CN114993928B - 一种杂散电流腐蚀下的埋地管道涂层缺陷定位装置及方法 - Google Patents
一种杂散电流腐蚀下的埋地管道涂层缺陷定位装置及方法 Download PDFInfo
- Publication number
- CN114993928B CN114993928B CN202210586104.XA CN202210586104A CN114993928B CN 114993928 B CN114993928 B CN 114993928B CN 202210586104 A CN202210586104 A CN 202210586104A CN 114993928 B CN114993928 B CN 114993928B
- Authority
- CN
- China
- Prior art keywords
- corrosion
- buried pipeline
- electrode
- pipeline
- stray current
- 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.)
- Active
Links
- 238000005260 corrosion Methods 0.000 title claims abstract description 69
- 230000007797 corrosion Effects 0.000 title claims abstract description 66
- 230000007547 defect Effects 0.000 title claims abstract description 42
- 239000011248 coating agent Substances 0.000 title claims abstract description 41
- 238000000576 coating method Methods 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000012360 testing method Methods 0.000 claims abstract description 53
- 239000002245 particle Substances 0.000 claims abstract description 46
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 24
- 229910000975 Carbon steel Inorganic materials 0.000 claims abstract description 21
- 239000010962 carbon steel Substances 0.000 claims abstract description 21
- 229910002804 graphite Inorganic materials 0.000 claims abstract description 17
- 239000010439 graphite Substances 0.000 claims abstract description 17
- 239000002689 soil Substances 0.000 claims abstract description 17
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims abstract description 16
- 238000005457 optimization Methods 0.000 claims abstract description 9
- 238000001453 impedance spectrum Methods 0.000 claims abstract description 6
- FAPWRFPIFSIZLT-UHFFFAOYSA-M Sodium chloride Chemical compound [Na+].[Cl-] FAPWRFPIFSIZLT-UHFFFAOYSA-M 0.000 claims description 36
- 210000002569 neuron Anatomy 0.000 claims description 22
- 239000011780 sodium chloride Substances 0.000 claims description 18
- 239000000243 solution Substances 0.000 claims description 18
