CN113049676A - 一种管道缺陷量化分析方法 - Google Patents
一种管道缺陷量化分析方法 Download PDFInfo
- Publication number
- CN113049676A CN113049676A CN202110256433.3A CN202110256433A CN113049676A CN 113049676 A CN113049676 A CN 113049676A CN 202110256433 A CN202110256433 A CN 202110256433A CN 113049676 A CN113049676 A CN 113049676A
- Authority
- CN
- China
- Prior art keywords
- fitting
- defect
- parameters
- pipeline
- magnetic flux
- 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 67
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000004445 quantitative analysis Methods 0.000 title claims description 6
- 230000005291 magnetic effect Effects 0.000 claims abstract description 40
- 230000004907 flux Effects 0.000 claims abstract description 24
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 11
- 238000013528 artificial neural network Methods 0.000 claims abstract description 10
- 230000008859 change Effects 0.000 claims abstract description 3
- 238000009826 distribution Methods 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 8
- 238000010801 machine learning Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 6
- 229920006395 saturated elastomer Polymers 0.000 claims description 6
- 238000004088 simulation Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000007797 corrosion Effects 0.000 claims description 4
- 238000005260 corrosion Methods 0.000 claims description 4
- 230000005415 magnetization Effects 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 239000000463 material Substances 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 6
- 238000011002 quantification Methods 0.000 abstract description 4
- 238000000605 extraction Methods 0.000 description 4
- 229910000831 Steel Inorganic materials 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- 238000012897 Levenberg–Marquardt algorithm Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 239000003302 ferromagnetic material Substances 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000003209 petroleum derivative Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 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
- G01N27/84—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 by applying magnetic powder or magnetic ink
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Chemical & Material Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Analytical Chemistry (AREA)
- Evolutionary Computation (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Electrochemistry (AREA)
- Neurology (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Investigating Or Analyzing Materials By The Use Of Magnetic Means (AREA)
