缝的状态以及缺陷的数目和大小感兴趣。缺陷例如是具有由对象的壁的腐蚀、裂缝或其它弱化而引起的金属损失的区域,该对象特别地旨在用于储存或运输液态或气态介质。对象包括例如管线、管道或罐。
了解适用于管道的最大压力(“maximum burst pressure”)对于在管道中可调节的运行压力是重要的,管道在超过该最大压力的情况下会损坏。相应地,准确预测该压力是重要的。当前,对于该极限值的计算,缺陷仅在缺陷的长度、宽度和深度方面被近似,并且因此被视为盒子。特别是对于由管道的外侧或内侧上的腐蚀而引起的金属损失,这种必要的保守思路是不利的,因为简化的几何图形必然会高估缺陷的当前结构。这导致低估对象的最大破裂压力,并因此低估所允许的运行压力。可以以显著较经济的方式运行能够以较高的压力运行的诸如管道或气罐的对象。
用于测量对象的腐蚀的现有技术是由受过专门培训的人员基于漏磁测量(MFL测量)评估漏磁数据(MFL数据)的扫描,以便确定(腐蚀的)缺陷的大小。扫描中显示的信号在盒子中被参数化和评估。一方面,评价测量结果所需的假设是专有的,对测量结果的这种评价也被称为调整大小。另一方面,对测量结果的解读受评估人员的经验值的强烈影响。最后,只能借助对管道的现场检查来确保预测的质量。这又给运营方带来高昂的成本。最广泛使用的工业标准API 1163描述了该简化方案的不利效果。已经充分证明的是,该方案的质量高度依赖于检查人员的知识。在实践中执行的方案始终是对通过MFL测量过程获得的数据的受主观因素影响的解读。
此外,从科学的、即理论的考虑中获知如下的方案,在这样的方案中通过假定的缺陷几何结构的连续变化和迭代方法旨在实现通过正演模型尽可能准确地模拟所测量的信号。在这里,采用例如神经网络。理论上,这些方案可以根据所产生的缺陷几何结构得出解,但是这些解不一定是切合实际的。这特别是适用于复杂的数据集,这种复杂的数据集在某些逆问题的情况下导致不期望的、特殊的且错误的解。尽管在精确定义的和受限的测试情景中,这样的科学模型以缺陷几何结构的形式得出所述问题的解,但是对于具有多个干扰影响的实际测量数据,这至今还未成功。
发明内容
因此,本发明的目的在于阐明一种鲁棒的方法,该方法用于从缺陷的MFL测量数据集准确地重建实际缺陷,并且执行对受腐蚀影响的对象的负荷能力极限的尽可能准确的计算。
该目的通过根据权利要求1所述的方法来实现,并且对于负荷能力极限的确定通过根据权利要求15所述的方法来实现。可以从引用这些权利要求的从属权利要求以及随后的说明中得出本发明的有利设计方案。
根据本发明规定,借助于分别具有至少一个专用搜索策略或至少一个专用算法的相互竞争的多个专家例程特别地在EDV单元上并行地执行对一个或多个缺陷的几何结构的确定。
根据本发明的这种方法用于利用可磁化的对象、特别是管线或罐的基于一个或多个MFL测量产生的参考数据集来确定该对象的被检查的一个或多个实际缺陷的几何结构,该方法优选地包括借助于EDV单元至少部分地表示对象,特别地在至少三维的对象网格上或通过至少三维的对象网格;并且该方法还包括确定、特别地产生初始的缺陷几何结构作为起始缺陷几何结构,特别地在对象网格上或在至少二维的缺陷网格上;
基于起始缺陷几何结构来确定、特别地产生第一MFL预测数据集作为起始预测数据集,特别地通过模拟MFL测量或分配MFL数据集;以及
借助于EDV单元将起始缺陷几何结构迭代地匹配于一个或多个实际缺陷的几何结构,其中借助于相互竞争的且优选地彼此并行运行的多个专家例程来进行该匹配,其中在相应的专家例程中借助于至少一个专用算法或专用搜索策略并且基于起始缺陷几何结构来产生相应的专家缺陷几何结构。
如果可供专家例程使用的用于匹配缺陷几何结构的算法中的至少一个算法至少部分地不同于另一专家例程的算法,则该专家例程具有专用算法。优选地,随机过程可以用于区分不同专家例程的算法。每个专家例程具有用于匹配缺陷几何结构的至少一个算法,优选地至少一个专家例程具有可供使用的多个算法。同样地,在专家例程内可以基于随机过程来进行或指定算法的选择。
根据本发明还规定,特别地通过模拟MFL测量或分配MFL数据集,基于相应的专家缺陷几何结构来确定相应的专家预测数据集,其中如果专家预测数据集与起始预测数据集相比更相似于参考数据集,则将相应的专家预测数据集所基于的专家缺陷几何结构提供给专家例程中的至少一个、优选地多个、并且特别地所有专家例程作为新的起始缺陷几何结构,以用于进一步匹配于一个或多个实际缺陷的几何结构。随后,即对于相应的专家缺陷几何结构与新的起始缺陷几何结构的下一次比较,将属于新的起始缺陷几何结构的专家预测数据集用作新的起始预测数据集。可以通过适应度函数形成对于相似性的度量。借助于专家例程进行迭代匹配,直至满足停止标准。专家预测数据集和第一MFL预测数据集二者示出属于相应地假定的缺陷几何结构的MFL字段。可以计算或模拟这些MFL字段。
可以在专家例程的工作流程内和/或通过由监控例程单独驱控的程序模块确定专家预测数据集。
此外,特别是如果通过在下面进一步描述的对MFL测量的模拟还没有足够大的具有对于相应缺陷几何结构的所计算或所测量的MFL数据的数据库可供使用,则基于相应的专家缺陷几何结构确定专家预测数据集。备选地,专家缺陷几何结构还可以被提供有来自足够大规模的数据库的MFL数据集。如下的组合方法也是可行的,在这样的组合方法中首先在数据库中搜索已经存在的MFL数据,并且随后在搜索结果为否定的情况下执行模拟。总体上,这可以导致快速地确定相应的专家预测数据集。
完全地并且特别是自动化地在必要时可以由多个计算机构成的EDV单元上执行根据本发明的方法。所属的计算机程序可以是单个程序,或者可以是包括多个程序模块的程序包,这些程序模块例如根据资源以分布式的方式在不同的EDV系统或EDV子单元上运行,并且在不同的EDV系统或EDV子单元处可以被存储在相应的EDV介质上。特别地,计算机具有诸如一个或多个处理器的数据处理单元的典型装置、至少临时存储器(RAM)、数据通信装置、显示单元和/或输入单元。优选地可以以由用户控制的方式进行参考数据集的选择,而在迭代期间自动进行缺陷几何结构的确定。优选地,在真正的迭代之前还可以设定用于选择可供专家例程使用的算法的程序参数、用于确定初始的缺陷几何结构的程序参数、用于确定分别示出MFL字段的第一预测数据集和/或专家预测数据集的程序参数。例如可以设定,是否应当通过模拟MFL测量基于表示具有缺陷的对象的网格创建对起始预测数据集的确定,或者是否应当通过回归从数据库加载对起始预测数据集的确定。特别地,可以在模拟MFL字段的情况下设定对于与参考数据集比较所需的参数,诸如磁化方向、磁化强度、传感器距对象表面的距离和/或测量装置的速度。
特别地,通过相互竞争EDV单元的资源的专家例程避免了现有技术的理论方案中存在的发现孤立解的问题,这些专家例程利用其专用搜索策略分别搜索用于确定实际缺陷的几何结构的专用解。相比于手动评估数据集,所发现的解不仅显著较好,而且还能够较好地被理解和被证明。通过这种方式避免了如下的奇异解,在这样的奇异解中任何类型的算法都无法继续,并且仍然无法逼真地再现缺陷几何结构。
对于与几何结构相关联的漏磁数据的模拟,通常需要在三维网格上或通过三维网格表示对象。在该三维网格上实现了表示,在如下的意义上至少部分地实现了表示,即通过对象网格或在对象网格上至少表示了具有一个或多个缺陷的对象的一部分以及优选地邻接的区域。备选地,还可以通过数据库查询,例如借助于回归函数进行漏磁数据的确定。
虽然可以在参考数据集内同时执行根据本发明的方法以确定一个或多个缺陷,但是为了简单起见,在下文中大多仅涉及一个缺陷。
对于MFL模拟,在巧妙地选择对象的表示的的情况下、特别地通过至少三维的对象网格或者在至少三维的对象网格上,可以将缺陷几何结构作为值分配给网格元素或网格点。根据相应网格的几何结构,为此需要内插或匹配网格。