- 229910052751 metal Inorganic materials 0.000 claims description 15
- 239000002184 metal Substances 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 239000004576 sand Substances 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 7
- 229910000831 Steel Inorganic materials 0.000 claims description 6
- 239000002390 adhesive tape Substances 0.000 claims description 6
- 239000008151 electrolyte solution Substances 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 6
- 239000010959 steel Substances 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000005530 etching Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000011068 loading method Methods 0.000 claims description 4
- 239000004698 Polyethylene Substances 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 239000007864 aqueous solution Substances 0.000 claims description 3
- 239000003822 epoxy resin Substances 0.000 claims description 3
- 238000002156 mixing Methods 0.000 claims description 3
- 229920000647 polyepoxide Polymers 0.000 claims description 3
- -1 polyethylene Polymers 0.000 claims description 3
- 229920000573 polyethylene Polymers 0.000 claims description 3
- 238000010998 test method Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000004807 localization Effects 0.000 description 2
- 238000005086 pumping Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003487 electrochemical reaction Methods 0.000 description 1
- 238000006056 electrooxidation reaction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N17/00—Investigating resistance of materials to the weather, to corrosion, or to light
- G01N17/02—Electrochemical measuring systems for weathering, corrosion or corrosion-protection measurement
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental & Geological Engineering (AREA)
- Environmental Sciences (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
- Testing Resistance To Weather, Investigating Materials By Mechanical Methods (AREA)
Abstract
