CN116018509A - 钢管压溃强度预测模型的生成方法、钢管的压溃强度预测方法、钢管的制造特性决定方法及钢管的制造方法 - Google Patents
钢管压溃强度预测模型的生成方法、钢管的压溃强度预测方法、钢管的制造特性决定方法及钢管的制造方法 Download PDFInfo
- Publication number
- CN116018509A CN116018509A CN202180054545.9A CN202180054545A CN116018509A CN 116018509 A CN116018509 A CN 116018509A CN 202180054545 A CN202180054545 A CN 202180054545A CN 116018509 A CN116018509 A CN 116018509A
- Authority
- CN
- China
- Prior art keywords
- steel pipe
- crushing strength
- forming
- time
- bending
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N3/00—Investigating strength properties of solid materials by application of mechanical stress
- G01N3/20—Investigating strength properties of solid materials by application of mechanical stress by applying steady bending forces
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06N3/08—Learning methods
- G06N3/0985—Hyperparameter optimisation; Meta-learning; Learning-to-learn
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2203/00—Investigating strength properties of solid materials by application of mechanical stress
- G01N2203/0014—Type of force applied
- G01N2203/0023—Bending
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2203/00—Investigating strength properties of solid materials by application of mechanical stress
- G01N2203/0058—Kind of property studied
- G01N2203/0069—Fatigue, creep, strain-stress relations or elastic constants
- G01N2203/0075—Strain-stress relations or elastic constants
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2203/00—Investigating strength properties of solid materials by application of mechanical stress
- G01N2203/02—Details not specific for a particular testing method
- G01N2203/0202—Control of the test
- G01N2203/0212—Theories, calculations
- G01N2203/0216—Finite elements
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2203/00—Investigating strength properties of solid materials by application of mechanical stress
- G01N2203/02—Details not specific for a particular testing method
- G01N2203/0202—Control of the test
- G01N2203/0212—Theories, calculations
- G01N2203/0218—Calculations based on experimental data
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2203/00—Investigating strength properties of solid materials by application of mechanical stress
- G01N2203/02—Details not specific for a particular testing method
- G01N2203/026—Specifications of the specimen
- G01N2203/0262—Shape of the specimen
- G01N2203/0274—Tubular or ring-shaped specimens
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2203/00—Investigating strength properties of solid materials by application of mechanical stress
- G01N2203/02—Details not specific for a particular testing method
- G01N2203/026—Specifications of the specimen
- G01N2203/0298—Manufacturing or preparing specimens
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/14—Pipes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Computer Hardware Design (AREA)
- Mathematical Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Biochemistry (AREA)
- Chemical & Material Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Analytical Chemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Bending Of Plates, Rods, And Pipes (AREA)
- Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
Abstract
提供能够除了铺设时的弯曲应变之外还考虑钢管成形时的制管应变及涂装条件而高精度地预测在钢管成形后进行涂装而形成的涂装钢管的外压弯曲时的压溃强度的钢管压溃强度预测模型的生成方法、钢管的压溃强度预测方法、钢管的制造特性决定方法及钢管的制造方法。向由钢管压溃强度预测模型的生成方法生成的钢管压溃强度预测模型输入成为预测对象的涂装钢管的包括钢管成形后的钢管形状、钢管成形后的钢管强度特性、钢管成形时的制管应变、涂装条件及铺设时的弯曲应变在内的钢管制造特性,预测涂装钢管的加压弯曲时的压溃强度(步骤S1~步骤S5)。
Description
技术领域
本发明涉及钢管压溃强度预测模型的生成方法、钢管的压溃强度预测方法、钢管的制造特性决定方法及钢管的制造方法。
背景技术
在外压作用的环境下使用的钢管(管)中,有时因外压的作用而产生压溃(也称作塌陷)。例如,在海底管线中,若在钢管(线管)产生这样的压溃,则会导致构造物的损伤、损坏事故,对经济、环境造成大的影响。关于该塌陷的产生,在海底管线的铺设时未施加内压的状况下叠加了由铺设引起的弯曲应变的情况最危险,也开发有预测此时的外压弯曲时的压溃强度的推定式。
在此,预测外压弯曲时的压溃强度的推定式例如记载于非专利文献1。在非专利文献1中,制定DNV OS-F101等标准,提议了根据评价对象钢管的外径形状的Ovality、从材料壁厚的中心或壁厚的1/4(内表面侧)采集到的屈服应力(与0.5%应变对应的应力)、杨氏模量、泊松比、铺设时的弯曲应变的数据来预测外压弯曲时的压溃强度的推定式(D 400章Local Buckling-External over pressure only 401节式(5.10))。
现有技术文献
非专利文献
非专利文献1:OFFSHORE STANDARD DNV-OS-F101,SUBMARINE PIPELINE SYSTEMS,DET NORSKE VERITAS,2010年10月,SEC5,p41-56
发明内容
发明所要解决的课题
然而,在该非专利文献1所记载的预测外压弯曲时的压溃强度的推定式中,存在以下的问题点。
即,尤其是,在海底管线中使用的钢管为了防腐蚀而被实施涂装(涂敷)。在该涂装时,有时将钢管加热而实施,根据涂装条件,涂装钢管的压缩特性、进而涂装钢管的压溃特性变化。另外,涂装钢管的压溃强度不仅依存于钢管成形后的钢管的形状及钢管成形后的钢管的强度特性(拉伸强度、压缩强度、杨氏模量、泊松比等),也依存于钢管成形时的制管应变(钢管成形时的应变履历)。这是因为:钢管成形时的制管应变会对钢管成形后的钢管的形状及钢管成形后的钢管的强度特性造成大的影响,进而也对涂装钢管的压溃特性造成大的影响。
另一方面,在非专利文献1中,未考虑钢管成形时的制管应变及涂装条件,涂装钢管的外压弯曲时的压溃强度的预测值的精度差,实测的涂装钢管的外压弯曲时的压溃强度和预测的涂装钢管的外压弯曲时的压溃强度的预测值不一致,其差异大。因而,在钢管设计时过度地成为安全侧的设计,或者在比预测低的外压下产生压溃,可能会造成大的事故。
因此,本发明为了解决该以往的问题点而完成,其目的在于提供能够除了铺设时的弯曲应变之外还考虑钢管成形时的制管应变及涂装条件而高精度地预测在钢管成形后进行涂装而形成的涂装钢管的外压弯曲时的压溃强度的钢管压溃强度预测模型的生成方法、钢管的压溃强度预测方法、钢管的制造特性决定方法及钢管的制造方法。
用于解决课题的手段
为了解决上述课题,本发明的一方案涉及的钢管压溃强度预测模型的生成方法的主旨在于,对多个学习用数据进行机器学习,以生成对在钢管成形后进行涂装而形成的涂装钢管的外压弯曲时的压溃强度进行预测的钢管压溃强度预测模型,所述多个学习用数据将包括钢管成形后的钢管形状、钢管成形后的钢管强度特性、钢管成形时的制管应变、涂装条件及铺设时的弯曲应变在内的过去的钢管制造特性作为输入数据且将相对于该输入数据的过去的在钢管成形后进行涂装而形成的涂装钢管的外压弯曲时的压溃强度作为输出数据。
另外,本发明的别的方案涉及的钢管的压溃强度预测方法的主旨在于,向由前述的钢管压溃强度预测模型的生成方法生成的钢管压溃强度预测模型输入成为预测对象的涂装钢管的包括钢管成形后的钢管形状、钢管成形后的钢管强度特性、钢管成形时的制管应变、涂装条件及铺设时的弯曲应变在内的钢管制造特性,预测在钢管成形后进行涂装而形成的涂装钢管的外压弯曲时的压溃强度。
另外,本发明的别的方案涉及的钢管的制造特性决定方法的主旨在于,以使由前述的钢管的压溃强度预测方法预测的涂装钢管的外压弯曲时的压溃强度向要求的目标的涂装钢管的外压弯曲时的压溃强度逐渐接近的方式,逐次变更钢管制造特性中包含的钢管成形后的钢管形状、钢管成形后的钢管强度特性、钢管成形时的制管应变、涂装条件及铺设时的弯曲应变中的至少一个,从而决定钢管制造特性。
另外,本发明的别的方案涉及的钢管的制造方法的主旨在于,包括:涂装钢管形成工序,将钢管成形,对成形的钢管进行涂装来形成涂装钢管;压溃强度预测工序,利用前述的钢管的压溃强度预测方法来预测在所述涂装钢管形成工序中形成的涂装钢管的外压弯曲时的压溃强度;及性能预测值赋予工序,将由该压溃强度预测工序预测的涂装钢管的外压弯曲时的压溃强度与在所述涂装钢管形成工序中形成的涂装钢管建立关联。
而且,本发明的别的方案涉及的钢管的制造方法的主旨在于,基于由前述的钢管的制造特性决定方法决定的钢管制造特性来决定涂装钢管的制造条件,以该决定的涂装钢管的制造条件来制造涂装钢管。
发明效果
根据本发明涉及的钢管压溃强度预测模型的生成方法、钢管的压溃强度预测方法、钢管的制造特性决定方法及钢管的制造方法,能够除了铺设时的弯曲应变之外还考虑钢管成形时的制管应变及涂装条件而高精度地预测在钢管成形后进行涂装而形成的涂装钢管的外压弯曲时的压溃强度。
附图说明
图1是应用本发明的一实施方式涉及的钢管压溃强度预测模型的生成方法、钢管的压溃强度预测方法及钢管的制造特性决定方法的钢管制造特性决定装置的概略结构的功能框图。
图2是示出通过本发明的一实施方式涉及的钢管压溃强度预测模型的生成方法生成的作为神经网络模型的钢管压溃强度预测模型的处理流程的图。
图3是用于说明应用于本发明的一实施方式的钢管制造特性决定装置中的运算处理部的钢管制造特性运算部的处理的流程的流程图。
具体实施方式
以下,参照附图来说明本发明的实施方式。以下所示的实施方式例示用于将本发明的技术思想具体化的装置、方法,本发明的技术思想不将构成部件的材质、形状、构造、配置等指定为下述的实施方式。另外,附图是示意性的。因而,应该留意厚度与平面尺寸的关系、比率等与现实不同,在附图相互间也包括互相的尺寸关系、比率不同的部分。
在图1中示出了应用本发明的一实施方式涉及的钢管压溃强度预测模型的生成方法、钢管的压溃强度预测方法及钢管的制造特性决定方法的钢管制造特性决定装置的概略结构的功能框图。
图1所示的钢管制造特性决定装置1进行在钢管成形后进行涂装而形成的涂装钢管的钢管压溃强度预测模型的生成、使用了生成的钢管压溃强度预测模型的在钢管成形后进行涂装而形成的涂装钢管的外压弯曲时的压溃强度的预测、以使预测的涂装钢管的外压弯曲时的压溃强度向要求的目标的涂装钢管的外压弯曲时的压溃强度逐渐接近的方式决定钢管制造特性。
图1所示的钢管制造特性决定装置1是具备运算装置2、输入装置8、存储装置9及输出装置10的计算机系统。虽然后述,但运算装置2具备RAM3、ROM4及运算处理部5,这些RAM3、ROM4及运算处理部5和输入装置8、存储装置9及输出装置10通过总线11连接。运算装置2和输入装置8、存储装置9及输出装置10不限于该连接的方式,也可以通过无线连接,或者还可以通过组合了有线和无线的方式而连接。