特别地,由例如表示对象表面的腐蚀深度的缺陷深度在二维缺陷网格的网格节点上定义缺陷几何结构,这些缺陷几何结构是确定相关联的(MFL或专家)预测数据集的基础。与在三维网格上执行缺陷几何结构的匹配相比,通过缺陷的二维表示,专家例程可以显著较快地运行。
对于新的缺陷几何结构的MFL测量的模拟,优选地将特别是二维的缺陷网格内插到对象网格的网格点上,其中待表示的对象的表面匹配于缺陷几何结构的缺陷深度。然后,在特别是三维的对象网格上计算该模拟。备选地,同样可以在二维网格上或者借助于回归模型执行漏磁模拟,在具有基于有限元方法模拟和/或MFL测量的MFL数据集的数据库上构建该回归模型。
例如通过查找表、数据库比较或特别是执行一次专家例程来获得或指定初始的缺陷几何结构,基于初始的缺陷几何结构特别地通过模拟MFL测量来确定第一MFL预测数据集作为起始预测数据集。例如,借助于有限元模型以正演计算的方式来执行MFL测量的模拟。在漏磁测量的模拟中,根据实际测量设定对此所需的参数。特别地,这涉及磁化方向、磁化强度和/或传感器距对象表面的距离。然后,基于初始的缺陷几何结构得出起始预测数据集作为模拟的漏磁测量。该数据集可以已经与对象的参考数据集比较,但是这在迭代开始时通常不会产生具有说服力的解。
用于设定初始的缺陷几何结构作为起始缺陷几何结构的单独的例程不是绝对必要的,但是减少了随后的程序流程中所需的运算时间。备选地,初始的缺陷几何结构可以已经是专家例程的运行结果。备选地,还可以例如通过完全平坦的、所谓的无缺陷的几何结构指定初始的缺陷几何结构。
初始的缺陷几何结构被作为起始缺陷几何结构带入到相互竞争的专家例程的迭代近似过程中。专家例程本身例如作为彼此之间没有直接交互的专用程序模块而相互独立,并且可以根据监控例程或主模块而配备有资源、特别是运算时间。
基于在相应的专家模块中开发的专家缺陷几何结构,对于这些几何结构中的特别是每个几何结构进而确定专家预测数据集,特别地通过模拟MFL测量。因此,对于特别是作为缺陷的深度值的2D数据集存在的每个专家缺陷几何结构产生专家预测数据集作为模拟的MFL测量。根据起始预测数据集的前述计算,基于相应专家缺陷几何结构来模拟MFL字段。特别地,基于相应的专家缺陷几何结构并行地进行计算。这可以伴随有数据库的构建,在该数据库中存储有属于相应的缺陷的漏磁字段,目的在于,可以节省以后对于其它相似数据的运算时间。
在产生专家预测数据集之前有利的是,对于专家缺陷几何结构的计算匹配、特别是部分地细化所基于的网格、特别是缺陷网格、必要时还有对象网格。特别地,为此可以应用网格变形技术,其中通过移动和/或划分网格点特别是在大梯度的区域中细化对象网格或缺陷网格,以实现对几何结构的较准确的确定或随后的较准确的模拟。在具有较小的梯度的其它区域中,网格可以较粗,以节省运算时间。因此,自动匹配所应用的网格,以最佳地评估缺陷几何结构。同时,由此实现未知数数目的显著减少,从而进一步节省运算时间。
如果参考数据集与专家例程的专家预测数据集之间的比较得出该专家预测数据集相比于之前的起始预测数据集更接近参考数据集,则提供相关联的专家缺陷几何结构作为用于另外的专家例程以及对应的专家例程的起始缺陷几何结构。基于该解,另外的专家例程可以在下一个迭代步骤中从该几何结构开始,除非另外的专家例程例如在仍在运行的专用缺陷几何结构确定期间发现了更好的解,该解随后被提供给另外的或所有的专家例程。
在相互竞争的专家例程中,优选地就EDV单元的可供使用的资源而言首选如下的专家例程,如下所述,这样的专家例程在逼近实际测量数据方面比处于竞争的其它专家例程更成功。特别地,EDV单元的资源是CPU时间或GPU时间和/或存储器分配中的优先级。
有利地,专家例程(在EDV单元上)相互竞争地运行,使得根据成功率和/或根据适应度函数的减小将EDV单元的资源、特别地以运算时间的形式分配给相应的专家例程,对于成功率特别地考虑了由专家例程计算得到的且可供一个或多个其它专家例程使用的起始缺陷几何结构的数目,对于适应度函数的减小特别地考虑了对于该减小而产生的专家预测数据集的数目。特别地,如果相应的专家例程比其它专家例程成功,则由设计为监控例程的程序部分给相应的专家例程分配更多的资源、特别地以运算时间、优选地CPU时间和/或GPU时间的形式,因此产生专家例程的竞争。如果一个专家例程发现了具有较适合于参考数据集的、例如模拟的漏磁测量的缺陷几何结构,该缺陷几何结构可供其它专家例程使用,则该专家例程是成功的。
例如,由此可以导致特别成功的单个专家例程获得可供使用的总运算时间的50%以上,这显著降低了根据本发明的方法的总持续时间。同时可以在程序侧规定,没有专家例程或专家例程中的单个专家例程不低于运算时间的特定百分比,以避免来自各个例程的奇异的和特殊的缺陷几何结构或结果的问题。因此,对于在此之前成功的专家例程仅发现局部解而非全局解的情况,可以从否则会在现有技术中出现的阻塞情况中找到出路。
借助于专家例程进行匹配,直至满足停止标准。在这里,停止标准例如是测得的测量数据和模拟的测量数据的残差。停止标准还可以是例如基于可供使用的运算时间的外部停止标准,或者是特别地可预设的迭代次数,或者是特别地可预设的运算时间、或已预设的运算时间、或从可供使用的运算时间确定的运算时间。
已经发现,通过根据本发明的方法定性地改善了缺陷确定的准确度。由此产生的对最大负荷能力的计算表明,例如管道可以运行显著较长的时间。缺陷确定的准确度显著提高。根据在上面和在下面所描述的方法从模拟的缺陷几何结构得出的最大运行压力可以被较高地估计直至50%,这显著降低了对于管道及其运营方的运行的维护成本和保养成本。从现在起,首次可以对于MFL数据集适当地确定用于“剩余强度算法”的ASME B31G-2012等级2方案(“river bottom profile”)。
优选地,根据由相应的专家例程为所有专家例程提供的起始缺陷几何结构的数目来将EDV单元的资源、特别地以CPU时间的形式分配给相应的专家例程。在这里,这例如可以是用于以模拟的MFL数据集的形式计算专家预测数据集的空档(Slot)的数目、并行处理运算任务的处理器核心的数目等。还可以在实现根据本发明的方法的计算机程序产品的范畴中规定,该计算机程序产品匹配于在EDV单元中存在的资源,这些资源的形式为处理器核心、存储空间、存储架构、显卡等。通过使特别优选的专家例程及其算法优先,显著较快地检测实际的缺陷几何结构。
为了进一步使奇异解、局部解的问题最小化,特别地规定,附加地使用与第一参考数据集线性独立的另一参考数据集,以确定一个或多个缺陷的几何结构。如果通过具有对象的相互成角度的磁化的MFL测量产生数据集,则这些数据集是线性独立的。如果相应的平均感应磁场强度在被检查的区域中不平行或不相等地走向,则这些磁化相互成角度。特别地,该角在40°与140°之间、优选地在80°与100°之间、以及特别优选地为90°。基于起始缺陷几何结构确定另一起始预测数据集,特别地借助于考虑了线性独立性的、即特别地考虑了不同磁化的另一MFL模拟来产生另一起始预测数据集;并且仅当对于独立的两个磁化确定的相关联的专家预测数据集与对于这两个磁化确定的起始预测数据集相比更相似于相应的参考数据集,和/或考虑两个专家预测数据集的适应度函数被改善时,才将专家缺陷几何结构用作起始缺陷几何结构。通过对两个线性独立的数据集的并行或相互伴随的处理和起始缺陷几何结构的应用,进一步降低了奇异性的风险,该起始缺陷几何结构的模拟的测量数据就相似性或适应度函数而言必须总体上较好。同时,可供所有专家例程使用的起始预测数据集的质量改善。因此,可以进一步减少迭代次数。
特别地,通过具有沿轴向的磁化的MFL测量产生第一参考数据集,并且通过具有沿管线周向的磁化的MFL测量产生第二参考数据集。在这里,管线或对象的相应的磁化相互成直角,使得可以从漏磁测量中获得最大的信息量,通过同时考虑对应的参考数据集和模拟的专家预测数据集,该信息量在计算期间全面地可供使用。与在使用基于线性独立的磁化而产生的两个参考数据集时相似地,下面所描述的方法步骤考虑了前述内容。