本发明公开了一种杂散电流腐蚀下的埋地管道涂层缺陷定位装置及方法，涂层缺陷定位装置包括：埋地管道、绝缘法兰、参比电极、辅助电极、阻抗分析仪、工业计算机、碳钢试片、可控直流电源、石墨电极、水泵、腐蚀参数显示终端、土壤电阻率检测仪、绝缘支撑架、腐蚀箱、电感元件；预测方法包括以下步骤：在各种杂散电流腐蚀条件下完成交流阻抗谱测试；获取腐蚀参数数据建立预测数据集；构建基于粒子群优化的极限学习机的预测模型；将测试数据集输入到预测模型中完成涂层缺陷定位。该方法简单易操作，可以对埋地管道涂层缺陷快速定位，提高检测效率，在埋地管道完整性检测方面具有重要的应用价值。
Description
技术领域
本发明涉及一种杂散电流腐蚀下的埋地管道涂层缺陷定位装置及方法，尤其是一种适用于地铁周围环境的埋地管道涂层缺陷定位装置及方法。
背景技术
城市的建设和发展需要铺设大量的埋地管道来保证城市的资源需求。同时，许多城市为了缓解交通堵塞问题开通了多条地铁线路，很多地铁线路在规划的限制条件下与埋地管道铺设线路重合。由于地铁的牵引电流较大，在运行过程中有部分牵引电流从轨道泄露，形成的杂散电流通过埋地管道的破损涂层流入或流出管道金属基体，发生的电化学反应使涂层破损处产生金属腐蚀，长期的电化学腐蚀甚至会导致埋地管道穿孔泄露事故，因此，保证埋地管道的完整性是一项极其重要的安全工作。
发现埋地管道的涂层缺陷并定位修复可以提前消除安全隐患，然而现有的缺陷定位技术需要检测工人在埋地管道沿线上步行巡检，这种定位方式不仅效率低下，需要大量的工作人员和时间进行定位检测，而且在一些复杂的地形条件下，如沟渠、河流或是存在障碍物的检测线路，无法实现巡线检测。因此，需要一种可靠且高效的新型涂层缺陷定位手段，以达到提高定位效率和克服地形限制条件的要求。
发明内容
针对上述现有技术存在的问题，本发明提供一种杂散电流腐蚀下的埋地管道涂层缺陷定位装置及方法，该方法可以在杂散电流腐蚀的环境下，快速可靠地定位埋地管道涂层缺陷，提高管道完整性的检测效率。
为了达到上述目的，本发明的一种杂散电流腐蚀下的埋地管道涂层缺陷定位装置，包括埋地管道(1)、阻抗分析仪(5)、辅助电极(4)、参比电极(3)、石墨电极(9)、碳钢试片(7)、可控直流电源(8)、水泵(10)、腐蚀参数显示终端(11)、土壤电阻率检测仪(12)及工业计算机(6)；埋地管道(1)埋设在腐蚀介质中，碳钢试片(7)与埋地管道(1)通过导线连接以模拟金属基体的涂层缺陷，阻抗分析仪(5)的输入端分别与辅助电极(4)、参比电极(3)连接，阻抗分析仪(5)的输入端还通过电感元件(15)和埋地管道(1)的金属基体连接构成三电极测点，测点位于管道端部位置，阻抗分析仪(5)的输出端与工业计算机(6)连接用于输出测试数据，可控直流电源(8)的正极与埋地管道(1)的一端相连，负极与石墨电极(9)相连，可控直流电源(8)根据工业计算机(6)的控制信号模拟施加杂散电流，水泵(10)的入水口与电解质溶液池和水池相连，出水口伸入腐蚀介质中以向其中泵入电解质溶液，腐蚀参数显示终端(11)与土壤电阻率检测仪(12)连接，土壤电阻率检测仪(12)采用四电极法测试腐蚀介质的电阻率并将数据传输至腐蚀参数显示终端(11)。
进一步的，所述的埋地管道(1)为聚乙烯防腐胶带保护的1m长Q235钢质管道，通过绝缘胶带将导线固定在埋地管道(1)的金属基体和碳钢试片(7)上，碳钢试片(7)是长为10mm、宽为10mm、高为5mm的长方体Q235钢材，将10mm×10mm的一个横截面作为腐蚀面暴露在腐蚀介质中，其余面被环氧树脂覆盖，埋地管道(1)两端连接绝缘法兰(2)以在交流阻抗谱测试时隔绝测试信号。
进一步的，所述的可控直流电源(8)正极在轴向上距离埋地管道(1)端部10cm处与管道连接，负极与石墨电极(9)相连，石墨电极(9)在轴向距离管道另一端10cm，石墨电极(9)的末端与管道相距20cm，可控直流电源(8)向埋地管道(1)注入模拟杂散电流，工业计算机(6)根据地铁现场实际杂散电流的波动性和周期性控制外加电流信号的波形和加载时间。
进一步的，所述的阻抗分析仪(5)通过电感元件(15)与埋地管道(1)金属基体的连接构成工作电极，连接点距离管道端部20cm，参比电极(3)和辅助电极(4)的末端与管道相距10cm，阻抗分析仪(5)通过辅助电极(4)向埋地管道(1)施加正弦输入信号，信号的频率从10-2Hz增加至105Hz，通过参比电极(4)采集响应信号，通过计算响应信号与输入信号的比值获取阻抗数据。
进一步的，所述的腐蚀介质为含有氯化钠溶液的细沙，水泵(10)通过控制氯化钠溶液和水溶液的混合比例向腐蚀箱(14)内的细沙泵入不同浓度的氯化钠溶液。
一种使用一种杂散电流腐蚀下的埋地管道涂层缺陷定位装置的定位方法，其特征在于，具体步骤如下：
步骤1：将碳钢试片分别在距离工作电极连接点15cm、30cm、45cm、60cm位置处与埋地管道相连，测试时记录每组数据碳钢试片所处的位置s＝{s1，s2，s3，…，sn}，由水泵向腐蚀箱内的细沙均匀泵入氯化钠溶液，氯化钠浓度分别设置为0.1mol/L、0.2mol/L、0.3mol/L,测试时记录每组数据的氯化钠浓度c＝{c1，c2，c3，…，cn}，通过可控直流电源向埋地管道施加模拟杂散电流，外加杂散电流分别设置为0.05A、0.1A、0.2A，测试时记录每组数据的杂散电流和腐蚀时间/> 读取腐蚀参数显示终端记录的土壤电阻率/>