输入装置8例如是键盘、手写平板、触摸板、鼠标等,作为由本系统的操作员输入各种信息的输入端口发挥功能。对于输入装置8,例如输入钢管压溃强度预测模型的生成指令、钢管制造特性的运算指令、成为外压弯曲时的压溃强度的预测对象的涂装钢管的由钢管成形后的钢管形状、钢管成形后的钢管强度特性、钢管成形时的制管应变、涂装条件及铺设时的弯曲应变构成的钢管制造特性、目标的涂装钢管的外压弯曲时的压溃强度及钢管制造特性决定模式信息。
在此,钢管一般通过将板状的钢板弯曲加工成圆管形状来成形、制造,之后,在表面涂装而形成涂装钢管。
向输入装置8输入的钢管制造特性中的钢管成形后的钢管形状意味着将钢板成形为圆管形状后的钢管的形状。在此,该钢管成形后的钢管形状具体而言是钢管的最大外径Dmax(mm)、钢管的最小外径Dmin(mm)、钢管的平均外径Dave(mm)、钢管的平均管板厚t(mm)及钢管的外径形状的圆度(Ovality)fO(%)。关于钢管成形后的钢管形状,向输入装置8输入实测的值。该钢管成形后的钢管形状会对预测的涂装钢管的外压弯曲时的压溃强度大幅造成影响,因此输入。
需要说明的是,涂装钢管的外压弯曲时的压溃强度意味着涂装钢管压溃时的负荷应力(MPa),在此所说的“压溃”是指负荷应力呈现最大值且变形至无法进一步相对于外压保持形状的状态。
另外,钢管成形后的钢管强度特性意味着将钢板成形为管形状后的钢管的强度特性。在此,该钢管成形后的钢管强度特性具体而言是钢管的杨氏模量E(GPa)、钢管的泊松比μ(-)、钢管的拉伸强度YS(MPa)、钢管的压缩强度0.23%YS(与0.23%应变对应的应力)及钢管的压缩强度0.5%YS(与0.5%应变对应的应力)。该钢管成形后的钢管强度特性会对预测的涂装钢管的外压弯曲时的压溃强度大幅造成影响,因此输入。关于钢管成形后的钢管强度特性,输入根据钢管成形前的钢板的强度特性而利用有限元解析进行模拟而得到的值、实测的值。
另外,钢管成形时的制管应变是钢管成形时的拉伸应变(%)或压缩应变(%)。该钢管成形时的制管应变会对钢管成形后的钢管形状及钢管成形后的钢管强度特性大幅造成影响,其结果,会对预测的涂装钢管的外压弯曲时的压溃强度大幅造成影响,因此输入。关于钢管成形时的制管应变,输入根据钢管成形前的钢板的强度特性而利用有限元解析进行成形模拟而得到的应变、实测的应变。
另外,涂装条件在此是涂装时的最高温度(℃)及保持时间(min)。关于该涂装条件,输入实测的值。
对成形后的钢管实施涂装是为了防腐蚀,尤其是,在海底管线中使用的钢管为了使耐腐蚀性优异,一般会在成形后实施涂装。该涂装中的涂装条件(最高温度(℃)及保持时间(min))会影响钢管成形后的钢管强度特性,直接影响涂装钢管的压溃性能,因此向输入装置8输入。由于涂装的涂敷加热的影响而钢管的材质变化(位错的堆积/恢复/应变时效等),由此,其压溃强度从钢管成形后的钢管的压溃强度(涂装前的压溃性能)增加或下降。
另外,铺设时的弯曲应变是将涂装钢管例如铺设到海底时的拉伸应变(%)或压缩应变(%)。关于压溃的产生,在海底管线的铺设时未施加内压的状况下叠加了由铺设引起的弯曲应变的情况最危险。
另外,存储装置9例如由硬盘驱动器、半导体驱动器、光学驱动器等构成,是存储在本系统中需要的信息(后述的钢管压溃强度预测模型生成部6及钢管制造特性运算部7的功能的实现所需的信息)的装置。作为钢管压溃强度预测模型生成部6的功能的实现所需的信息,可举出将由钢管成形后的钢管形状、钢管成形后的钢管强度特性、钢管成形时的制管应变、涂装条件及铺设时的弯曲应变构成的过去的钢管制造特性作为输入数据且将相对于该输入数据的过去的在钢管成形后进行涂装而形成的涂装钢管的压溃强度作为输出数据的多个学习用数据。
另外,作为钢管制造特性运算部7的功能的实现所需的信息,可举出由钢管压溃强度预测模型生成部6生成的钢管压溃强度预测模型。另外,作为该功能的实现所需的信息,可举出向钢管压溃强度预测模型输入的输入到输入装置8的成为加压弯曲时的压溃强度的预测对象的涂装钢管的由钢管成形后的钢管形状、钢管成形后的钢管强度特性、钢管成形时的制管应变、涂装条件及铺设时的弯曲应变构成的钢管制造特性、目标的在钢管成形后进行涂装而形成的涂装钢管的加压弯曲时的压溃强度。另外,作为该功能的实现所需的信息,也可举出钢管制造特性决定模式信息(是否是决定最佳的钢管制造特性的模式的信息)。
另外,输出装置10作为输出来自运算装置2的输出数据(例如,由压溃强度预测部72预测的在钢管成形后进行涂装而形成的涂装钢管的加压弯曲时的压溃强度(预测值)的信息、由钢管制造特性决定部73决定的钢管制造特性的信息)的输出端口发挥功能。输出装置10例如通过具备液晶显示器、有机显示器等任意的显示器,能够显示基于输出数据的画面。
接着,如图1所示,运算装置2具备RAM3、ROM4及运算处理部5。ROM4存储有钢管压溃强度预测模型生成程序41和钢管制造特性运算程序42。运算处理部5具有运算处理功能,通过总线11而与RAM3及ROM4连接。另外,RAM3、ROM4及运算处理部5经由总线11而连接于输入装置8、存储装置9及输出装置10。
运算处理部5作为功能块而具备钢管压溃强度预测模型生成部6和钢管制造特性运算部7。
运算处理部5的钢管压溃强度预测模型生成部6对存储于存储装置9的多个学习用数据进行机器学习,生成钢管压溃强度预测模型,该多个学习用数据将由钢管成形后的钢管形状、钢管成形后的钢管强度特性、钢管成形时的制管应变、涂装条件及铺设时的弯曲应变构成的过去的钢管制造特性作为输入数据且将相对于该输入数据的过去的在钢管成形后进行涂装而形成的涂装钢管的外压弯曲时的压溃强度作为输出数据。机器学习的手法在此是神经网络,钢管压溃强度预测模型是由神经网络构筑的预测模型。
在此,钢管压溃强度预测模型生成部6作为功能块而具备学习用数据取得部61、前处理部62、模型生成部63及结果保存部64。并且,钢管压溃强度预测模型生成部6在钢管压溃强度预测模型的生成指令向输入装置8输入而接收到钢管压溃强度预测模型的生成指令时,执行存储于ROM4的钢管压溃强度预测模型生成程序41,执行学习用数据取得部61、前处理部62、模型生成部63及结果保存部64的各功能。每当钢管压溃强度预测模型生成部6执行各功能时,钢管压溃强度预测模型被更新。
钢管压溃强度预测模型生成部6对学习用数据取得部61、前处理部62、模型生成部63及结果保存部64的各功能的执行处理对应于本发明的一实施方式涉及的钢管压溃强度预测模型的生成方法。该钢管压溃强度预测模型的生成方法对多个学习用数据进行机器学习,生成对在钢管成形后进行涂装而形成的涂装钢管的加压弯曲时的压溃强度进行预测的钢管压溃强度预测模型,该多个学习用数据将包括钢管成形后的钢管形状、钢管成形后的钢管强度特性、钢管成形时的制管应变、涂装条件及铺设时的弯曲应变在内的过去的钢管制造特性作为输入数据且将相对于该输入数据的过去的在钢管成形后进行涂装而形成的涂装钢管的加压弯曲时的压溃强度作为输出数据。
在此,学习用数据取得部61进行以下处理:取得存储于存储装置9的将由钢管成形后的钢管形状、钢管成形后的钢管强度特性、钢管成形时的制管应变、涂装条件及铺设时的弯曲应变构成的过去的钢管制造特性作为输入数据且将相对于该输入数据的过去的在钢管成形后进行涂装而形成的涂装钢管的压溃强度作为输出数据的多个学习用数据。各学习用数据由输入数据和输出数据的组构成。