通过基于用于模拟MFL测量的正演模型特别地借助于有限元模型使用起始预测数据集和/或专家预测数据集,快速地执行MFL测量模拟。基于专家缺陷几何结构的对漏磁测量的模拟通过专用程序模块实现,该专用程序模块特别地由监控例程控制和/或监控,并且由各个专家例程单独地调用。这还可以是多个模块,这些模块以分布在各个运算单元上的方式可供相应的专家例程使用。
优选地,借助于查找表,通过专家例程中的一个专家例程和/或通过机器学习算法产生初始的缺陷几何结构,如上所述,这改善了总运算时间,特别是当已经附加地进行了网格匹配时。
特别地,可以在模拟的一个或多个缺陷的深度超过可预设的阈值的区域中进行对象网格和/或缺陷网格的细化,使得仅只有超过特定大小的梯度才会导致网格的变化。对于这种细化,可以特别地考虑新的专家缺陷几何结构的梯度的总数,以便实现在相应的网格的调整、特别地对象网格的调整与随后的运算操作之间的平衡。
以减小运算时间为目的的网格细化不仅可以基于初始的参考数据集进行,而且可以在计算专家预测数据集之前进行。为此还可以提供相应的专家例程的单独的程序模块或各个子模块。
特别地,对象网格和/或缺陷网格的细化特别有利地通过网格点移动和/或网格点划分、通过显著减少在正演算法中用于模拟MFL测量的独立变量的数目来减少所需的CUP时间。网格点移动还可以用于对象网格或缺陷网格的匹配。
优选地,使用适应度函数作为对于专家预测数据集与参考数据集的相似性的度量,以便基于标准例程且适当快速地、即在节省运算时间的情况下进行模拟的数据集与测得的数据集的比较。
特别地,二维数据集形式的起始缺陷几何结构或指示该起始缺陷几何结构的指针被存储在EDV单元的对于所有专家例程而言可访问的存储区域中。特别地,该存储区域同样受到监控例程的控制,使得在这方面也可以对各个专家例程进行优选级排序。
代替每次在开始新的迭代时使用例如存储在对于所有专家例程而言可访问的中央存储区域中的起始缺陷几何结构,在开始新的迭代时,至少一个专家例程可以匹配其专用的专家缺陷几何结构,而无需采用起始缺陷几何结构。为此,专家例程可以具有如下的功能规则,在这样的功能规则中,例如根据在其它专家例程中使用的搜索策略有意识地选择相反的策略。在这样的情况下,专家例程可以间接地相互影响。特别地,这种方法可以是有利的,如果发现迄今一直成功的例程偏好不现实的解。这可以例如基于就缺陷深度而言不被允许的值来检测。如果不采用起始缺陷几何结构的专家例程没有提供改善的解,则该专家例程自动被降低优先级,使得可供该专家例程使用的运算时间越来越少。
优选地,可以采用起始缺陷几何结构、或更一般地缺陷网格的几何结构和/或对象网格的几何结构在多次迭代之后未出现可以称为实质性的变化作为停止标准或收敛标准。到那时发现的解是最好的解。优选地,停止标准被选择为使得在漏磁模拟中观察到的导致对象网格或缺陷网格的细化的变化大幅地、例如以小于10的系数、特别是2的系数小于如下的变化,这样的变化从单个测量偏差、特别地测量误差产生,并且这样的变化例如基于API1163标准的所谓的“基本变量(Essential Variables)”个体地规定。由此实现,最终的模型的精度在由测量本身指定的精度的范围中。相应地,优选地使用专家预测数据集的变化与实际数据集的测量偏差的比较作为停止标准。引起程序的停止并且特别地输出或存储至此计算得到的起始缺陷几何结构的停止标准优选地可以通过能够预先设置的程序参数规定。
特别地,用于匹配专家缺陷几何结构的多个算法可供专家例程使用。在这里,这些算法可以是来自机器学习、随机优化、经验模型函数和/或数值模型函数领域的方案。特别地,在专家例程中还可以使用评估人员的经验值。优选地,在专家例程中,随机生成不同算法,或通过选择函数选择不同算法。因此,产生了足够多样化的方案,利用该方案可以在竞争条件下有针对性地考虑所有解。
在上文中提出的目的还可以通过一种用于确定至少在运行中被加载压力的且特别地设计为油管、气管或水管的对象的负荷能力极限的方法解决,其中在该方法中描述一个或多个缺陷的数据集被用作特别地设计为正演建模的对负荷能力极限的计算中的输入数据集,其中首先根据在上面或在下面所描述的用于确定缺陷几何结构的方法产生输入数据集。缺陷几何结构的有利表示,特别地作为未参数化的真实三维几何结构或作为具有相应深度值的二维表面,使得迄今在工业中被认为必要的简化成为多余的,使得出于该原因总体上以迄今无法实现的方式确保了缺陷确定的精度的提高。
如果迄今精度被限于缺陷的最大深度点的说明,则现在以高精度求取全部特性。通常,最大深度的精度降低到根据测量精度可达到的程度,即壁厚的大约±5%,相比之下迄今在根据上述现有技术的调整大小中为壁厚的大约±10%。但是,根据缺陷几何结构的对负荷能力极限的预测特别地对于临界情况在精度上实现从例如迄今的±50%至现在的±5%的提高。因此,根据本发明的优点特别地在于首次实现缺陷几何结构的适当的表示,该表示首次实现了该精度提高。
附图说明
可以从以下附图描述中得到本发明的其它优点和细节。其中:
图1示意性地示出了根据现有技术的缺陷确定;
图2示意性地示出了根据本发明的方法的示意图;
图3示意性地示出了图2的一部分的进一步说明;
图4示意性地示出了根据本发明的方法的结果与测量数据的比较;
图5示意性地示出了作为根据本发明的方法的一部分的网格细化的示意图;
图6示意性地示出了根据本发明的方法的结果。
具体实施方式
下面所描述的实施例的各个特征可以与独立权利要求的特征相结合得到根据本发明的改进方案。
在现有技术中,根据图1借助于对盒子的特别地还基于经验的定义来评估管线的MFL数据。在图中示出的盒子在长度、宽度和深度上具有相应的尺寸。x轴和y轴以米为单位示出([m])。借助于激光扫描、即借助于直接测量对该评估所基于的实际缺陷几何结构的检查表明,能够基于通过评估MFL数据而假定的缺陷几何结构确定的最大破裂压力为4744.69kPa,仅为基于实际几何结构计算的最大破裂压力的55.2%。通过现有技术,用于管道的安全运行的运行压力根据基于经验的评估为3621.29kPa,显著低于可能的安全运行压力。
在根据本发明的方法中,根据一个实施例通过2D网孔表面表示管线的表面。缺陷几何结构可以描述为在缺陷网格5上的深度值D的向量(图5)。基于考虑了属于相应几何结构的MFL字段的适应度函数F(D)的结果,将该缺陷几何结构与起始缺陷几何结构比较。在这里假定,适应度函数的值越小,则假定的专家缺陷几何结构越接近实际的几何结构:
在这里,M是可以同时处理的数据集(实际MFL数据集)的数目,Hcal是MFL测量的模拟结果,Hm是来自MFL测量的所测得的数据(参考数据集),并且R(D)是正则项,可以如下估计该正则项:
其中α是缩放项。
下面根据图2描述根据本发明的方法流程的至少一部分,其中仅利用一个框14描述并行且相互竞争的多个专家例程11。
例如,可以根据框2将相同的MFL管道清洗机的多个过程融合作为输入数据集。为了较好地融合,两个数据集1可以预先被滤波并且相互适应(方法步骤3),以便例如降低可能的伪影或背景噪音。还可以使用另一数据集4,该另一数据集4基于线性独立的另一磁化产生并且出于适应相同的网格结构的目的同样被滤波,使得根据方法步骤6存在经适应的两个参考数据集,这两个参考数据集基于具有线性独立的磁化的测量过程获得。
完全相互匹配的数据集可以一起被处理,其中根据本发明的方法通过使用考虑融合后的数据集的适应度函数来实现对数据集的同时处理。
在步骤7中,选择在步骤6中存在的参考数据集中的第一参考数据集,以用于进一步处理。此外,在步骤8中首先假定、特别地在这里生成初始的缺陷几何结构作为起始缺陷几何结构,该初始的缺陷几何结构例如基于归一化的测量信号S(x,y)/(max S)。例如,可以从阈值函数导出缺陷几何结构,该阈值函数考虑了信号大于特定的极限值l(例如0.2)的网格点处的幅度:
上述近似导致在相应的网格点处的N个缺陷深度值:
Di=i wt/N*G
其中wt是管壁的厚度。i是索引,该索引还用作用于确定缺陷深度值的值。对于这样的缺陷几何结构计算适应度函数,并且具有最小的函数值的特性被用作初始解:
Dinit=arg min F(Di)
然后,该初始解作为起始缺陷几何结构可供各个专家模块使用。事先,为了减小运算时间,可以将描述缺陷几何结构的参数值(向量D的元素)的数目保持尽可能小。特别地,这通过动态网格匹配来实现。因为深度值的数目对应于缺陷网格5中的节点的数目,所以节点的数目同时也是缺陷参数的数目。从相对较粗的网格开始,网格在相关区域中逐渐被细化。
示例性地,对于例如14mm的预设节点距离、与此伴随的14mm×14mm的网格单元大小和壁厚的30%、50%和80%的缺陷极限值,可以在相关的网格区域中实现图5中示出的细化,其中逐渐细分超过上述深度值的单元。网格变形与假定的缺陷几何结构相关,即在较大梯度的区域中存在较大数目的网格点。
在EDV单元上根据按照本发明的方法模拟相互竞争的一组专家例程11的工作流程。为此,程序可以具有不同的模块,这些模块相互独立并且特别地可以以彼此不同步的方式将数据放入EDV单元的特定区域中,以便这些数据在这些特定区域中被进一步处理。特别地,这在监控例程9的监视下实现(图3a)。因此,根据上面所定义的成功、即根据例如写入共同的存储区域12中的起始缺陷几何结构的数目,多个专家例程11保持多个运算空档13,以便分别产生专家缺陷几何结构、和/或可以执行相关联的MFL模拟、或在独立的MFL模拟模块的情况下执行相关联的MFL模拟。这对应于根据图2的框14,其中该框示例性地代表多个专家例程11(图3a)。根据本实施例,基于各个运算空档13同样在监控例程9的监视下在模拟模块16中执行各个专家缺陷几何结构的MFL模拟,以便创建专家预测数据集。可供专家例程使用的空档13越多,则用于该专家例程的EDV资源的比例越大。优选地,用于执行MFL模拟的程序模块的数目等于空档的数目。监控例程9监控迭代次数和由此产生的起始缺陷几何结构变化,并且还监控是否达到相关联的停止标准。随后,根据框17输出结果。
可供专家例程11使用的运算空档13的数目和随后可供使用的模拟例程可以变化,使得第一专家例程示例性地可以利用可供运算空档和模拟例程使用的总运算时间的直至50%。
如所示出的,在存储区域12中存储有起始缺陷几何结构。在这里,存储区域12可以是专家例程11可访问的存储区域。在这样的存储区域中同样可以存储有专家例程11和监控例程9的日志文件以及对专家例程11的指令,这些指令由这些专家例程随后独立地实施。在这里,这些指令可以例如是在达到停止标准时被设置的中断命令。
优选地,专家例程11是独立的程序模块,这些程序模块产生新的专家缺陷几何结构并且将专家缺陷几何结构放入模拟例程16中。还可以在专家例程11中基于专家预测数据集产生上文中所示的适应度函数,并且将其与存储在区域12中的起始预测数据集比较。如果专家预测数据集与存储在区域12中的数据集次相比总体上更相似于参考数据集、或在线性独立的测量数据集的情况下对应地更相似于这两个参考数据集,则将该专家预测数据集用作新的起始预测数据集。
例如,在专家例程11中随机产生新的缺陷几何结构。为此,可以使用机器学习算法或经验规则。有利地,如下所述提供至少两个基本专家例程的实现,以便进一步改善解的收敛性。
优选地总是在根据本发明的方法中实现的这些搜索策略基于网格点的假定的概率分布p(x,y),这些网格点的深度值产生适应度函数的最大减小。概率函数用于识别N个网格点(xn,yn)。在所考虑的点中的每个点处,例如描述网格位置处的腐蚀深度的深度函数变化ΔD,其中变化的符号以随机生成的方式分布。所选择的点的数目N也可以随机选择:
通过选择概率函数p(x,y)可以实现不同的专家策略,例如:
该算法实现缺陷深度的变化,其中优选具有最大深度的网格点。
另一策略可以看起来如下:
这样的算法在如下的位置处改变缺陷几何结构,在这样的位置处对于已知的最好的解Hthe best的模拟测量信号具有与测得的信号的最大差异。
在此基础上,可以通过待考虑的网格点的数目的变化和ΔD的变化构成不同的专家例程或专家例程的算法。示例性地,可以使用以下六个专家例程:
如所描述的,图3a中示出的监控例程9特别地具有两个功能:第一是检查是否达到停止标准,第二是基于各个专家的成功在各个专家之间管理EDV单元的资源。对于成功的度量是:
其中ΔF是由相应专家例程的结果引起的适应度函数F的减小,并且N是为此所需的模拟次数。n个专家例程的评估可以假定为:
在迭代中,用于专家例程的运算空档的数目NS为:
NS=int(RnNall)
其中Nall是可用的所有空档的数目。
在模拟例程16中模拟对于专家缺陷几何结构的MFL测量。专家例程可以迭代直至专家例程发现如下的解,这样的解的专家预测数据集比存储在区域12中的起始预测数据集好。如果是这样的情况,则专家例程11可以处理另一线性独立数据集或基于已经改善的解尝试实现另外的较好的解。
如果专家例程遍历地计算了来自不同迭代的无法一致适配的多个数据集,则在执行根据本发明的方法的范畴中同样可以自动地叠加所产生的几何结构,其中在各个网格点处采用最大深度作为保守估计:
对于n=1...N,其中N是需要被依次处理的数据集的数目。基于在缺陷几何结构的这种叠加上产生的深度特性又可以模拟MFL信号。可以在各个计算中从相应的数据集的误差得出所产生的误差:
E=||Hcal(D)-Hm||
为了证明所提出的方法的效率,执行了多个测试情景,其中下面根据图4使用利用相互线性独立的磁化执行的两个MFL检测过程的数据。
图4示出了以数字21编号的具有沿轴向方向走向的磁化的实际MFL测量的图片,而图22从沿圆周方向的测量得出。以23指示根据上述按照本发明的方法获得的缺陷几何结构运算结果。轮廓线如在图片24中一样均匀地划分金属损失深度在0与60%之间的区域。图24示出了与图21和图22相对应的管部段的实际扫描的并由此直接测量的外表面。激光扫描测量与通过根据本发明的方法实现的解非常高度一致。这显著优于根据现有技术中已知的评估的解。在这里,可以假定,主要由于技术公差而存在根据按照本发明的方法的结果与激光扫描测量之间的差异。
基于在现有技术中建立的并在图1中在结果中示出的对缺陷几何结构的求取的常规考虑得出所提及的4744.69kPa的最大破裂压力。基于根据本发明的方法,对于图1所基于的MFL数据集得出在图6中示出的缺陷几何结构(在2mm深度下的轮廓线),并且基于此得出8543.46kPa的最大破裂压力。在这里,该最大破裂压力接近基于由激光扫描求取的实际缺陷几何结构确定的最大破裂压力的直至99.4%。因此,可以以6520.53kPa的安全运行压力运行根据按照本发明的方法检查的管道。与基于根据现有技术的评估(图1)的3621.29kPa的安全运行压力相比,这为管道运营方带来显著的优势。基于根据本发明的方法,可以显著较切合实际地给出管线的状态,从而可以显著较切合实际地给出对于管线的安全运行可给出的压力,同时一如既往地确保运行的安全性。通过根据本发明的具有竞争EDV单元的资源的专家例程的方法可以将这样的结果较快速地或至少以与现有技术相同的评估时间提供给管道的运营方。
Claims (15)
1.一种利用可磁化的对象、特别是管线或罐的基于一个或多个MFL测量产生的参考数据集来确定所述对象的被检查的一个或多个实际缺陷的几何结构的方法,
优选地包括借助于EDV单元至少部分地表示所述对象,特别地在至少三维的对象网格上或通过至少三维的对象网格;
并且包括确定初始的缺陷几何结构作为起始缺陷几何结构,特别地在所述对象网格上或在至少二维的缺陷网格(15)上;
基于所述起始缺陷几何结构来确定第一MFL预测数据集作为起始预测数据集,特别地通过模拟MFL测量或分配MFL数据集;以及