步骤2：在腐蚀时间的间隔内通过阻抗分析仪获取在各种腐蚀条件下的交流阻抗数据，并将数据传输至工业计算机，绘制对应的Bode-|Z|图，在低频范围内(10-2～102Hz)提取特定频率下阻抗模数据|Z|＝{|Z|1，|Z|2，|Z|3，…，|Z|n}，所述特定频率对应的阻抗模与杂散电流腐蚀参数和涂层缺陷位置具有映射关系；
步骤3：建立涂层缺陷位置的预测数据集D，输入端包括5个变量，分别为阻抗模|Z|、腐蚀时长tcorr、杂散电流密度is、氯化钠浓度c和土壤电阻率Rcorr，目标变量为涂层缺陷位置s；
步骤4：建立基于极限学习机的预测模型，隐含层神经元数量为L，通过粒子群算法优化神经元之间的连接权重和各神经元的偏置，主要包括三个部分：输入层至隐含层之间的输入权重隐含层至输出层之间的输出权重/>隐含层神经元的偏置bi＝{b1,b2,…,bL}；
步骤5：构建基于粒子群优化的极限学习机腐蚀位置预测模型，将测试数据集Ptest输入到预测模型中，实现杂散电流腐蚀下埋地管道涂层缺陷的高效定位。
进一步的，所述步骤4中通过粒子群算法优化神经元之间的连接权重和各神经元的偏置，具体过程如下：
步骤11：将预测数据集D中的数据根据70％和30％比例分别划分为训练集Ptrain和测试集Ptest,，归一化处理所有数据；
步骤12：初始化输入层至隐含层之间的输入权重隐含层至输出层之间的输出权重/>和隐含层神经元的偏置bi，选择激活函数，建立初始极限学习机结构；
步骤13：初始化粒子种群，基于优化参数对种群粒子编码；
步骤14：更新粒子的速度和位置；
步骤15：将误差平方和作为粒子群算法的适应度函数，基于极限学习机训练过程的输出值计算每个粒子的适应度值；
步骤16：根据粒子的适应度值，寻找粒子个体最优位置和群体最优位置Gbestt，获得粒子各个维度位置的最优解，基于最优解的连接权重和偏置建立极限学习机；
步骤17：判断是否达到最大迭代次数，若达到，则停止迭代，获取经过粒子群优化的极限学习机输入层至隐含层之间的输入权重隐含层至输出层之间的输出权重/>和隐含层神经元的偏置bi，若没达到，转到步骤14继续迭代。
有益效果：本发明能够基于交流阻抗谱测试技术建立埋地管道涂层缺陷位置预测数据集，利用粒子群算法优化极限学习机的连接权重和偏置，提高预测模型的精度，从而建立杂散电流腐蚀参数与缺陷位置的映射关系，该方法简单快捷且具有较高的准确性，能够有效定位埋地管道的涂层缺陷，为地铁现场的埋地管道完整性检测提供了新的方法。
附图说明
为了更清楚的说明本发明实施例或现有技术的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做简单的介绍，显而易见的，下面描述中的附图仅仅是本发明的一些实施例，对于本领域中的普通技术人员来说，在不付出创造性劳动的前提下，还可根据这些附图获得其他附图。
图1是本发明中的埋地管道涂层缺陷定位实验台；
图2是本发明中的地铁杂散电流模拟加载电流的波形图；
图3是本发明中的基于智能算法的埋地管道涂层缺陷定位方法的流程图；
图4是本发明中的基于粒子群算法的极限学习机模型优化流程图；
图中：1-埋地管道；2-绝缘法兰；3-参比电极；4-辅助电极；5-阻抗分析仪；6-工业计算机；7-碳钢试片；8-可控直流电源；9-石墨电极；10-水泵；11-腐蚀参数显示终端；12-土壤电阻率检测仪；13-绝缘支撑架；14-腐蚀箱；15-电感元件。
具体实施方案
下面结合附图对本发明作进一步详细说明。
如图1所示，一种杂散电流腐蚀下的埋地管道涂层缺陷定位装置，其组成包括：埋地管道1；绝缘法兰2；参比电极3；辅助电极4；阻抗分析仪5；工业计算机6；碳钢试片7；可控直流电源8；石墨电极9；水泵10；腐蚀参数显示终端11；土壤电阻率检测仪12；绝缘支撑架13；腐蚀箱14；电感元件15，埋地管道1埋设在腐蚀介质中通过绝缘支撑架13固定两端的绝缘法兰2，碳钢试片7与埋地管道1通过导线连接模拟金属基体的涂层缺陷，阻抗分析仪5的输入端与辅助电极4、参比电极3和埋地管道1的金属基体连接构成三电极测点，测点位于管道端部位置，阻抗分析仪5的输出端与工业计算机6连接用于输出测试数据，可控直流电源8的正极与埋地管道的一端相连，负极与石墨电极9相连，可控直流电源8根据工业计算机6的控制信号模拟施加杂散电流，水泵10的入水口与电解质溶液池和水池相连，出水口与从腐蚀箱14顶端伸入，向其中泵入电解质溶液，腐蚀参数显示终端11与土壤电阻率检测仪12连接，土壤电阻率检测仪12采用四电极法测试腐蚀介质的电阻率并将数据传输至腐蚀参数显示终端11；