Abstract
本发明提供了一种管道缺陷量化的方法。首先，采用漏磁检测的方法，将管道磁化到饱和；然后，将传感器置于不同提离高度下采集漏磁信号的径向分量并提取其信号峰值；将所得信号峰值大小按照给定方程进行拟合，并采用神经网络算法构建缺陷几何特征参数与拟合方程系数之间的关系，进而对缺陷进行量化。本发明充分利用漏磁场信号随提离空间的变化规律，提供了一种新的缺陷量化的基本思路，本发明的精确度较高，绝对误差和相对误差都比较小，置信度较高。
Description
技术领域
本发明涉及漏磁无损检测技术领域，尤其适用于一种管道常见腐蚀凹坑缺陷的检测与量化分析方法。
背景技术
管道运输作为传统五大运输方式之一，在能源、化工、油气等工业中有着十分重要的应用，尤其在石油天然气等国家战略能源的运输中起着巨大的作用。在各类管材中，铁磁性材料管道由于其原料丰富、制造简单、成型容易、成本低廉、无污染等优点而被广泛使用。但由于大多数油气管道深埋地下或海底，工况条件十分恶劣，会造成如腐蚀凹坑、裂纹等缺陷，从而严重影响管道的安全和使用寿命，造成严重的能源、经济损失和环境污染。因此，需要对其进行定期安全性评估。
漏磁检测作为管道无损检测中常见的方法之一，具有对管道内环境要求不高、无需耦合、适用范围广、价格低廉等优点。目前所采用的缺陷精确量化分析方法大多是直接构建缺陷参数和漏磁信号特征值之间的关系。虽然漏磁检测技术已十分成熟，但在缺陷的精确量化分析中仍有很多问题亟待解决。
发明内容
本发明所要解决的技术问题在于克服现有技术缺陷，提供一种通过漏磁场在空间中的衰减规律、提离衰减效应来进行缺陷量化的分析方法。
为了解决上述技术问题，本发明提供的管道缺陷量化分析方法，采用漏磁检测的方法，将管道磁化到饱和，然后进行检测获得缺陷处的漏磁信号；定义提取信号传感器位置与管壁距离为提离值x，提取不同提离值x下缺陷处的漏磁信号径向分量(径向分量是指垂直于管壁指向管道中心的分量)并提取其信号峰值Bx-max。将不同缺陷尺寸下所得的峰值大小进行拟合，得到信号峰值Bx-max随提离值x变化拟合方程的拟合参量；并采用神经网络算法构建凹坑缺陷参数和拟合参量之间的关系，从而对缺陷进行量化。
本发明具体包括如下步骤：
Step 1：构建磁化器模型，调节磁化器各参数使得管道达到饱和状态。
Step 2：建立不同缺陷参数下的管道三维模型，形成管道缺陷样本库。
Step 3：采用有限元仿真软件对不同缺陷参数下的漏磁场进行计算，即仿真模拟。
Step 4：改变提取曲线距离管壁的高度，用以模拟不同提离值x下的漏磁信号径向分量分布。
Step 5：提取不同提离值x下漏磁信号径向分量分布。
Step 6：提取径向分量峰值Bx-max，绘制Bx-max随提离值x变化的散点图。
Step 7：选用合适的拟合方程，对Step 6中所得散点图进行拟合，获得拟合参量。
Step 8：将不同缺陷的拟合参量作为输入量，缺陷参数作为输出量，采用神经网络算法进行机器学习。
Step 9：对Step 8学习后的结果进行验证，以保证学习效果。
Step 10：重复Step 2～Step 6过程，对样本库中不同几何参数的缺陷进行模拟计算和数据提取，并绘制Bx-max随提离值x变化散点图。
Step 11：采用Step 7中所用方程进行拟合，获得拟合参量。
Step 12：将拟合参量带入学习结果中，系统自动输出缺陷参数，完成缺陷量化。
以下为对部分步骤进行说明：
对于Step 1，判断管道是否达到饱和方法为：
以无缺模型为基准进行仿真计算，提取管道中心位置的磁通密度值并和管道材质的B-H曲线(磁化曲线)进行比较，当中心位置的磁通密度值达到该管材B-H曲线的饱和点(即曲线开始以一次函数上升时所对应的B值)时，管道磁化即达到饱和。
可调节的磁化器参数有：磁铁矫顽力、磁铁长度、磁铁宽度、磁铁厚度及磁极间距。
对于Step 2，预制缺陷为常见的椭球形凹坑缺陷，缺陷特征参量为缺陷直径L和缺陷深度D。
对于Step 6，计算磁通密度径向分量峰值Bx-max时，采用求平均值的方法，分别提取磁通密度径向分量分布曲线的正峰峰值Bx-max_1和负峰峰值Bx-max_2，采用公式(1)计算磁通密度径向分量峰值Bx-max。
对于Step 7，采用指数拟合、幂函数拟合或二次拟合均可获得较高的拟合度，拟合的曲线能够很好的反映出Bx-max随提离值增加的变化趋势，其拟合方程选择其一：
指数拟合：
y＝A+Bexp(C·x) (2)
幂函数拟合：
y＝AxB (3)
二次拟合：
y＝A+Bx+Cx2 (4)
其中A、B和C为拟合参量，y为磁通密度径向分量峰值Bx-max。
对于Step 8，应选用合适的神经网络层数和样本分布(即用于训练、测试和验证的样本量)，在进行机器学习时，适当增加样本量可以较好地提升机器学习的效果。
本发明的有益效果在于：充分利用漏磁场在空间中的分布规律，提出了一种根据漏磁场在空间中的衰减规律而进行的腐蚀凹坑缺陷量化的分析方法，为缺陷反演提供了新的思路和方法。本发明通过改变其提离值的大小，确定不同缺陷参数下提离值衰减方程的拟合参量，构建拟合参量和缺陷参数之间的映射关系，从而为漏磁检测的缺陷识别和反演提供思路本发明的精确度较高，绝对误差和相对误差都比较小，置信度较高。
附图说明
图1是本发明的流程图；
图2是缺陷参数(缺陷直径L和缺陷深度D)示意图；
图3是缺陷处不同提离值下的漏磁信号径向分量分布图；
图4是Bx-max随提离值变化散点图及其指数拟合结果图；
图5是经过机器学习后采用神经网络算法得出的缺陷量化值和实际缺陷参数值对比图。
具体实施方式
为了更加清晰地说明使本发明的目的、方案和优势，以下给出一具体实例来对本发明进行进一步详细说明。另外，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
如图1所示，本发明的步骤包括，Step 1：构建磁化器模型，调节磁化器各参数使得管道达到饱和状态。
选用磁化器磁铁材料为永磁铁，管道采用1008钢(Q235钢)，根据其B-H曲线，管道的饱和磁化强度在1750mT左右。
调节磁化器的各项参数，其中可调节的参量包括矫顽力、磁铁长度、磁铁宽度、磁极间距和磁铁厚度。