借助于所述EDV单元和相互竞争地运行的且优选地彼此并行运行的多个专家例程(11)将所述起始缺陷几何结构迭代地匹配于所述一个或多个实际缺陷的几何结构;
其中在相应的专家例程(11)中借助于至少一个专用算法并且基于所述起始缺陷几何结构来产生相应的专家缺陷几何结构;
特别地通过模拟MFL测量或分配MFL数据集,基于相应的专家缺陷几何结构来确定相应的专家预测数据集;以及
如果所述专家预测数据集与所述起始预测数据集相比更相似于所述参考数据集,则将相应的专家预测数据集所基于的专家缺陷几何结构提供给所述专家例程(11)中的至少一个、优选地多个、特别地所有专家例程作为新的起始缺陷几何结构,以用于进一步匹配于所述一个或多个实际缺陷的几何结构,并且随后将属于新的起始缺陷几何结构的专家预测数据集用作新的起始预测数据集;
其中借助于所述专家例程进行迭代匹配,直至满足停止标准。
2.根据权利要求1所述的方法,其特征在于,所述专家例程(11)相互竞争地运行,使得根据成功率和/或根据适应度函数的减小将所述EDV单元的资源特别地以运算时间、优选地CPU时间和/或GPU时间的形式分配给相应的专家例程,对于所述成功率特别地考虑了由所述专家例程计算得到的且可供一个或多个其它专家例程(11)使用的起始缺陷几何结构的数目,对于所述适应度函数的减小特别地考虑了对于所述减小而产生的专家预测数据集的数目。
3.根据前述权利要求中任一项所述的方法,其特征在于,使用所述适应度函数作为对于所述专家预测数据集与所述参考数据集的相似性的度量。
4.根据前述权利要求中任一项所述的方法,其特征在于,附加地使用就磁化而言与第一参考数据集线性独立的另一参考数据集,以确定所述一个或多个缺陷的几何结构;并且基于所述起始缺陷几何结构,特别地借助于考虑了线性独立性的另一MFL模拟来确定另一起始预测数据集;并且仅当对于独立的两个磁化确定的相关联的专家预测数据集与对于所述两个磁化确定的起始预测数据集相比更相似于相应的参考数据集,和/或考虑两个专家预测数据集的适应度函数被改善时,才将专家缺陷几何结构用作起始缺陷几何结构。
5.根据权利要求4所述的方法,其特征在于,通过具有沿轴向的磁化的MFL测量产生所述第一参考数据集,并且通过具有沿所述管线的周向的磁化的MFL测量产生第二参考数据集。
6.根据前述权利要求中任一项所述的方法,其特征在于,基于用于模拟所述MFL测量的正演模型并且特别地借助于有限元模型产生起始预测数据集和/或专家预测数据集。
7.根据前述权利要求中任一项所述的方法,其特征在于,借助于查找表,通过所述专家例程(11)中的一个专家例程和/或通过机器学习算法产生所述初始的缺陷几何结构。
8.根据前述权利要求中任一项所述的方法,其特征在于,在模拟的一个或多个缺陷的深度超过阈值的区域中细化所述缺陷网格(5)。
9.根据前述权利要求中任一项所述的方法,其特征在于,在计算相应的专家预测数据集之前细化所述对象网格和/或所述缺陷网格(15)。
10.根据前述权利要求中任一项所述的方法,其特征在于,所述起始缺陷几何结构或指示所述起始缺陷几何结构的指针被存储在所述EDV单元的对于所有专家例程(11)而言可访问的存储区域(12)中。
11.根据前述权利要求中任一项所述的方法,其特征在于,采用在多次迭代之后所述起始缺陷几何结构和/或所述对象网格的几何结构和/或所述缺陷网格(15)的几何结构和/或所述起始预测数据集和/或至少一个专家预测数据集未出现实质性变化作为停止标准。
12.根据权利要求11所述的方法,其特征在于,使用所述专家预测数据集的变化与实际数据集的测量偏差的比较作为停止标准。
13.根据前述权利要求中任一项所述的方法,其特征在于,一个专家例程(11)被分配有用于匹配所述专家缺陷几何结构的多个算法,所述多个算法包括机器学习、随机优化、经验模型函数和/或数值模型函数。
14.根据权利要求13所述的方法,其特征在于,在专家例程(11)中随机生成算法,或通过选择函数选择和/或改变算法。
15.一种用于确定至少在运行中被加载压力的且特别地设计为油管、气管或水管的对象的负荷能力极限的方法,其中描述一个或多个缺陷的数据集被用作对所述负荷能力极限的计算中的输入数据集,其特征在于,首先按照根据前述权利要求中任一项所述的方法确定所述输入数据集。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP17195267.4 | 2017-10-06 | ||
EP17195267.4A EP3467489A1 (de) | 2017-10-06 | 2017-10-06 | Verfahren zur bestimmung der geometrie einer fehlstelle und zur bestimmung einer belastbarkeitsgrenze |
PCT/EP2018/076514 WO2019068588A1 (de) | 2017-10-06 | 2018-09-28 | Verfahren zur bestimmung der geometrie einer fehlstelle und zur bestimmung einer belastbarkeitsgrenze |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111448453A true CN111448453A (zh) | 2020-07-24 |
Family
ID=60117492
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201880078530.4A Pending CN111448453A (zh) | 2017-10-06 | 2018-09-28 | 确定缺陷的几何结构的方法以及确定负荷能力极限的方法 |
Country Status (9)
Country | Link |
---|---|
US (2) | US11624728B2 (zh) |
EP (2) | EP3467489A1 (zh) |
CN (1) | CN111448453A (zh) |
AU (1) | AU2018344386A1 (zh) |
CA (1) | CA3109990A1 (zh) |
MX (1) | MX2020003580A (zh) |
RU (1) | RU2763344C2 (zh) |
UA (1) | UA126485C2 (zh) |
WO (1) | WO2019068588A1 (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
ES2903199T3 (es) * | 2019-04-09 | 2022-03-31 | Rosen Swiss Ag | Método para la determinación de la geometría de un punto defectuoso y para la determinación de un límite de la capacidad de carga |
EP3722799A1 (de) * | 2019-04-09 | 2020-10-14 | Rosen Swiss AG | Verfahren zur bestimmung der geometrie eines objekts auf basis von daten zerstörungsfreier messverfahren |
CN111444628B (zh) * | 2020-04-13 | 2022-06-24 | 中国石油大学(北京) | 射流清管器结构阻力计算方法及装置 |
Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6208983B1 (en) * | 1998-01-30 | 2001-03-27 | Sarnoff Corporation | Method and apparatus for training and operating a neural network for detecting breast cancer |
US6316937B1 (en) * | 1999-10-13 | 2001-11-13 | Oilfield Equipment Marketing, Inc. | Method and apparatus for detecting and measuring axially extending defects in ferrous tube |
US6519535B1 (en) * | 2000-06-05 | 2003-02-11 | The University Of Chicago | Eddy current technique for predicting burst pressure |
CN1963491A (zh) * | 2006-12-08 | 2007-05-16 | 清华大学 | 基于三维有限元神经网络的缺陷识别和量化评价方法 |
US20070222436A1 (en) * | 2006-03-27 | 2007-09-27 | General Electric Company | Method and apparatus inspecting pipelines using magnetic flux sensors |
US20080004839A1 (en) * | 2004-06-14 | 2008-01-03 | Papadimitriou Wanda G | Autonomous Remaining Useful Life Estimation |
US7987150B1 (en) * | 2007-02-09 | 2011-07-26 | Siglaz | Method and apparatus for automated rule-based sourcing of substrate microfabrication defects |
CN102368283A (zh) * | 2011-02-21 | 2012-03-07 | 麦克奥迪实业集团有限公司 | 一种基于数字切片的数字病理远程诊断系统及其方法 |
CN104034794A (zh) * | 2014-06-12 | 2014-09-10 | 东北大学 | 一种基于极限学习机的管道漏磁缺陷检测方法 |
CN104899440A (zh) * | 2015-06-02 | 2015-09-09 | 上海电力学院 | 一种基于万有引力搜索算法的漏磁缺陷重构方法 |
CN104897771A (zh) * | 2015-05-12 | 2015-09-09 | 清华大学 | 三维漏磁检测缺陷轮廓重构方法及装置 |
CN104990977A (zh) * | 2015-06-29 | 2015-10-21 | 清华大学 | 三维漏磁检测缺陷复合反演成像方法 |
US20160178580A1 (en) * | 2014-12-19 | 2016-06-23 | Tsinghua University | Method and apparatus for quantifying pipeline defect based on magnetic flux leakage testing |
US20160187523A1 (en) * | 2014-07-11 | 2016-06-30 | Halliburton Energy Services, Inc. | Focused symmetric pipe inspection tools |
CN105807743A (zh) * | 2016-03-15 | 2016-07-27 | 国网江苏省电力公司电力科学研究院 | 变电站设备故障缺陷分析远程支撑系统 |
CN106018545A (zh) * | 2016-06-29 | 2016-10-12 | 东北大学 | 一种基于Adaboost-RBF协同的管道缺陷漏磁反演方法 |
US20170176629A1 (en) * | 2015-12-18 | 2017-06-22 | Schlumberger Technology Corporation | Method for multi-tubular evaluation using induction measurements |
CN106950276A (zh) * | 2017-03-21 | 2017-07-14 | 东北大学 | 一种基于卷积神经网络的管道缺陷深度的反演方法 |
CN106975736A (zh) * | 2017-05-16 | 2017-07-25 | 南通江中光电有限公司 | 一种复杂薄壁铝合金梯级压铸成型技术 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0164057A3 (de) * | 1984-06-08 | 1988-05-04 | Mecapec S.A. | Verfahren und Vorrichtungen zur Feststellung von Oberflächenfehlern an stabförmigem, ferromagnetischem Gut |
US7013224B2 (en) * | 2002-07-15 | 2006-03-14 | General Electric Company | Method and apparatus to perform crack estimations for nuclear reactor |
JP5186837B2 (ja) * | 2007-08-23 | 2013-04-24 | Jfeスチール株式会社 | 微小凹凸表面欠陥の検出方法及び装置 |
JP4938695B2 (ja) * | 2008-01-23 | 2012-05-23 | 富士通株式会社 | き裂進展評価装置及びき裂進展評価方法 |
US8494827B2 (en) * | 2009-09-25 | 2013-07-23 | Exxonmobil Upstream Research Company | Method of predicting natural fractures and damage in a subsurface region |
US9305121B2 (en) * | 2010-06-28 | 2016-04-05 | Exxonmobil Upstream Research Company | Method and system for modeling fractures in ductile rock |
DE102011000917B4 (de) * | 2011-02-24 | 2017-08-17 | Vallourec Deutschland Gmbh | Streuflusssonde zur zerstörungsfreien Streuflussprüfung von Körpern aus magnetisierbarem Werkstoff |
WO2015051225A1 (en) * | 2013-10-03 | 2015-04-09 | Schlumberger Canada Limited | Pipe damage assessment system and method |