另外,前处理部62将学习用数据取得部61取得的多个学习用数据加工成钢管压溃强度预测模型生成用。具体而言,前处理部62将构成学习用数据的由钢管成形后的钢管形状、钢管成形后的钢管强度特性、钢管成形时的制管应变、涂装条件及铺设时的弯曲应变构成的过去的钢管制造特性的实绩信息和过去的在钢管成形后进行涂装而形成的涂装钢管的外压弯曲时的压溃强度的实绩信息在0~1之间进行标准化(归一化),以便于使神经网络模型读入。
另外,模型生成部63进行以下处理:对由前处理部62前处理后的多个学习用数据进行机器学习,生成作为输入数据而包括由钢管成形后的钢管形状、钢管成形后的钢管强度特性、钢管成形时的制管应变、涂装条件及铺设时的弯曲应变构成的过去的钢管制造特性且将过去的在钢管成形后进行涂装而形成的涂装钢管的外压弯曲时的压溃强度作为输出数据的钢管压溃强度预测模型。在本实施方式中,由于作为机器学习的手法而在此采用神经网络,所以作为钢管压溃强度预测模型而生成神经网络模型。即,模型生成部63制作作为将被加工成钢管压溃强度预测模型生成用的学习用数据中的输入实绩数据(钢管制造特性的过去的实绩数据)和输出实绩数据(钢管成形后的涂装钢管的外压弯曲时的压溃强度的过去的实绩数据)相关联的钢管压溃强度预测模型的神经网络模型。神经网络模型例如由函数式表现。
具体而言,模型生成部63进行在神经网络模型中使用的超参数的设定,并且进行基于使用了这些超参数的神经网络模型的学习。作为超参数,通常,设定隐藏层的数量、各隐藏层中的神经元数、各隐藏层中的丢弃(dropout)率、各隐藏层中的活性化函数,但不限定于此。
在图2中示出由本发明的一实施方式涉及的钢管压溃强度预测模型的生成方法生成的作为神经网络模型的钢管压溃强度预测模型的处理流程。
作为神经网络模型的钢管压溃强度预测模型从输入侧起依次包括输入层101、中间层102及输出层103。
在模型生成部63进行基于使用了超参数的神经网络模型的学习时,在输入层101保存构成由前处理部62加工后的学习用数据的由钢管成形后的钢管形状、钢管成形后的钢管强度特性、钢管成形时的制管应变、涂装条件及铺设时的弯曲应变组成的过去的钢管制造特性的实绩信息、即在0~1之间被标准化的过去的钢管制造特性的实绩信息。
中间层102由多个隐藏层构成,在各隐藏层配置有多个神经元。
输出层103将由中间层102传递来的神经元的信息结合,作为最终的在钢管成形后进行涂装而形成的涂装钢管的加压弯曲时的压溃强度而输出。基于该输出的结果和读入的过去的涂装钢管的加压弯曲时的压溃强度的实绩,通过逐渐优化神经网络模型内的加权系数来进行学习。
结果保存部64使学习用数据、神经网络模型的参数(加权系数)及相对于学习用数据的神经网络模型的输出结果向存储装置9存储。
运算处理部5的钢管制造特性运算部7进行以下处理:向由钢管压溃强度预测模型生成部6生成的钢管压溃强度预测模型输入成为预测对象的涂装钢管的包括钢管成形后的钢管形状、钢管成形后的钢管强度特性、钢管成形时的制管应变、涂装条件及铺设时的弯曲应变的钢管制造特性,预测在钢管成形后进行涂装而形成的涂装钢管的外压弯曲时的压溃强度。并且,钢管制造特性运算部7进行以下处理:在钢管制造特性决定模式信息是钢管制造特性决定模式时,以使预测的涂装钢管的加压弯曲时的压溃强度向要求的目标的涂装钢管的加压弯曲时的压溃强度逐渐接近的方式,逐次变更构成钢管制造特性的钢管成形后的钢管形状、钢管成形后的钢管强度特性、钢管成形时的制管应变、涂装条件及铺设时的弯曲应变中的至少一个,决定钢管制造特性。
为了进行该处理,如图1所示,钢管制造特性运算部7作为功能块而具备信息读取部71、压溃强度预测部72、钢管制造特性决定部73及结果输出部74。
信息读取部71进行以下处理:读入由钢管压溃强度预测模型生成部6生成的钢管压溃强度预测模型、向钢管压溃强度预测模型输入的成为压溃强度的预测对象的涂装钢管的由钢管成形后的钢管形状、钢管成形后的钢管强度特性、钢管成形时的制管应变、涂装条件及铺设时的弯曲应变构成的钢管制造特性的信息、目标的涂装钢管的加压弯曲时的压溃强度的信息及钢管制造特性决定模式信息。
另外,压溃强度预测部72进行以下处理:将由信息读取部71读入的成为压溃强度的预测对象的涂装钢管的由钢管成形后的钢管形状、钢管成形后的钢管强度特性、钢管成形时的制管应变、涂装条件及铺设时的弯曲应变构成的钢管制造特性向由信息读取部71读入的钢管压溃强度预测模型输入,预测在钢管成形后进行涂装而形成的涂装钢管的加压弯曲时的压溃强度。
另外,钢管制造特性决定部73及压溃强度预测部72进行以下处理:在由信息读取部71读入的钢管制造特性决定模式信息是钢管制造特性决定模式时,以使预测的涂装钢管的加压弯曲时的压溃强度向要求的目标的涂装钢管的加压弯曲时的压溃强度逐渐接近的方式,逐次变更构成钢管制造特性的钢管成形后的钢管形状、钢管成形后的钢管强度特性、钢管成形时的制管应变、涂装条件及铺设时的弯曲应变中的至少一个而决定钢管制造特性,将决定的钢管制造特性的信息向结果输出部74输出。另外,钢管制造特性决定部73进行以下处理:在由信息读取部71读入的钢管制造特性决定模式信息不是钢管制造特性决定模式时,将由压溃强度预测部72预测的涂装钢管的加压弯曲时的压溃强度的信息(预测值)向结果输出部74输出。
另外,结果输出部74进行将决定的钢管制造特性的信息或预测的涂装钢管的压溃强度的信息(预测值)向输出装置10输出的处理,并且进行使这些信息向存储装置9存储的处理。
接着,参照图3来说明应用于本发明的一实施方式的钢管制造特性决定装置1中的运算处理部5的钢管制造特性运算部7的处理的流程。
钢管制造特性运算部7在钢管制造特性的运算指令向输入装置8输入而接受了钢管制造特性的运算指令时,执行存储于ROM4的钢管制造特性运算程序42,执行信息读取部71、压溃强度预测部72、钢管制造特性决定部73及结果输出部74的各功能。
首先,钢管制造特性运算部7的信息读取部71在步骤S1中,读入存储于存储装置9的由钢管压溃强度预测模型生成部6生成的钢管压溃强度预测模型。
接着,信息读取部71在步骤S2中,读入从未图示的上位计算机输入且存储于存储装置9的要求的目标的在钢管成形后进行涂装而形成的涂装钢管的外压弯曲时的压溃强度的信息。
接着,信息读取部71在步骤S3中,读入由操作员向输入装置8输入且存储于存储装置9的成为向钢管压溃强度预测模型输入的预测对象的涂装钢管的由钢管成形后的钢管形状、钢管成形后的钢管强度特性、钢管成形时的制管应变、涂装条件及铺设时的弯曲应变构成的钢管制造特性的信息。
接着,信息读取部71在步骤S4中,读入由操作员向输入装置8输入且存储于存储装置9的钢管制造特性决定模式信息(是否是决定钢管制造特性的模式的信息)。
之后,压溃强度预测部72在步骤S5中,向在步骤S1中读入的钢管压溃强度预测模型输入在步骤S3中读入的成为预测对象的涂装钢管的由钢管成形后的钢管形状、钢管成形后的钢管强度特性、钢管成形时的制管应变、涂装条件及铺设时的弯曲应变构成的钢管制造特性,预测涂装钢管的加压弯曲时的压溃强度。
该步骤S1~步骤S5对应于本发明的一实施方式涉及的向由钢管压溃强度预测模型的生成方法生成的钢管压溃强度预测模型输入成为预测对象的涂装钢管的由钢管成形后的钢管形状、钢管成形后的钢管强度特性、钢管成形时的制管应变、涂装条件及铺设时的弯曲应变构成的钢管制造特性来预测涂装钢管的加压弯曲时的压溃强度的钢管的压溃强度预测方法。
接着,钢管制造特性决定部73在步骤S6中,判定在步骤S4中读入的钢管制造特性决定模式信息(是否是决定钢管制造特性的模式的信息)是否是钢管制造特性决定模式(决定钢管制造特性的模式)。