此时管道内部的平均磁感应强度约为1754mT，达到饱和状态，可检测到明显的漏磁信号。
Step 2：根据图2所给示例，构建带缺陷管道的三维模型。
适当增加样本量可以显著提升神经网络算法的学习效果，本案例共设计81组缺陷：取缺陷直径从10mm～50mm，每隔5mm进行一次取值，共取得9组取值；取缺陷深度为1mm～9mm，每隔1mm进行一次取值，共取得9组取值。将两者相结合共计81组缺陷样本。
Step 3：采用有限元仿真软件对所有预制缺陷进行计算，得到如图3所示的结果图(部分)。
Step 4：改变提取曲线距离管壁的高度，用以模拟不同提离值下的漏磁信号径向分量分布。
Step 5：提取不同提离值下漏磁信号径向分量分布。
Step 6：提取径向分量峰值Bx-max，绘制Bx-max随提离值变化散点图。
Step 7：本案例采用指数拟合的拟合方式，对Step 6中所得散点图进行拟合，获得拟合参量。
曲线采用指数拟合方式，同时采用Levenberg-Marquardt算法(列文伯格-马夸尔特法，简称L-M算法，是一种非线性回归中的最小二乘法的优化算法)进行优化，得到如图4所示结果(部分)。
Step 8：将不同缺陷的拟合参量作为输入量，缺陷参数作为输出量，采用神经网络算法进行机器学习，学习后系统自动输出的缺陷参数如图5所示。
Step 9：对学习后的结果进行验证，保证学习效果。
Step 10：预制其他参数的缺陷，并进行模拟计算。
Step 11：采用Step7中所用方程进行拟合，获得拟合参量。
Step 12：将拟合参量带入学习结果中，系统自动输出缺陷参数，完成缺陷量化。
对于Step 10～Step 12，本案例随机选取了5组缺陷带入训练结果进行反演，得到的结果如下表1所示。
表1随机缺陷量化分析表
通过表1可以看出，此种缺陷量化方法的精确度较高，绝对误差和相对误差都比较小，说明此种方法的置信度较高，具有可行性。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。
Claims (8)
1.一种管道缺陷量化分析方法，其特征在于：包括以下步骤：
Step 1：构建磁化器模型，通过调节磁化器参数使管道达到饱和；
Step 2：对不同参数缺陷下的漏磁场分布进行仿真模拟，提取不同提离值x下磁通密度径向分量并提取径向分量峰值Bx-max；
Step 3：将Step 2中获得的径向分量峰值Bx-max随提离值x的变化散点图进行拟合，获得拟合参量；
Step 4：采用神经网络算法，构建缺陷参数和拟合参量之间关系，进行量化分析。
2.根据权利要求1所述的方法，其特征在于：在Step 1中，判断管道是否被磁化到饱和的方法为：以无缺陷模型为基准进行仿真计算，提取管道中心位置的磁通密度值并和管道材质的B-H曲线进行比较；当中心位置的磁通密度值达到该管材B-H曲线的饱和点时，管道磁化即达到饱和。
3.根据权利要求1所述的方法，其特征在于：在Step 3中，根据漏磁信号随提离值变化的散点图，获得拟合曲线参数的方法，具体步骤为：
Step 3.1：对于某一确定缺陷，作出Bx-max随提离值x变化的散点图；
Step 3.2：采用指数拟合的方法，拟合方程为：
y＝A+Bexp(C·x)
其中A、B和C为拟合参量，y为磁通密度径向分量峰值Bx-max。
4.根据权利要求1所述的方法，其特征在于：在Step 4中，采用神经网络算法构建缺陷参数和拟合参量之间的关系，其具体步骤为：
Step 4.1：将拟合参量作为输入量，缺陷参数作为输出量；
Step 4.2：采用神经网络算法对输入样本数据进行训练；
Step 4.3：训练完成后，将原始数据作为输入量输入，并获得机器学习后的输出结果，通过与实际输出结果进行对比，以验证学习效果；
Step 4.4：随机给定缺陷参数进行仿真，并获得拟合参量，将数据作为输入量输入，并获得机器学习获得输出结果，和实际输出结果进行比对，进行缺陷量化分析。
5.根据权利要求1所述的方法，其特征在于：在Step 2中，预制缺陷为半椭圆形腐蚀凹坑，采用凹坑直径L和凹坑深度D来表征缺陷参数。
6.根据权利要求3所述的方法，其特征在于：在Step 3.1中，磁通密度径向分量曲线为一正一负中心对称的两峰值，提取正向峰值Bx-max_1和负向峰值Bx-max_2，并求其平均值，计算Bx-max。
7.根据权利要求3所述的方法，其特征在于：拟合方法还包括幂函数拟合或二次拟合，其中，
幂函数拟合公式为：
y＝AxB
二次拟合公式为：
y＝A+Bx+Cx2。
8.根据权利要求1所述的方法，其特征在于：在Step 1中，所述磁化器参数包括：磁铁矫顽力、磁铁长度、磁铁宽度、磁铁厚度及磁极间距。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110256433.3A CN113049676A (zh) | 2021-03-09 | 2021-03-09 | 一种管道缺陷量化分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110256433.3A CN113049676A (zh) | 2021-03-09 | 2021-03-09 | 一种管道缺陷量化分析方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113049676A true CN113049676A (zh) | 2021-06-29 |
Family
ID=76510687
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110256433.3A Pending CN113049676A (zh) | 2021-03-09 | 2021-03-09 | 一种管道缺陷量化分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113049676A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115062515A (zh) * | 2022-06-23 | 2022-09-16 | 中国矿业大学 | 一种管道壁厚、焊缝余高及缺陷尺寸的量化方法 |
| CN115096987A (zh) * | 2022-06-24 | 2022-09-23 | 合肥工业大学 | 一种基于漏磁信号特征的管道缺陷量化方法 |
| CN115266907A (zh) * | 2022-07-26 | 2022-11-01 | 合肥工业大学 | 基于遗传算法的管道漏磁检测传感器初始提离值寻优方法 |
| CN118483316A (zh) * | 2024-07-10 | 2024-08-13 | 西安金时利和自动化工程有限公司 | 一种油气管道漏磁内检测内外缺陷的识别方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2012247194A (ja) * | 2011-05-25 | 2012-12-13 | National Institute Of Advanced Industrial & Technology | 漏洩磁束密度計測による欠陥評価方法 |
| CN104514987A (zh) * | 2014-12-19 | 2015-04-15 | 清华大学 | 管道三维漏磁成像缺陷量化方法 |
| 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 |
| CN111337566A (zh) * | 2020-02-25 | 2020-06-26 | 清华大学 | 漏磁检测缺陷边沿识别的方法 |
| US20200210826A1 (en) * | 2018-12-29 | 2020-07-02 | Northeastern University | Intelligent analysis system using magnetic flux leakage data in pipeline inner inspection |
-
2021
- 2021-03-09 CN CN202110256433.3A patent/CN113049676A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2012247194A (ja) * | 2011-05-25 | 2012-12-13 | National Institute Of Advanced Industrial & Technology | 漏洩磁束密度計測による欠陥評価方法 |
| CN104514987A (zh) * | 2014-12-19 | 2015-04-15 | 清华大学 | 管道三维漏磁成像缺陷量化方法 |
| 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 |
| US20200210826A1 (en) * | 2018-12-29 | 2020-07-02 | Northeastern University | Intelligent analysis system using magnetic flux leakage data in pipeline inner inspection |
| CN111337566A (zh) * | 2020-02-25 | 2020-06-26 | 清华大学 | 漏磁检测缺陷边沿识别的方法 |
Non-Patent Citations (3)
| Title |
|---|
| CARVALHO A.A. ET AL.: "MFL signals and artificial neural networks applied to detection and classification of pipe weld defects", 《NDT & E INTERNATIONAL》, vol. 39, no. 8, pages 661 - 667, XP025109704, DOI: 10.1016/j.ndteint.2006.04.003 * |
| 吴欣怡 等: "基于漏磁检测的缺陷量化方法", 《电测与仪表》, vol. 45, no. 5, pages 3 * |
| 郑彪华 等: "管道缺陷漏磁检测的三维有限元仿真分析", 《中国安全科学学报》, vol. 23, no. 12, pages 1 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115062515A (zh) * | 2022-06-23 | 2022-09-16 | 中国矿业大学 | 一种管道壁厚、焊缝余高及缺陷尺寸的量化方法 |
| CN115062515B (zh) * | 2022-06-23 | 2023-09-12 | 中国矿业大学 | 一种管道壁厚、焊缝余高及缺陷尺寸的量化方法 |
| CN115096987A (zh) * | 2022-06-24 | 2022-09-23 | 合肥工业大学 | 一种基于漏磁信号特征的管道缺陷量化方法 |
| CN115096987B (zh) * | 2022-06-24 | 2024-04-26 | 合肥工业大学 | 一种基于漏磁信号特征的管道缺陷量化方法 |
| CN115266907A (zh) * | 2022-07-26 | 2022-11-01 | 合肥工业大学 | 基于遗传算法的管道漏磁检测传感器初始提离值寻优方法 |
| CN115266907B (zh) * | 2022-07-26 | 2024-04-19 | 合肥工业大学 | 基于遗传算法的管道漏磁检测传感器初始提离值寻优方法 |
| CN118483316A (zh) * | 2024-07-10 | 2024-08-13 | 西安金时利和自动化工程有限公司 | 一种油气管道漏磁内检测内外缺陷的识别方法 |
| CN118483316B (zh) * | 2024-07-10 | 2024-09-13 | 西安金时利和自动化工程有限公司 | 一种油气管道漏磁内检测内外缺陷的识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113049676A (zh) | 一种管道缺陷量化分析方法 | |