US9892219B2 (en) * | 2014-01-28 | 2018-02-13 | Rolls-Royce Corporation | Using fracture mechanism maps to predict time-dependent crack growth behavior under dwell conditions |
MX2016015358A (es) | 2014-07-11 | 2017-03-03 | Halliburton Energy Services Inc | Herramienta de evaluacion para tuberias de revestimiento de pozos concentricas. |
RU2586261C2 (ru) * | 2014-08-13 | 2016-06-10 | Открытое акционерное общество "Акционерная компания по транспорту нефти "Транснефть" (ОАО "АК "Транснефть") | Устройство магнитного дефектоскопа и способ уменьшения погрешности определения размеров дефектов трубопровода магнитными дефектоскопами |
SG10202005108VA (en) * | 2016-06-22 | 2020-07-29 | Saudi Arabian Oil Co | Systems and Methods for Rapid Prediction of Hydrogen-Induced Cracking (Hic) In Pipelines, Pressure Vessels, And Piping Systems and for Taking Action in Relation Thereto |
-
2017
- 2017-10-06 EP EP17195267.4A patent/EP3467489A1/de active Pending
-
2018
- 2018-09-28 MX MX2020003580A patent/MX2020003580A/es unknown
- 2018-09-28 US US16/753,919 patent/US11624728B2/en active Active
- 2018-09-28 WO PCT/EP2018/076514 patent/WO2019068588A1/de unknown
- 2018-09-28 RU RU2020114878A patent/RU2763344C2/ru active
- 2018-09-28 AU AU2018344386A patent/AU2018344386A1/en active Pending
- 2018-09-28 EP EP18782929.6A patent/EP3692362A1/de active Pending
- 2018-09-28 UA UAA202002574A patent/UA126485C2/uk unknown
- 2018-09-28 CN CN201880078530.4A patent/CN111448453A/zh active Pending
- 2018-09-28 CA CA3109990A patent/CA3109990A1/en active Pending
-
2023
- 2023-03-15 US US18/184,304 patent/US20230258599A1/en active Pending
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6208983B1 (en) * | 1998-01-30 | 2001-03-27 | Sarnoff Corporation | Method and apparatus for training and operating a neural network for detecting breast cancer |
US6316937B1 (en) * | 1999-10-13 | 2001-11-13 | Oilfield Equipment Marketing, Inc. | Method and apparatus for detecting and measuring axially extending defects in ferrous tube |
US6519535B1 (en) * | 2000-06-05 | 2003-02-11 | The University Of Chicago | Eddy current technique for predicting burst pressure |
US20080004839A1 (en) * | 2004-06-14 | 2008-01-03 | Papadimitriou Wanda G | Autonomous Remaining Useful Life Estimation |
US20070222436A1 (en) * | 2006-03-27 | 2007-09-27 | General Electric Company | Method and apparatus inspecting pipelines using magnetic flux sensors |
CN1963491A (zh) * | 2006-12-08 | 2007-05-16 | 清华大学 | 基于三维有限元神经网络的缺陷识别和量化评价方法 |
US7987150B1 (en) * | 2007-02-09 | 2011-07-26 | Siglaz | Method and apparatus for automated rule-based sourcing of substrate microfabrication defects |
CN102368283A (zh) * | 2011-02-21 | 2012-03-07 | 麦克奥迪实业集团有限公司 | 一种基于数字切片的数字病理远程诊断系统及其方法 |
CN104034794A (zh) * | 2014-06-12 | 2014-09-10 | 东北大学 | 一种基于极限学习机的管道漏磁缺陷检测方法 |
US20160187523A1 (en) * | 2014-07-11 | 2016-06-30 | Halliburton Energy Services, Inc. | Focused symmetric pipe inspection tools |
US20160178580A1 (en) * | 2014-12-19 | 2016-06-23 | Tsinghua University | Method and apparatus for quantifying pipeline defect based on magnetic flux leakage testing |
CN104897771A (zh) * | 2015-05-12 | 2015-09-09 | 清华大学 | 三维漏磁检测缺陷轮廓重构方法及装置 |
CN104899440A (zh) * | 2015-06-02 | 2015-09-09 | 上海电力学院 | 一种基于万有引力搜索算法的漏磁缺陷重构方法 |
CN104990977A (zh) * | 2015-06-29 | 2015-10-21 | 清华大学 | 三维漏磁检测缺陷复合反演成像方法 |