所述的埋地管道1为聚乙烯防腐胶带保护的1m长Q235钢质管道，通过绝缘胶带将导线固定在埋地管道1的金属基体和碳钢试片7上，碳钢试片7是长为10mm、宽为10mm、高为5mm的长方体Q235钢材，将10mm×10mm的一个横截面作为腐蚀面暴露在腐蚀介质中，其余面被环氧树脂覆盖，埋地管道1两端连接的绝缘法兰2在交流阻抗谱测试时隔绝测试信号以防止信号衰减导致测试结果失真；
所述的可控直流电源8正极在纵向上距离埋地管道1端部10cm处与管道连接，负极与石墨电极9相连，石墨电极9在纵向上距离管道另一端10cm，石墨电极9的末端在深度上与管道相距20cm，可控直流电源8向埋地管道1注入模拟杂散电流，工业计算机6根据地铁现场实际杂散电流的波动性和周期性控制外加电流信号的波形和加载时间，如图2所示；
所述的阻抗分析仪5通过电感元件15与埋地管道1金属基体的连接构成工作电极，电感元件在测试时具有滤除干扰电流的作用，连接点距离管道端部20cm，参比电极3和辅助电极4的末端在深度上与管道相距10cm，阻抗分析仪5通过辅助电极4向埋地管道1施加正弦输入信号，信号的频率从10-2Hz增加至105Hz，通过参比电极4采集响应信号，通过计算响应信号与输入信号的比值获取阻抗数据；
所述的腐蚀介质为含有氯化钠溶液的细沙，水泵10通过控制氯化钠溶液和水溶液的混合比例向腐蚀箱14内的细沙泵入不同浓度的氯化钠溶液；
请参见图3，一种使用杂散电流腐蚀下的埋地管道涂层缺陷定位装置的定位方法，步骤如下：
步骤1：将碳钢试片分别在距离工作电极连接点15cm、30cm、45cm、60cm位置处与埋地管道相连，测试时记录每组数据碳钢试片所处的位置s＝{s1，s2，s3，…，sn}，由水泵向腐蚀箱内的细沙均匀泵入氯化钠溶液，氯化钠浓度分别设置为0.1mol/L、0.2mol/L、0.3mol/L,测试时记录每组数据的氯化钠浓度c＝{c1，c2，c3，…，cn}，,通过可控直流电源向埋地管道施加模拟杂散电流，外加杂散电流分别设置为0.05A、0.1A、0.2A，测试时记录每组数据的杂散电流和腐蚀时间/> 读取腐蚀参数显示终端记录的土壤电阻率/>
步骤2：在腐蚀时间的间隔内通过阻抗分析仪获取在各种腐蚀条件下的交流阻抗数据，并将数据传输至工业计算机，绘制对应的Bode-|Z|图，在低频范围内(10-2～102Hz)提取特定频率下阻抗模数据|Z|＝{|Z|1，|Z|2，|Z|3，…，|Z|n}，所述特定频率对应的阻抗模与杂散电流腐蚀参数和涂层缺陷位置具有映射关系；
步骤3：建立涂层缺陷位置的预测数据集D，输入端包括5个变量，分别为阻抗模|Z|、腐蚀时长tcorr、杂散电流密度is、氯化钠浓度c和土壤电阻率Rcorr，目标变量为涂层缺陷位置s；
步骤4：建立基于极限学习机的预测模型，隐含层神经元数量为L，通过粒子群算法优化神经元之间的连接权重和各神经元的偏置，主要包括三个部分：输入层至隐含层之间的输入权重隐含层至输出层之间的输出权重/>隐含层神经元的偏置bi＝{b1,b2,…,bL}；
步骤5：构建基于粒子群优化的极限学习机涂层缺陷位置预测模型，将测试数据集Ptest输入到预测模型中，实现杂散电流腐蚀下埋地管道涂层缺陷的高效定位；
步骤4中的粒子群算法优化具体包括以下步骤：
请参见图4，步骤11：将预测数据集D中的数据根据70％和30％比例分别划分为训练集Ptrain和测试集Ptest，归一化处理所有数据；
步骤12：初始化输入层至隐含层之间的输入权重隐含层至输出层之间的输出权重/>和隐含层神经元的偏置，选择激活函数，建立初始极限学习机结构,极限学习机输出函数为：
其中：xj为第j个输入变量；
步骤13：初始化粒子种群，种群规模m＝20，基于优化参数对种群粒子编码，具体为：
其中：pk为种群中第k个粒子的编码；
步骤14：更新粒子的速度和位置，粒子更新公式为：
其中：为当前粒子k在第t次迭代的速度，/>为当前粒子k在第t次迭代的位置，c1和c2为加速系数，c1＝c2＝2，rand(0,1)为介于0和1之间的随机数，ωt为第t次迭代的惯性因子，ωstart为初始惯性权重，ωstart＝0.9，ωend为最大迭代次数的惯性权重，ωend＝0.4，Gt为最大迭代次数,Gt＝500,/>是为当前粒子k在第t次迭代的最优位置，Gbestt是所有粒子第t次迭代的最优位置；
步骤15：将误差平方和作为粒子群算法的适应度函数，基于极限学习机训练过程的输出值计算每个粒子的适应度值，计算公式为：
其中：y′i为涂层缺陷位置预测值，yi为涂层缺陷位置实际值,n为数据集样本数；
步骤16：根据粒子的适应度值，寻找粒子个体最优位置和群体最优位置Gbestt，获得粒子各个维度位置的最优解，基于最优解的连接权重和偏置建立极限学习机，个体最优位置/>和群体最优位置Gbestt的确定公式为：
步骤17：判断是否达到最大迭代次数，若达到，则停止迭代，获取经过粒子群优化的极限学习机输入层至隐含层之间的输入隐含层至输出层之间的输出权重/>和隐含层神经元的偏置bi，若没达到，转到步骤4继续迭代；