| Liu et al. | The axial crack testing model for long distance oil-gas pipeline based on magnetic flux leakage internal inspection method | |
| Kim et al. | A study on the measurement of axial cracks in the magnetic flux leakage NDT system | |
| Kandroodi et al. | Defect detection and width estimation in natural gas pipelines using MFL signals | |
| CN115062515B (zh) | 一种管道壁厚、焊缝余高及缺陷尺寸的量化方法 | |
| Chen et al. | Three-dimensional defect reconstruction from magnetic flux leakage signals in pipeline inspection based on a dynamic taboo search procedure | |
| Zhang et al. | Analysis of MFL model for sucker rod defects and its MFL signal processing | |
| Li et al. | Defect profile reconstruction from MFL signals based on a specially-designed genetic taboo search algorithm | |
| CN117934959A (zh) | 一种管道环焊缝缺陷信号图像的分类识别算法 | |
| Chen | 3-D defect profile reconstruction from magnetic flux leakage signals in pipeline inspection using a hybrid inversion method | |
| Li et al. | Induced circumferential current for transverse crack detection on a pipe string | |
| Long et al. | Internal and external defects discrimination of pipelines using composite magnetic flux leakage detection | |
| Azizzadeh et al. | Design and manufacturing of the magnetic flux leakage inspection system for detection of pitting corrosion in gas pipelines | |
| CN113092572B (zh) | 一种管道达到磁饱和所需磁化强度的确定方法 | |
| CN112231911B (zh) | 一种海底管道仿真设计方法 | |
| Liu et al. | Study on local magnetization of magnetic flux leakage testing for storage tank floors | |
| Jiang | Study of underground oil-gas pipeline corrosion pits estimation based on MFL inspection method | |
| CN106770627B (zh) | 一种轴向漏磁信号长度量化方法 | |
| Cui et al. | Magnetic leakage internal detection device and series-parallel detection method for small diameter ferromagnetic spiral heat exchanger tubes | |
| Zhou et al. | Structural optimization and simulation of a magnetic leak detection device for streak-like defects in oil pipes | |
| Sun et al. | High-speed MFL method and apparatus based on orthogonal magnetisation for steel pipe | |
| CN115096987B (zh) | 一种基于漏磁信号特征的管道缺陷量化方法 | |
| Huang et al. | A Method for Identifying Inclined Defects by Using Magnetic Flux Leakage Spectral Envelope Detection | |
| Yang et al. | ANSYS simulation analysis of the tri-axial pipeline magnetic flux leakage in-line inspection | |
| Chen et al. | Reconstruction of arbitrary defect profiles from three-axial MFL signals based on metaheuristic optimization method |
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 |