US20170176629A1 (en) * | 2015-12-18 | 2017-06-22 | Schlumberger Technology Corporation | Method for multi-tubular evaluation using induction measurements |
CN105807743A (zh) * | 2016-03-15 | 2016-07-27 | 国网江苏省电力公司电力科学研究院 | 变电站设备故障缺陷分析远程支撑系统 |
CN106018545A (zh) * | 2016-06-29 | 2016-10-12 | 东北大学 | 一种基于Adaboost-RBF协同的管道缺陷漏磁反演方法 |
CN106950276A (zh) * | 2017-03-21 | 2017-07-14 | 东北大学 | 一种基于卷积神经网络的管道缺陷深度的反演方法 |
CN106975736A (zh) * | 2017-05-16 | 2017-07-25 | 南通江中光电有限公司 | 一种复杂薄壁铝合金梯级压铸成型技术 |
Non-Patent Citations (1)
Title |
---|
夏守长;刘刚;奚立峰;胡宗武;: "基于改进的BP神经网络的有初始几何缺陷的薄壁箱形结构承载能力的预测", 机械强度, no. 02, pages 292 - 296 * |
Also Published As
Publication number | Publication date |
---|---|
WO2019068588A1 (de) | 2019-04-11 |
EP3467489A1 (de) | 2019-04-10 |
AU2018344386A1 (en) | 2020-05-07 |
RU2020114878A3 (zh) | 2021-11-08 |
US20200340948A1 (en) | 2020-10-29 |
US20230258599A1 (en) | 2023-08-17 |
UA126485C2 (uk) | 2022-10-12 |
US11624728B2 (en) | 2023-04-11 |
EP3692362A1 (de) | 2020-08-12 |
RU2020114878A (ru) | 2021-11-08 |
MX2020003580A (es) | 2020-09-21 |
RU2763344C2 (ru) | 2021-12-28 |
CA3109990A1 (en) | 2019-04-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20230258599A1 (en) | Method for determining the geometry of a defect and for determining a load limit | |
AU2020271967B2 (en) | Method for determining the geometry of a defect on the basis of non-destructive measurement methods using direct inversion | |
CN109685097B (zh) | 一种基于gan的图像检测方法及装置 | |
CN112116616B (zh) | 基于卷积神经网络的相位信息提取方法、存储介质及设备 | |
AU2020272117B2 (en) | Method for determining the geometry of a defect and for determining a load limit | |
CN109583751A (zh) | 有效载荷的故障决策方法 | |
AU2020271630B2 (en) | Method for determining the geometry of an object on the basis of data from non-destructive measurement methods | |
Zhang et al. | Fast evaluation of minimum zone form errors of freeform NURBS surfaces | |
CN110083849A (zh) | 半导体制造设备的软测量方法、计算机和计算机可读介质 | |
Gyurecz et al. | Correcting fine structure of surfaces by genetic algorithm | |
Jbira et al. | A comparative study of extraction cylinder features in industrial point clouds | |
Lin et al. | Feature-based estimation of steel weight in shipbuilding | |
CN117007673B (zh) | 一种油气管道裂纹信号的正交孪生方法及装置、存储介质 | |
KR102526736B1 (ko) | Lng 화물측정을 위한 계측 시스템 및 방법 | |
CN115357517B (zh) | 机器视觉底层算法的开发优劣性的评测方法 | |
KR101836125B1 (ko) | 모델의 형상 특징 정보 생성 방법 및 형상 유사도 분석 방법 | |
CN112231878B (zh) | 夹层影响下垂向渗透率粗化等效计算方法及装置 | |
KR102296871B1 (ko) | 하이브리드 피로 균열 성장 예측 방법 | |
Shi et al. | Recursive measurement process for improving accuracy of dimensional inspection of automotive body parts | |
Keprate et al. | Prognostics for Small Bore Piping Undergoing Fatigue Degradation | |
CN116754632A (zh) | 基于正交孪生的油气管道裂纹量化方法及装置、存储介质 | |
de Angelis et al. | Forced Monte Carlo simulation for the robust design of maintenance plans of fatigue-prone metallic components | |
Wilken et al. | Mapping Hull Condition and Finite Element Models for Hull Structure Assessment of Ships in Operation | |
Vladova | Software Support for Intellectual Control of Anthropogenic Objects Technical Condition |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20240108 Address after: Swiss Stans Applicant after: Rosen IP Inc. Address before: Swiss Stans Applicant before: Rosen Swiss AG |
|
TA01 | Transfer of patent application right |