本发明能够基于交流阻抗谱测试技术建立埋地管道涂层缺陷位置预测数据集，利用粒子群算法优化极限学习机的连接权重和偏置，提高预测模型的精度和性能，从而建立杂散电流腐蚀参数与缺陷位置的映射关系，该方法简单快捷且具有较高的准确性，能够有效定位埋地管道的涂层缺陷，为地铁现场埋地管道的完整性检测提供了新的手段。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现和使用本发明。对这些实施例的多种修改方式对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神和范围的情况下，在其他实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (3)
1.一种杂散电流腐蚀下的埋地管道涂层缺陷定位装置，其特征在于，包括埋地管道(1)、阻抗分析仪(5)、辅助电极(4)、参比电极(3)、石墨电极(9)、碳钢试片(7)、可控直流电源(8)、水泵(10)、腐蚀参数显示终端(11)、土壤电阻率检测仪(12)及工业计算机(6)；埋地管道(1)埋设在腐蚀介质中，碳钢试片(7)与埋地管道(1)通过导线连接以模拟金属基体的涂层缺陷，阻抗分析仪(5)的输入端分别与辅助电极(4)、参比电极(3)连接，阻抗分析仪(5)的输入端还通过电感元件(15)和埋地管道(1)的金属基体连接构成三电极测点，测点位于管道端部位置，阻抗分析仪(5)的输出端与工业计算机(6)连接用于输出测试数据，可控直流电源(8)的正极与埋地管道(1)的一端相连，负极与石墨电极(9)相连，可控直流电源(8)根据工业计算机(6)的控制信号模拟施加杂散电流，水泵(10)的入水口与电解质溶液池和水池相连，出水口伸入腐蚀介质中以向其中泵入电解质溶液，腐蚀参数显示终端(11)与土壤电阻率检测仪(12)连接，土壤电阻率检测仪(12)采用四电极法测试腐蚀介质的电阻率并将数据传输至腐蚀参数显示终端(11)；
所述的埋地管道(1)为聚乙烯防腐胶带保护的1m长Q235钢质管道，通过绝缘胶带将导线固定在埋地管道(1)的金属基体和碳钢试片(7)上，碳钢试片(7)是长为10mm、宽为10mm、高为5mm的长方体Q235钢材，将10mm×10mm的一个横截面作为腐蚀面暴露在腐蚀介质中，其余面被环氧树脂覆盖，埋地管道(1)两端连接绝缘法兰(2)以在交流阻抗谱测试时隔绝测试信号；
所述的可控直流电源(8)正极在轴向上距离埋地管道(1)端部10cm处与管道连接，负极与石墨电极(9)相连，石墨电极(9)在轴向距离管道另一端10cm，石墨电极(9)的末端与管道相距20cm，可控直流电源(8)向埋地管道(1)注入模拟杂散电流，工业计算机(6)根据地铁现场实际杂散电流的波动性和周期性控制外加电流信号的波形和加载时间；
所述的阻抗分析仪(5)通过电感元件(15)与埋地管道(1)金属基体的连接构成工作电极，连接点距离管道端部20cm，参比电极(3)和辅助电极(4)的末端与管道相距10cm，阻抗分析仪(5)通过辅助电极(4)向埋地管道(1)施加正弦输入信号，信号的频率从10-2Hz增加至105Hz，通过参比电极(4)采集响应信号，通过计算响应信号与输入信号的比值获取阻抗数据；
所述的腐蚀介质为含有氯化钠溶液的细沙，水泵(10)通过控制氯化钠溶液和水溶液的混合比例向腐蚀箱(14)内的细沙泵入不同浓度的氯化钠溶液。
2.一种使用如权利要求1所述的一种杂散电流腐蚀下的埋地管道涂层缺陷定位装置的定位方法，其特征在于，具体步骤如下：
步骤1：将碳钢试片(7)分别在距离工作电极连接点15cm、30cm、45cm、60cm位置处与埋地管道(1)相连，测试时记录每组数据碳钢试片(7)所处的位置s＝{s1，s2，s3，...，sn}，由水泵(10)向腐蚀箱内的细沙均匀泵入氯化钠溶液，氯化钠浓度分别设置为0.1mol/L、0.2mol/L、0.3mol/L,测试时记录每组数据的氯化钠浓度c＝{c1，c2，c3，…，cn}，通过可控直流电源向埋地管道施加模拟杂散电流，外加杂散电流分别设置为0.05A、0.1A、0.2A，测试时记录每组数据的杂散电流 和腐蚀时间/>读取腐蚀参数显示终端记录的土壤电阻率/>
步骤2：在腐蚀时间的间隔内通过阻抗分析仪获取在各种腐蚀条件下的交流阻抗数据，并将数据传输至工业计算机，绘制对应的Bode-|Z|图，在低频范围内(10-2～102Hz)提取特定频率下阻抗模数据|Z|＝{|Z|1，|Z|2，|Z|3，…，|Z|n}，所述特定频率对应的阻抗模与杂散电流腐蚀参数和涂层缺陷位置具有映射关系；
步骤3：建立涂层缺陷位置的预测数据集D，输入端包括5个变量，分别为阻抗模|Z|、腐蚀时长tcorr、杂散电流密度is、氯化钠浓度c和土壤电阻率Rcorr，目标变量为涂层缺陷位置s；
步骤4：建立基于极限学习机的预测模型，隐含层神经元数量为L，通过粒子群算法优化神经元之间的连接权重和各神经元的偏置，主要包括三个部分：输入层至隐含层之间的输入权重隐含层至输出层之间的输出权重/>隐含层神经元的偏置bi＝{b1,b2,…,bL}；