并且,在步骤S6中的判定结果为是时(钢管制造特性决定模式时),移向步骤S7,在步骤S6中的判定结果为否时(不是钢管制造特性决定模式时),移向步骤S9。
在步骤S7中,钢管制造特性决定部73判定在步骤S5中预测的涂装钢管的加压弯曲时的压溃强度(预测值)与在步骤S2中读入的要求的目标的涂装钢管的加压弯曲时的压溃强度(目标值)的差异是否为规定的阈值以内。
在此,该规定的阈值大概被设定为0.5%~1%。
并且,在步骤S7中的判定结果为是时(在判定为预测值与目标值的差异为规定的阈值以内的情况下),移向步骤S8,在步骤S7中的判定结果为否时(在判定为预测值与目标值的差异比规定的阈值大的情况下),移向步骤S10。
在步骤S10中,钢管制造特性决定部73变更在步骤S3中读入的成为压溃强度的预测对象的涂装钢管的钢管制造特性中的钢管成形后的钢管形状、钢管成形后的钢管强度特性、钢管成形时的制管应变、涂装条件及铺设时的弯曲应变中的至少一个,返回步骤S5。
若返回到步骤S5,则压溃强度预测部72将在步骤S10中钢管成形后的钢管形状、钢管成形后的钢管强度特性、钢管成形时的制管应变、涂装条件及铺设时的弯曲应变中的至少一个被变更后的钢管制造特性向在步骤S1中读入的钢管压溃强度预测模型输入,再次预测涂装钢管的加压弯曲时的压溃强度。然后,钢管制造特性决定部73经过步骤S6后,在步骤S7中,判定在步骤S5中再次预测的涂装钢管的加压弯曲时的压溃强度(预测值)与在步骤S2中读入的要求的目标的涂装钢管的加压弯曲时的压溃强度(目标值)的差异是否为规定的阈值以内。并且,直到该判定结果成为是为止反复执行步骤S10、步骤S5、步骤S6及步骤S7的一系列的步骤。
另一方面,在步骤S7中的判定结果为是时(在判定为预测值与目标值的差异为规定的阈值以内的情况下),移向步骤S8。在步骤S8中,钢管制造特性决定部73将判定为预测值与目标值的差异为规定的阈值以内时的由钢管成形后的钢管形状、钢管成形后的钢管强度特性、钢管成形时的制管应变、涂装条件、铺设时的弯曲应变构成的钢管制造特性决定为钢管制造特性。
该步骤S6、步骤S7、步骤S10、步骤S5、步骤S6步骤S7及步骤S8对应于本发明的一实施方式涉及的钢管的制造特性决定方法。该钢管的制造特性决定方法以使预测的在钢管成形后进行涂装而形成的涂装钢管的加压弯曲时的压溃强度向要求的目标的涂装钢管的加压弯曲时的压溃强度逐渐接近的方式,逐次变更钢管制造特性中包含的钢管成形后的钢管形状、钢管成形后的钢管强度特性、钢管成形时的制管应变、涂装条件及铺设时的弯曲应变中的至少一个,决定钢管制造特性。
然后,在步骤S9中,钢管制造特性运算部7的结果输出部74在步骤S6中的判定结果为是时(钢管制造特性决定模式时),将在步骤S8中决定的钢管制造特性的信息向输出装置10输出。另一方面,结果输出部74在步骤S6中的判定结果为否时(不是钢管制造特性决定模式时),将在步骤S5中预测的在钢管成形后进行涂装而形成的涂装钢管的加压弯曲时的压溃强度的信息(预测值)向输出装置10输出。
由此,钢管制造特性运算部7的处理结束。
这样,本发明的一实施方式涉及的钢管压溃强度预测模型的生成方法对多个学习用数据进行机器学习,预测在钢管成形后进行涂装而形成的涂装钢管的外压弯曲时的压溃强度(钢管压溃强度预测模型生成部6),该多个学习用数据将包括钢管成形后的钢管形状、钢管成形后的钢管强度特性、钢管成形时的制管应变、涂装条件及铺设时的弯曲应变在内的过去的钢管制造特性作为输入数据且将相对于该输入数据的过去的在钢管成形后进行涂装而形成的涂装钢管的外压弯曲时的压溃强度作为输出数据。
由此,能够合适地生成除了铺设时的弯曲应变之外还考虑钢管成形时的制管应变及涂装条件而高精度地预测在钢管成形后进行涂装而形成的涂装钢管的外压弯曲时的压溃强度时的钢管压溃强度预测模型。
另外,在预测涂装钢管的外压弯曲时的压溃强度的钢管压溃强度预测模型的生成时,由于也考虑会对涂装钢管的外压弯曲时的压溃强度造成大的影响的涂装条件,所以也能够使钢管压溃强度预测模型的精度更高。
另外,在预测涂装钢管的外压弯曲时的压溃强度的钢管压溃强度预测模型的生成时,由于考虑了会对涂装钢管的外压弯曲时的压溃强度造成大的影响的铺设时的弯曲应变,所以也能够使钢管压溃强度预测模型的精度更高。
另外,本发明的一实施方式涉及的钢管的压溃强度预测方法向由钢管压溃强度预测模型的生成方法生成的钢管压溃强度预测模型输入成为预测对象的涂装钢管的包括钢管成形后的钢管形状、钢管成形后的钢管强度特性、钢管成形时的制管应变、涂装条件及铺设时的弯曲应变的钢管制造特性来预测在钢管成形后进行涂装而形成的涂装钢管的外压弯曲时的压溃强度(步骤S1~步骤S5)。
由此,除了铺设时的弯曲应变之外还考虑钢管成形时的制管应变及涂装条件而高精度地预测在钢管成形后进行涂装而形成的涂装钢管的外压弯曲时的压溃强度。
另外,本发明的一实施方式涉及的钢管的制造特性决定方法以使预测的涂装钢管的外压弯曲时的压溃强度向要求的目标的涂装钢管的外压弯曲时的压溃强度逐渐接近的方式,逐次变更钢管制造特性中包含的钢管成形后的钢管形状、钢管成形后的钢管强度特性、钢管成形时的制管应变、涂装条件及铺设时的弯曲应变中的至少一个,决定钢管制造特性(步骤S6、步骤S7、步骤S10、步骤S5、步骤S6、步骤S7及步骤S8)。
由此,能够决定预测的涂装钢管的外压弯曲时的压溃强度向要求的目标的涂装钢管的外压弯曲时的压溃强度逐渐接近时的由钢管成形后的钢管形状、钢管成形后的钢管强度特性、钢管成形时的制管应变、涂装条件及铺设时的弯曲应变构成的钢管制造特性。
另外,在制造涂装钢管时,能够将由输出装置10输出的在步骤S5中预测的涂装钢管的加压弯曲时的压溃强度的信息(预测值)与在成形工序中成形的涂装钢管建立关联。
也就是说,本发明的一实施方式涉及的钢管的制造方法也可以具备:涂装钢管形成工序,将钢管成形,对成形的钢管进行涂装来形成涂装钢管;压溃强度预测工序,利用钢管的压溃强度预测方法(步骤S1~步骤S5)来预测在涂装钢管形成工序中形成的涂装钢管的加压弯曲时的压溃强度;及性能预测值赋予工序,将由压溃强度预测工序预测的涂装钢管的加压弯曲时的压溃强度与在涂装钢管形成工序中形成的涂装钢管建立关联。
在此,性能预测值赋予工序中的预测的涂装钢管的加压弯曲时的压溃强度向涂装钢管的关联建立例如通过对涂装钢管通过标记来赋予预测的涂装钢管的加压弯曲时的压溃强度(预测值)或者对涂装钢管粘贴记载了预测的涂装钢管的加压弯曲时的压溃强度(预测值)的标签等来达成。
由此,处理涂装钢管的人能够掌握该涂装钢管的加压弯曲时的压溃强度(预测值)。
另外,在制造涂装钢管时,也可以基于由输出装置10输出的在步骤S8中决定的最佳的钢管制造特性的信息来决定涂装钢管的制造条件(制管方法的选择、制管时的弯曲率、制管时的应变量、涂装时的升温速度、涂装时的最高到达温度、涂装时的最高到达温度保持时间、涂装时的最高到达温度保持时间经过后的冷却速度等),以该决定的涂装钢管的制造条件来制造涂装钢管。
也就是说,本发明的一实施方式涉及的钢管的制造方法也可以基于由涂装钢管的制造特性决定方法(步骤S6、步骤S7、步骤S10、步骤S5、步骤S6、步骤S7及步骤S8)决定的最佳的钢管制造特性来决定涂装钢管的制造条件,以该决定的涂装钢管的制造条件来制造涂装钢管。
由此,制造的涂装钢管满足决定的最佳的钢管制造特性,其结果,预测的涂装钢管的加压弯曲时的压溃强度(预测值)向要求的目标的涂装钢管的加压弯曲时的压溃强度逐渐接近,成为耐压溃性能优异的涂装钢管,能够避免构造物的损伤、损坏事故。
以上,对本发明的实施方式进行了说明,但本发明不限定于此,能够进行各种变更、改良。