步骤5：构建基于粒子群优化的极限学习机腐蚀位置预测模型，将测试数据集Ptest输入到预测模型中，实现杂散电流腐蚀下埋地管道涂层缺陷的高效定位。
3.根据权利要求2所述的定位方法，其特征在于，所述步骤4中通过粒子群算法优化神经元之间的连接权重和各神经元的偏置，具体过程如下：
步骤11：将预测数据集D中的数据根据70％和30％比例分别划分为训练集Ptrain和测试集Ptest，归一化处理所有数据；
步骤12：初始化输入层至隐含层之间的输入权重隐含层至输出层之间的输出权重/>和隐含层神经元的偏置bi，选择激活函数，建立初始极限学习机结构；
步骤13：初始化粒子种群，基于优化参数对种群粒子编码；
步骤14：更新粒子的速度和位置；
步骤15：将误差平方和作为粒子群算法的适应度函数，基于极限学习机训练过程的输出值计算每个粒子的适应度值；
步骤16：根据粒子的适应度值，寻找粒子个体最优位置和群体最优位置Gbestt，获得粒子各个维度位置的最优解，基于最优解的连接权重和偏置建立极限学习机；
步骤17：判断是否达到最大迭代次数，若达到，则停止迭代，获取经过粒子群优化的极限学习机输入层至隐含层之间的输入权重隐含层至输出层之间的输出权重/>和隐含层神经元的偏置bi，若没达到，转到步骤14继续迭代。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210586104.XA CN114993928B (zh) | 2022-05-26 | 2022-05-26 | 一种杂散电流腐蚀下的埋地管道涂层缺陷定位装置及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210586104.XA CN114993928B (zh) | 2022-05-26 | 2022-05-26 | 一种杂散电流腐蚀下的埋地管道涂层缺陷定位装置及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114993928A CN114993928A (zh) | 2022-09-02 |
| CN114993928B true CN114993928B (zh) | 2024-04-19 |
Family
ID=83029153
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210586104.XA Active CN114993928B (zh) | 2022-05-26 | 2022-05-26 | 一种杂散电流腐蚀下的埋地管道涂层缺陷定位装置及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114993928B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1456879A (zh) * | 2003-03-18 | 2003-11-19 | 天津大学 | 阴极保护管道的管地电位和地表电位综合检测方法及装置 |
| JP2008297600A (ja) * | 2007-05-31 | 2008-12-11 | Jfe Engineering Kk | 電気防食方法 |
| CN102313696A (zh) * | 2010-06-29 | 2012-01-11 | 中国石油天然气股份有限公司 | 一种杂散干扰腐蚀风险评价的室内模拟方法及装置 |
| CN103941095A (zh) * | 2014-05-13 | 2014-07-23 | 尚兵 | 一种对地下金属管道周围土壤的电阻率进行测试的方法 |
| CN110749541A (zh) * | 2019-09-28 | 2020-02-04 | 徐州中矿传动轨道科技有限公司 | 地铁杂散电流腐蚀模拟实验台及腐蚀过程参数预测方法 |
| CN112798520A (zh) * | 2020-12-31 | 2021-05-14 | 华南理工大学 | 土壤环境下杂散电流对埋地金属电化学腐蚀的模拟装置 |
| CN113433057A (zh) * | 2021-06-02 | 2021-09-24 | 中国矿业大学 | 一种埋地金属管道杂散电流腐蚀速率预测装置及方法 |
-
2022
- 2022-05-26 CN CN202210586104.XA patent/CN114993928B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1456879A (zh) * | 2003-03-18 | 2003-11-19 | 天津大学 | 阴极保护管道的管地电位和地表电位综合检测方法及装置 |