例如,在钢管压溃强度预测模型的生成方法中,在生成钢管压溃强度预测模型时,成为输入数据的过去的钢管制造特性只要包括过去的钢管成形后的钢管形状、钢管成形后的钢管强度特性、钢管成形时的制管应变、涂装条件及铺设时的弯曲应变即可,也可以包括它们以外的过去的钢管制造特性(例如,过去的钢管成形前的钢板的强度特性)。
另外,在钢管压溃强度预测模型的生成方法中,在生成钢管压溃强度预测模型时,成为输入数据的过去的钢管成形后的钢管形状不限于钢管的最大外径Dmax(mm)、钢管的最小外径Dmin(mm)、钢管的平均外径Dave(mm)、钢管的平均管板厚t(mm)及钢管的外径形状的真圆度(Ovality)fO(%)。
另外,在钢管压溃强度预测模型的生成方法中,在生成钢管压溃强度预测模型时,成为输入数据的钢管成形后的钢管强度特性不限于钢管的杨氏模量E(GPa)、钢管的泊松比μ(-)、钢管的拉伸强度YS(MPa)、钢管的压缩强度0.23%YS(与0.23%应变对应的应力)及钢管的压缩强度0.5%YS(与0.5%应变对应的应力)。
另外,在钢管的压溃强度预测方法中,向钢管压溃强度预测模型输入预测对象的涂装钢管的钢管成形后的钢管形状、钢管成形后的钢管强度特性、钢管成形时的制管应变、涂装条件及铺设时的弯曲应变。但是,钢管制造特性只要包括钢管成形后的钢管形状、钢管成形后的钢管强度特性、钢管成形时的制管应变、涂装条件及铺设时的弯曲应变即可,也可以输入它们以外的钢管制造特性(例如,钢管成形前的钢板的强度特性)。
另外,在钢管的压溃强度预测方法中,向钢管压溃强度预测模型输入的钢管成形后的钢管形状不限于钢管的最大外径Dmax(mm)、钢管的最小外径Dmin(mm)、钢管的平均外径Dave(mm)、钢管的平均管板厚t(mm)及钢管的外径形状的真圆度(Ovality)fO(%)。
另外,在钢管的压溃强度预测方法中,向钢管压溃强度预测模型输入的钢管成形后的钢管强度特性不限于钢管的杨氏模量E(GPa)、钢管的泊松比μ(-)、钢管的拉伸强度YS(MPa)、钢管的压缩强度0.23%YS(与0.23%应变对应的应力)及钢管的压缩强度0.5%YS(与0.5%应变对应的应力)。
另外,机器学习的手法设为了神经网络,但不限于基于神经网络的学习,能够应用决策树学习、逻辑回归、K-近邻算法、支持向量机回归、Q学习、SARSA法等各种监督学习、无监督学习、强化学习等。
实施例
为了验证本发明的效果,以表2所示的条件预测了涂装钢管的加压弯曲时的压溃强度。
[表1]
[表2]
在实施例1~2中,对以下的多个学习用数据进行机器学习而生成了钢管压溃强度预测模型。各学习用数据将过去的钢管成形后的钢管形状(钢管的最大外径Dmax(mm)、钢管的最小外径Dmin(mm)、钢管的平均外径Dave(mm)、钢管的平均管板厚t(mm)及钢管的外径形状的真圆度(Ovality)fO(%))、过去的钢管成形后的钢管强度特性(钢管的杨氏模量E(GPa)、钢管的泊松比μ(-)、钢管的拉伸强度YS(MPa)、钢管的压缩强度0.23%YS(与0.23%应变对应的应力)及钢管的压缩强度0.5%YS(与0.5%应变对应的应力))、钢管成形时的制管应变(钢管成形时的拉伸应变(%))、涂装条件(最高温度(℃)及保持时间(min))及铺设时的弯曲应变(%)作为输入数据,将相对于该输入数据的过去的在钢管成形后进行涂装而形成的涂装钢管的外压弯曲时的压溃强度(MPa)作为输出数据。
并且,在实施例1中,向生成的钢管压溃强度预测模型输入表1所示的试验材料1的钢管成形后的钢管形状(钢管的最大外径Dmax(mm)、钢管的最小外径Dmin(mm)、钢管的平均外径Dave(mm)、钢管的平均管板厚t(mm)及钢管的外径形状的真圆度(Ovality)fO(%))、钢管成形后的钢管强度特性(钢管的杨氏模量E(GPa)、钢管的泊松比μ(-)、钢管的拉伸强度YS(MPa)、钢管的压缩强度0.23%YS(与0.23%应变对应的应力)及钢管的压缩强度0.5%YS(与0.5%应变对应的应力))、钢管成形时的制管应变(钢管成形时的拉伸应变(%))、涂装条件(最高温度(℃)及保持时间(min))及铺设时的弯曲应变(%),预测了钢管成形后的外压弯曲时的压溃强度。
另外,在实施例2中,向生成的钢管压溃强度预测模型输入表1所示的试验材料2的钢管成形后的钢管形状(钢管的最大外径Dmax(mm)、钢管的最小外径Dmin(mm)、钢管的平均外径Dave(mm)、钢管的平均管板厚t(mm)及钢管的外径形状的真圆度(Ovality)fO(%))、钢管成形后的钢管强度特性(钢管的杨氏模量E(GPa)、钢管的泊松比μ(-)、钢管的拉伸强度YS(MPa)、钢管的压缩强度0.23%YS(与0.23%应变对应的应力)及钢管的压缩强度0.5%YS(与0.5%应变对应的应力))、钢管成形时的制管应变(钢管成形时的拉伸应变(%))、涂装条件(最高温度(℃)及保持时间(min))及铺设时的弯曲应变(%),预测了钢管成形后的外压弯曲时的压溃强度。
另外,在实施例1中,实测了表1所示的试验材料1的实际的外压弯曲时的压溃强度(实管试验结果)。
另外,在实施例2中,实测了表1所示的试验材料2的实际的外压弯曲时的压溃强度(实管试验结果)。
另外,在比较例1中,向非专利文献1所示的预测式输入表1所示的试验材料1的钢管成形后的钢管形状(钢管的最大外径Dmax(mm)、钢管的最小外径Dmin(mm)、钢管的平均外径Dave(mm)、钢管的平均管板厚t(mm)及钢管的外径形状的真圆度(Ovality)fO(%))、钢管成形后的钢管强度特性(钢管的杨氏模量E(GPa)、钢管的泊松比μ(-)及钢管的拉伸强度YS(MPa))及铺设时的弯曲应变(%),预测了涂装钢管的钢管成形后的弯曲加工时的压溃强度。
另外,在比较例2中,向非专利文献1所示的预测式输入表1所示的试验材料2的钢管成形后的钢管形状(钢管的最大外径Dmax(mm)、钢管的最小外径Dmin(mm)、钢管的平均外径Dave(mm)、钢管的平均管板厚t(mm)及钢管的外径形状的真圆度(Ovality)fO(%))及钢管成形后的钢管强度特性(钢管的杨氏模量E(GPa)、钢管的泊松比μ(-)及钢管的拉伸强度YS(MPa))及铺设时的弯曲应变(%),预测了涂装钢管的钢管成形后的弯曲加工时的压溃强度。
另外,在比较例1中,实测了表1所示的试验材料1的实际的外压弯曲时的压溃强度(实管试验结果)。
另外,在比较例2中,实测了表1所示的试验材料2的实际的外压弯曲时的压溃强度(实管试验结果)。
实施例1~2及比较例1~2中的实管试验结果的判定基准是同样的,评价在实验中得到的实际的压溃强度与标准基准值的差异,将实际的压溃强度低于标准基准值的情况设为NG,将实际的压溃强度以小于10%的范围超过了标准基准值的情况设为C,将实际的压溃强度以10%以上且小于20%的范围超过了标准基准值的情况设为B,将实际的压溃强度超过了标准基准值20%以上的情况设为A。
其结果,在实施例1中,涂装钢管的实际的外压弯曲时的压溃强度(实管试验结果)超过标准基准值(规定标准值)20%以上,判定结果是A,另外,使用了钢管压溃强度预测模型的涂装钢管的外压弯曲时的压溃强度的预测值也超过标准基准值(规定标准值)20%以上,判定结果是A,实验评价和预测结果一致。
另外,在实施例2中,涂装钢管的实际的外压弯曲时的压溃强度(实管试验结果)以10%以上且小于20%的范围超过标准基准值(规定标准值),判定结果是B,使用了钢管压溃强度预测模型的涂装钢管的外压弯曲时的压溃强度的预测值也以10%以上且小于20%的范围超过标准基准值(规定标准值),判定结果是B,实验评价和预测结果一致。
另一方面,在比较例1中,涂装钢管的实际的外压弯曲时的压溃强度(实管试验结果)超过标准基准值(规定标准值)20%以上,判定结果是A,但使用了非专利文献1所示的预测式的涂装钢管的外压弯曲时的压溃强度的预测值以小于10%的范围超过标准基准值(规定标准值),判定结果是C,实验评价和预测结果不一致。
另外,在比较例2中,涂装钢管的实际的外压弯曲时的压溃强度(实管试验结果)以10%以上且小于20%的范围超过标准基准值(规定标准值),判定结果是B,但使用了非专利文献1所示的预测式的涂装钢管的外压弯曲时的压溃强度的预测值以小于10%的范围超过标准基准值(规定标准值),判定结果是C,实验评价和预测结果不一致。
由此,如在实施例1~2中说明的那样,在本发明中,涂装钢管的加压弯曲时的压溃强度的预测值都与实验结果一致,确认了预测精度高。
附图标记说明
1钢管制造特性决定装置
2运算装置
3RAM
4ROM
5运算处理部
6钢管压溃强度预测模型生成部
7钢管制造特性运算部
8输入装置
9存储装置
10输出装置
11总线
41钢管压溃强度预测模型生成程序
42钢管制造特性运算程序
61学习用数据取得部
62前处理部
63模型生成部
64结果保存部
71信息读取部
72压溃强度预测部
73钢管制造特性决定部
74结果输出部
101输入层
102中间层
103输出层。
Claims (6)
1.一种钢管压溃强度预测模型的生成方法,其特征在于,
对多个学习用数据进行机器学习,以生成对在钢管成形后进行涂装而形成的涂装钢管的外压弯曲时的压溃强度进行预测的钢管压溃强度预测模型,所述多个学习用数据将包括钢管成形后的钢管形状、钢管成形后的钢管强度特性、钢管成形时的制管应变、涂装条件及铺设时的弯曲应变在内的过去的钢管制造特性作为输入数据且将相对于该输入数据的过去的在钢管成形后进行涂装而形成的涂装钢管的外压弯曲时的压溃强度作为输出数据。
2.根据权利要求1所述的钢管压溃强度预测模型的生成方法,其特征在于,
所述机器学习的手法是神经网络,所述钢管压溃强度预测模型是由神经网络构筑的预测模型。
3.一种钢管的压溃强度预测方法,其特征在于,
向由权利要求1或2所述的钢管压溃强度预测模型的生成方法生成的钢管压溃强度预测模型输入成为预测对象的涂装钢管的包括钢管成形后的钢管形状、钢管成形后的钢管强度特性、钢管成形时的制管应变、涂装条件及铺设时的弯曲应变在内的钢管制造特性,预测在钢管成形后进行涂装而形成的涂装钢管的外压弯曲时的压溃强度。
4.一种钢管的制造特性决定方法,其特征在于,
以使由权利要求3所述的钢管的压溃强度预测方法预测的涂装钢管的外压弯曲时的压溃强度向要求的目标的涂装钢管的外压弯曲时的压溃强度逐渐接近的方式,逐次变更钢管制造特性中包含的钢管成形后的钢管形状、钢管成形后的钢管强度特性、钢管成形时的制管应变、涂装条件及铺设时的弯曲应变中的至少一个,从而决定钢管制造特性。
5.一种钢管的制造方法,其特征在于,包括:
涂装钢管形成工序,将钢管成形,对成形的钢管进行涂装来形成涂装钢管;压溃强度预测工序,利用权利要求3所述的钢管的压溃强度预测方法来预测在所述涂装钢管形成工序中形成的涂装钢管的外压弯曲时的压溃强度;及性能预测值赋予工序,将由该压溃强度预测工序预测的涂装钢管的外压弯曲时的压溃强度与在所述涂装钢管形成工序中形成的涂装钢管建立关联。
6.一种钢管的制造方法,其特征在于,
基于由权利要求4所述的钢管的制造特性决定方法决定的钢管制造特性来决定涂装钢管的制造条件,以该决定的涂装钢管的制造条件来制造涂装钢管。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020-153332 | 2020-09-11 | ||
JP2020153332 | 2020-09-11 | ||
PCT/JP2021/018338 WO2022054336A1 (ja) | 2020-09-11 | 2021-05-14 | 鋼管圧潰強度予測モデルの生成方法、鋼管の圧潰強度予測方法、鋼管の製造特性決定方法、及び鋼管の製造方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116018509A true CN116018509A (zh) | 2023-04-25 |
Family
ID=78605672
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180054545.9A Pending CN116018509A (zh) | 2020-09-11 | 2021-05-14 | 钢管压溃强度预测模型的生成方法、钢管的压溃强度预测方法、钢管的制造特性决定方法及钢管的制造方法 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20230315934A1 (zh) |
EP (1) | EP4212846A4 (zh) |
JP (1) | JP6969713B1 (zh) |
KR (1) | KR20230044510A (zh) |
CN (1) | CN116018509A (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7323857B1 (ja) | 2022-02-07 | 2023-08-09 | 日本製鉄株式会社 | 鋼管、鋼管群、パイプライン、及び鋼管製造方法 |
WO2023149364A1 (ja) * | 2022-02-07 | 2023-08-10 | 日本製鉄株式会社 | 鋼管、鋼管群、パイプライン、及び鋼管製造方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102284512B (zh) * | 2011-07-28 | 2013-07-17 | 郑州大学 | 一种大变形管线钢管制造工艺控制方法 |
EP3059485A1 (en) * | 2015-02-17 | 2016-08-24 | J. van Beugen Beheer B.V. | Metal pipes with anticorrosive polyolefin covering layer |
CA3038483A1 (en) * | 2016-10-18 | 2018-04-26 | Nippon Steel & Sumitomo Metal Corporation | Collapse strength prediction method |
JP6773154B2 (ja) * | 2018-03-27 | 2020-10-21 | Jfeスチール株式会社 | 鋼管の耐圧潰特性の評価方法 |
JP7056592B2 (ja) * | 2019-01-17 | 2022-04-19 | Jfeスチール株式会社 | 金属材料の製造仕様決定方法、製造方法、および製造仕様決定装置 |
-
2021
- 2021-05-14 US US18/024,418 patent/US20230315934A1/en active Pending
- 2021-05-14 JP JP2021546241A patent/JP6969713B1/ja active Active
- 2021-05-14 KR KR1020237007414A patent/KR20230044510A/ko unknown
- 2021-05-14 EP EP21866297.1A patent/EP4212846A4/en active Pending
- 2021-05-14 CN CN202180054545.9A patent/CN116018509A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
EP4212846A4 (en) | 2024-03-13 |
US20230315934A1 (en) | 2023-10-05 |
KR20230044510A (ko) | 2023-04-04 |
JPWO2022054336A1 (zh) | 2022-03-17 |
EP4212846A1 (en) | 2023-07-19 |
JP6969713B1 (ja) | 2021-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116018509A (zh) | 钢管压溃强度预测模型的生成方法、钢管的压溃强度预测方法、钢管的制造特性决定方法及钢管的制造方法 | |
Mirzaali et al. | Optimization of tube hydroforming process using simulated annealing algorithm | |
Shaik et al. | Remaining useful life prediction of a piping system using artificial neural networks: A case study | |
El Mrabti et al. | Springback optimization of deep drawing process based on FEM-ANN-PSO strategy | |
Dadgar Asl et al. | Non-sorting multi-objective optimization of flexible roll forming using artificial neural networks | |
Fan et al. | Prediction algorithm for springback of frame-rib parts in rubber forming process by incorporating Sobol within improved grey relation analysis | |
Qiu et al. | A robust optimization design method for sheet metal roll forming and its application in roll forming circular cross-section pipe | |
CN111931307A (zh) | 一种零件质量预测和评估优化方法及系统 | |
Kahya et al. | Vibration-based damage detection in anisotropic laminated composite beams by a shear-deformable finite element and harmony search optimization | |
Huang et al. | The development of an ANN surface roughness prediction system of multiple materials in CNC turning | |
Keprate et al. | Comparing different metamodelling approaches to predict stress intensity factor of a semi-elliptic crack | |
Cai et al. | The prediction of part thickness using machine learning in aluminum hot stamping process with partition temperature control | |
CN115618751B (zh) | 一种钢板力学性能预测方法 | |
CN112241832A (zh) | 一种产品质量分级评价标准设计方法及系统 | |
WO2022054336A1 (ja) | 鋼管圧潰強度予測モデルの生成方法、鋼管の圧潰強度予測方法、鋼管の製造特性決定方法、及び鋼管の製造方法 | |
Ilg et al. | Constitutive model parameter identification via full-field calibration | |
Karabegović et al. | Experimental modeling of fluid pressure during hydroforming of welded plates | |
Kessler et al. | Incorporating neural network material models within finite element analysis for rheological behavior prediction | |
CN115667875A (zh) | 钢管压溃强度预测模型的生成方法、钢管的压溃强度预测方法、钢管的制造特性决定方法以及钢管的制造方法 | |
Yan et al. | Prediction of load—displacement curve of flexible pipe carcass under radial compression based on residual neural network | |
Volk et al. | Determining the optimal area-dependent blank holder forces in deep drawing using the response surface method | |
Yerra et al. | Effect of strain path and the magnitude of prestrain on the formability of a low carbon steel: On the textural and microtextural developments | |
Nonato | Multi-level uncertain fatigue analysis of a truss under incomplete available information | |
Yan et al. | Nonlinear quality-relevant process monitoring based on maximizing correlation neural network | |
Mohamed ElShazly et al. | A Finite Element Analysis Verification of a Machine-Trained Mathematical Model of T-Tube Hydroforming |
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 |