| JP2008297600A (ja) * | 2007-05-31 | 2008-12-11 | Jfe Engineering Kk | 電気防食方法 |
| CN102313696A (zh) * | 2010-06-29 | 2012-01-11 | 中国石油天然气股份有限公司 | 一种杂散干扰腐蚀风险评价的室内模拟方法及装置 |
| CN103941095A (zh) * | 2014-05-13 | 2014-07-23 | 尚兵 | 一种对地下金属管道周围土壤的电阻率进行测试的方法 |
| CN110749541A (zh) * | 2019-09-28 | 2020-02-04 | 徐州中矿传动轨道科技有限公司 | 地铁杂散电流腐蚀模拟实验台及腐蚀过程参数预测方法 |
| CN112798520A (zh) * | 2020-12-31 | 2021-05-14 | 华南理工大学 | 土壤环境下杂散电流对埋地金属电化学腐蚀的模拟装置 |
| CN113433057A (zh) * | 2021-06-02 | 2021-09-24 | 中国矿业大学 | 一种埋地金属管道杂散电流腐蚀速率预测装置及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114993928A (zh) | 2022-09-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110161365B (zh) | 一种基于电磁参数特征的接地网故障诊断方法及系统 | |
| CN107808032A (zh) | 页岩气储层含水饱和度计算方法及系统 | |
| CN114993928B (zh) | 一种杂散电流腐蚀下的埋地管道涂层缺陷定位装置及方法 | |
| JP2007278843A (ja) | 地下埋設鋼構造物の腐食診断装置及び腐食診断方法 | |
| CN115238550A (zh) | 自适应非结构网格的滑坡降雨的地电场数值模拟计算方法 | |
| CN113486594A (zh) | 以电折水计算模型构建方法、用水量确定方法及装置 | |
| JPH0387669A (ja) | 金属構造体の安全度を監視する方法及び装置 | |
| CN104899440B (zh) | 一种基于万有引力搜索算法的漏磁缺陷重构方法 | |
| CN109884177A (zh) | 一种基于磁记忆信号的拉索结构损伤位置及范围确定方法 | |
| CN205643248U (zh) | 一种便携式在线霍尔磁场连续测量仪 | |
| CN1052776C (zh) | 动态法监测注水井注水推进方位的测试方法 | |
| CN105044382A (zh) | 一种测量潜水搅拌器整体流速的测试台和方法 | |
| CN112016598A (zh) | 基于sdae的局部放电模式识别方法、计算机设备和存储介质 | |
| CN103615239A (zh) | 一种测井地层成像系统及其方法 | |
| CN114486712B (zh) | 一种用于模拟深地质处置环境金属动态腐蚀的装置及方法 | |
| CN111597752B (zh) | 平衡孔间敏感性的跨孔电阻率ct深度学习反演方法及系统 | |
| CN109541317B (zh) | 杂散电流干扰下埋地管道涂层缺陷电阻特性地表测试方法 | |
| CN115482882A (zh) | 管道腐蚀数据获取及管道腐蚀速率预测模型构建方法 | |
| JP2021032642A (ja) | 埋設鋼材検出装置、埋設鋼材検出方法および埋設鋼材検出プログラム | |
| Tan et al. | An overview of recent progresses in acquiring, visualizing and interpreting pipeline corrosion monitoring data | |
| CN110093610A (zh) | 一种埋地管道的极化电位获取方法 | |
| Dirhamsyah et al. | Toward automation of structural health monitoring: An AI use case for infrastructure resilience in a smart city setting | |
| CN115640490B (zh) | 一种地下金属管线定位计算方法 | |
| CN114021297B (zh) | 基于回声状态网络的复杂管网泄漏定位方法 | |
| CN113607803A (zh) | 一种模拟桥梁绳索镀锌钢丝的损伤检测试验方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |