KR20220041512A - 배관 감육 예측 장치 및 방법 - Google Patents

배관 감육 예측 장치 및 방법 Download PDF

Info

Publication number
KR20220041512A
KR20220041512A KR1020200124819A KR20200124819A KR20220041512A KR 20220041512 A KR20220041512 A KR 20220041512A KR 1020200124819 A KR1020200124819 A KR 1020200124819A KR 20200124819 A KR20200124819 A KR 20200124819A KR 20220041512 A KR20220041512 A KR 20220041512A
Authority
KR
South Korea
Prior art keywords
information
pipe
fluid
thinning
mechanical factor
Prior art date
Application number
KR1020200124819A
Other languages
English (en)
Other versions
KR102545240B1 (ko
Inventor
문성인
김경모
강토
한순우
김종범
김동진
Original Assignee
한국원자력연구원
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 한국원자력연구원 filed Critical 한국원자력연구원
Priority to KR1020200124819A priority Critical patent/KR102545240B1/ko
Publication of KR20220041512A publication Critical patent/KR20220041512A/ko
Application granted granted Critical
Publication of KR102545240B1 publication Critical patent/KR102545240B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G21—NUCLEAR PHYSICS; NUCLEAR ENGINEERING
    • G21C—NUCLEAR REACTORS
    • G21C17/00—Monitoring; Testing ; Maintaining
    • G21C17/017—Inspection or maintenance of pipe-lines or tubes in nuclear installations
    • 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
    • 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
    • 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
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E30/00—Energy generation of nuclear origin
    • Y02E30/30—Nuclear fission reactors

Abstract

실시예에 따른 배관 감육 예측 장치는 배관 내 유체 정보 및 배관 정보를 수집하는 제1 정보 수집부와, 미리 설계된 배관 시뮬레이션 모델에 상기 유체 정보 및 상기 배관 정보를 입력으로 하여 계산된 기계적 인자 정보를 수집하는 제2 정보 수집부와, 상기 유체 정보, 상기 배관 정보 및 상기 기계적 인자 정보를 미리 훈련된 딥러닝 모델에 입력으로 하여 배관 감육을 예측하는 예측부를 포함할 수 있다.
실시예는 배관내 유체 정보, 배관 정보 및 기계적 인자 정보를 이용함으로써, 감육량 예측 정확성을 향상시킬 수 있는 효과가 있다.

Description

배관 감육 예측 장치 및 방법{APPARATUS AND METHOD FOR PREDICTING OF THE TUBE WALL THINNING}
실시예는 배관 감율을 예측하기 위한 배관감육 예측 장치에 관한 것이다.
일반적으로, 원전에서 원자로를 냉각시키는 1차계통이 주로 스테인리스강 합금인 반면 2차계통은 탄소강 또는 저합금감 배관으로 구성되어 있다. 배관 내로 흐르는 냉각수는 금속표면에 금속이온 농도구배를 발생시키고 유동가속부식(Flow Accelerated Corrosion, FAC)를 초래하여 배관감육(wall thinning) 손상이 발생할 수 있다. 여기서, 배관감율은 발전소 등에서 배관이 부식으로 얇아지는 현상을 의미한다.
원전 배관의 유동가속부식은 배관재질 뿐만 아니라 배관내 유체의 화학적 특성, 산소농도, 온도 등에 의해 많은 영향을 받는다. 특히, 원전 2차계통 배관의 방대함과 가동환경의 복합성 등의 요인에 의해 유동가속부식으로 인한 배관감육 손상을 관리하는데 어려움이 있다.
상술한 문제점을 해결하기 위해, 실시예는 배관 감육의 정확성을 향상시키기 위한 배관 감육 예측 장치 및 방법을 제공하는 것을 그 목적으로 한다.
실시예에 따른 배관 감육 예측 장치는 배관 내 유체 정보 및 배관 정보를 수집하는 제1 정보 수집부와, 미리 설계된 배관 시뮬레이션 모델에 상기 유체 정보 및 상기 배관 정보를 입력으로 하여 계산된 기계적 인자 정보를 수집하는 제2 정보 수집부와, 상기 유체 정보, 상기 배관 정보 및 상기 기계적 인자 정보를 미리 훈련된 딥러닝 모델에 입력으로 하여 배관 감육을 예측하는 예측부를 포함할 수 있다.
또한, 실시예에 따른 배관 감육 예측 방법은 배관 내 유체 정보 및 배관 정보를 수집하는 단계와, 미리 설계된 배관 시뮬레이션 모델에 상기 유체 정보 및 상기 배관 정보를 입력으로 하여 계산된 기계적 인자 정보를 수집하는 단계와, 상기 유체 정보, 상기 배관 정보 및 상기 기계적 인자 정보를 미리 훈련된 딥러닝 모델에 입력으로 하여 배관 감육을 예측하는 단계를 포함할 수 있다.
또한, 실시예는 컴퓨터 프로그램을 저장하고 있는 컴퓨터 판독 가능 기록매체로서, 배관 내 유체 정보 및 배관 정보를 수집하는 단계와, 미리 설계된 배관 시뮬레이션 모델에 상기 유체 정보 및 상기 배관 정보를 입력으로 하여 계산된 기계적 인자 정보를 수집하는 단계와, 상기 유체 정보, 상기 배관 정보 및 상기 기계적 인자 정보를 미리 훈련된 딥러닝 모델에 입력으로 하여 배관 감육을 예측하는 단계를 수행하기 위한 동작을 포함하는 방법을 프로세서가 수행하도록 하기 위한 명령어를 포함할 수 있다.
또한, 실시예는 컴퓨터 판독 가능한 기록매체에 저장되어 있는 컴퓨터 프로그램으로서, 배관 내 유체 정보 및 배관 정보를 수집하는 단계와, 미리 설계된 배관 시뮬레이션 모델에 상기 유체 정보 및 상기 배관 정보를 입력으로 하여 계산된 기계적 인자 정보를 수집하는 단계와, 상기 유체 정보, 상기 배관 정보 및 상기 기계적 인자 정보를 미리 훈련된 딥러닝 모델에 입력으로 하여 배관 감육을 예측하는 단계를 수행하기 위한 동작을 포함하는 방법을 프로세서가 수행하도록 하기 위한 명령어를 포함할 수 있다.
실시예는 배관내 유체 정보, 배관 정보 및 기계적 인자 정보를 이용함으로써, 감육량 예측 정확성을 향상시킬 수 있는 효과가 있다.
또한, 실시예는 배관 시뮬레이션 모델을 통해 기계적 인자 정보를 계산하고, 이를 예측에 이용함으로써, 감육량 예측 정확성을 향상시킬 수 있는 효과가 있다.
또한, 실시예는 딥러닝 모델을 이용함으로써, 감육량 예측 정확성을 향상시킬 수 있는 효과가 있다.
도 1은 실시예에 따른 배관 감육 예측 장치를 나타낸 구성도이다.
도 2는 배관에서 측정된 데이터를 나타낸 그래프이다.
도 3은 배관 시뮬레이션 모델을 나타낸 도면이다.
도 4는 배관 시뮬레이션 모델의 해석 결과를 나타낸 도면이다.
도 5는 딥러닝 모델의 훈련 데이터를 나타낸 그래프이다.
도 6은 실시예에 따른 배관 감육 예측 장치에서 출력되는 결과를 나타낸 그래프이다.
도 7은 실시예에 따른 배관 감육 예측 방법을 나타낸 순서도이다.
이하, 도면을 참조하여 실시예를 상세히 설명하기로 한다.
도 1은 실시예에 따른 배관 감육 예측 장치를 나타낸 구성도이고, 도 2는 배관에서 측정된 데이터를 나타낸 그래프이고, 도 3은 배관 시뮬레이션 모델을 나타낸 도면이고, 도 4는 배관 시뮬레이션 모델의 해석 결과를 나타낸 도면이고, 도 5는 딥러닝 모델의 훈련 데이터를 나타낸 그래프이고, 도 6은 실시예에 따른 배관 감육 예측 장치에서 출력되는 결과를 나타낸 그래프이다.
도 1을 참조하면, 실시예에 따른 배관 감육 예측 장치(100)는 배관 내 유체 정보 및 배관 정보를 수집하는 제1 정보 수집부(110)를 포함할 수 있다.
제1 정보 수집부(110)는 배관(10) 내 유체의 수력학적 특성, 화학적 특성 및 배관재질 특성 정보를 수집할 수 있다. 제1 정보 수집부(110)는 배관(10)에 장착된 센서(미도시)에 의해 정보를 수집할 수 있다. 이와 다르게, 배관(10)의 특성을 측정하는 외부 구성으로부터 배관(10)의 정보를 수집할 수도 있다.
수력학적 특성은 유체의 압력, 온도, 유속, 유체의 전도도 등의 정보를 포함할 수 있으나, 이에 한정되지 않는다. 화학적 특성은 농도, 용존 산소량 등을 포함할 수 있으나, 이에 한정되지 않는다. 배관재질 특성은 크롬(Cr)의 함량 등을 포함할 수 있으나, 이에 한정되지 않는다.
배관(10)에서 측정되는 데이터는 도 2에 도시된 바와 같이, 시간에 따른 데이터를 포함할 수 있다.
도 1로 돌아가서, 실시예에 따른 배관 감육 예측 장치(100)는 미리 설계된 배관 시뮬레이션 모델(200)에 상기 유체 정보 및 상기 배관 정보를 입력으로 하여 계산된 기계적 인자 정보를 수집하는 제2 정보 수집부(120)를 포함할 수 있다.
배관 시뮬레이션 모델(200)은 실제 배관(10)의 정보로부터 설계될 수 있다. 배관 시뮬레이션 모델(200)은 실제 배관(10)의 특성을 반영하여 도 3에 도시된 바와 같이, 3차원 데이터로 표현될 수 있다. 배관(10)의 특성은 배관의 재질, 구경, 길이, 수도 손실, 거칠기, 형태 및 연결 정보와 같은 정보를 포함할 수 있으나, 이에 한정되지 않는다.
배관 시뮬레이션 모델(20)을 통해 기계적 인자 정보를 계산하는 동작을 설명하면 아래와 같다.
먼저, 실제 배관(10)의 특성 예컨대, 형상 정보를 반영하여 도 3에 도시된 바와 같이, 배관 시뮬레이션 모델(200, CFD, Computational Fluid Dynamics)을 3차원 구조로 생성할 수 있다.
이어서, 제1 정보 수집부(110)로부터 수집된 정보를 배관 시뮬레이션 모델(200)의 입력으로 이용할 수 있다. 배관 시뮬레이션 모델(200)은 유동 시뮬레이션을 수행하여 유동장을 계산할 수 있다. 도 4에 도시된 바와 같이, 배관 시뮬레이션 모델(200)은 유동장의 분포도를 이용하여 유동장을 계산하여 기계적 인자 정보를 수집할 수 있다. 여기서, 기계적 인자 정보는 속도, 전단력 및 난류강도 등을 포함할 수 있으나, 이에 한정되지 않는다.
상기와 같이 계산된 기계적 인자 정보는 관심 위치(x,y,z 좌표)에 따라 DB화되며, 제2 정보 수집부(120)는 배관 시뮬레이션 모델(200)로부터 계산된 기계적 인자 정보를 수집하게 된다.
도 1로 돌아가서, 실시예에 따른 배관 감육 예측 장치(100)는 실시간으로 수집되는 상기 유체 정보, 상기 배관 정보 및 상기 기계적 인자 정보를 미리 훈련된 딥러닝 모델(300)에 입력으로 하여 배관 감육을 예측하는 예측부(130)를 포함할 수 있다.
딥러닝 모델(300)은 미리 훈련될 수 있다. 딥러닝 모델(300)은 미리 수집된 유체 정보, 배관 정보 및 기계적 인자 정보를 입력으로 하고, 유체 정보, 배관 정보 및 기계적 인자 정보를 입력 정보로 이용하여 훈련될 수 있다. 딥러닝 모델(300)은 배관 감육 정보를 출력 정보로 이용하여 훈련될 수 있다.
배관감육정보는 수학식 1에 의해 정의될 수 있다. 즉, 배관감육정보는 제1 정보 수집부(110)로부터 수집된 정보와, 제2 정보 수집부(120)로부터 수집된 기계적 인자 정보의 상관관계에 의해 나타날 수 있다. 여기서, Wn은 감육속도에 미치는 각 기계적 인자의 기여도를 의미하고, f는 함수를 의미한다.
[수학식 1]
Figure pat00001
도 5에 도시된 바와 같이, 시간에 따른 입력 정보와 출력 정보를 이용하여 딥러닝 모델(300)을 미리 훈련시킬 수 있게 된다. 즉, 현재시점에서 n 시간전(t0 - (n-1), t0 - (n-2), t0 - (n-3), ..., t0)의 입출력데이터를 이용해 t0 + 1시간 후의 두께변화율을 계산(예측)하는 예측모델을 만들 수 있다. 여기서, 딥러닝 모델은 CNN(Convolutional Neural Network), RNN(Recurrent Neural Network)을 포함할 수 있으나, 이에 한정되지 않는다.
미리 훈련된 딥러닝 모델(300)에 실시간으로 수집되는 유체 정보, 배관정보 및 기계적 인자 정보를 입력하면 그에 따른 배관 감육률이 출력되어 실시간으로 배관 감율을 예측할 수 있게 된다. 즉, 실시간 모니터링이 가능하게 된다.
또한, 도 6에 도시된 바와 같이, n시간 전(t0 시점)에서의 입력데이터 (n X (입력데이터의 종류)의 크기를 갖는 배열 형태)를 예측모델에 입력하여 t0 +1에서의 감육률을 예측할 수 있게 된다.
실시예는 배관 내 유체 정보, 배관 정보 및 기계적 인자 정보를 이용함으로써, 감육량 예측 정확성을 향상시킬 수 있는 효과가 있다.
또한, 실시예는 배관 시뮬레이션 모델을 통해 기계적 인자 정보를 계산하고, 이를 예측에 이용함으로써, 감육량 예측 정확성을 향상시킬 수 있는 효과가 있다.
또한, 실시예는 딥러닝 모델을 이용함으로써, 감육량 예측 정확성을 향상시킬 수 있는 효과가 있다.
상기에서는 배관 감육 장치의 구성에 대해 설명하였지만, 배관 감육 장치, 배관 시뮬레이션 모델, 딥러닝 모델을 시스템으로 구성하여 배관 감육을 예측할 수 있다.
도 7은 실시예에 따른 배관 감육 예측 방법을 나타낸 순서도이다.
도 7을 참조하면, 실시예에 따른 배관 감육 예측 방법은 배관 내 유체 정보 및 배관 정보를 수집하는 단계(S100)와, 미리 설계된 배관 시뮬레이션 모델에 상기 유체 정보 및 상기 배관 정보를 입력으로 하여 계산된 기계적 인자 정보를 수집하는 단계(S200)와, 실시간으로 수집되는 상기 유체 정보, 상기 배관 정보 및 상기 기계적 인자 정보를 미리 훈련된 딥러닝 모델에 입력으로 하여 배관 감육을 예측하는 단계(S300)를 포함할 수 있다. 여기서, 배관 감육 예측 방법은 배관 감육 예측 장치에서 수행될 수 있다.
배관 내 유체 정보 및 배관 정보를 수집하는 단계(S100)는 제1 정보 수집부에서 수행될 수 있다.
배관 내 유체 정보 및 배관 정보를 수집하는 단계(S100)는 배관 내 유체의 수력학적 특성, 화학적 특성 및 배관재질 특성 정보를 수집할 수 있다. 수력학적 특성은 유체의 압력, 온도, 유속 등의 정보를 포함할 수 있으나, 이에 한정되지 않는다. 화학적 특성은 농도, 용존 산소량 등을 포함할 수 있으나, 이에 한정되지 않는다. 배관재질 특성은 크롬(Cr)의 함량 등을 포함할 수 있으나, 이에 한정되지 않는다.
미리 설계된 배관 시뮬레이션 모델에 상기 유체 정보 및 상기 배관 정보를 입력으로 하여 계산된 기계적 인자 정보를 수집하는 단계(S200)는 제2 정보 수집부에서 수행될 수 있다.
미리 설계된 배관 시뮬레이션 모델에 상기 유체 정보 및 상기 배관 정보를 입력으로 하여 계산된 기계적 인자 정보를 수집하는 단계(S200)는 배관 시뮬레이션 모델로부터 계산된 기계적 인자 정보를 수집할 수 있다. 여기서, 기계적 인자 정보는 속도, 전단력 및 난류강도 등을 포함할 수 있으나, 이에 한정되지 않는다.
배관 정보 및 상기 기계적 인자 정보를 미리 훈련된 딥러닝 모델에 입력으로 하여 배관 감육을 예측하는 단계(S300)는 예측부에서 수행될 수 있다.
배관 정보 및 상기 기계적 인자 정보를 미리 훈련된 딥러닝 모델에 입력으로 하여 배관 감육을 예측하는 단계(S300)는 미리 훈련된 딥러닝 모델로부터 수집될 수 있다. 미리 훈련된 딥러닝 모델에 실시간 또는 t0시간 전의 데이터를 입력하면 실시간 또는 t0+1 에서의 감육률을 예측할 수 있게 된다.
본 문서의 다양한 실시예들은 기기(machine)(예: 컴퓨터)로 읽을 수 있는 저장 매체(machine-readable storage media)(예: 메모리(내장 메모리 또는 외장 메모리))에 저장된 명령어를 포함하는 소프트웨어(예: 프로그램)로 구현될 수 있다. 기기는, 저장 매체로부터 저장된 명령어를 호출하고, 호출된 명령어에 따라 동작이 가능한 장치로서, 개시된 실시예들에 따른 전자 장치를 포함할 수 있다. 상기 명령이 제어부에 의해 실행될 경우, 제어부가 직접, 또는 상기 제어부의 제어하에 다른 구성요소들을 이용하여 상기 명령에 해당하는 기능을 수행할 수 있다. 명령은 컴파일러 또는 인터프리터에 의해 생성 또는 실행되는 코드를 포함할 수 있다. 기기로 읽을 수 있는 저장매체는, 비일시적(non-transitory) 저장매체의 형태로 제공될 수 있다. 여기서, 비일시적은 저장매체가 신호(signal)를 포함하지 않으며 실재(tangible)한다는 것을 의미할 뿐 데이터가 저장매체에 반영구적 또는 임시적으로 저장됨을 구분하지 않는다.
실시예에 따르면, 본 문서에 개시된 다양한 실시예들에 따른 방법은 컴퓨터 프로그램 제품(computer program product)에 포함되어 제공될 수 있다.
일 실시예에 따르면, 컴퓨터 프로그램을 저장하고 있는 컴퓨터 판독 가능 기록매체로서, 배관 내 유체 정보 및 배관 정보를 수집하는 단계와, 미리 설계된 배관 시뮬레이션 모델에 상기 유체 정보 및 상기 배관 정보를 입력으로 하여 계산된 기계적 인자 정보를 수집하는 단계와, 상기 유체 정보, 상기 배관 정보 및 상기 기계적 인자 정보를 미리 훈련된 딥러닝 모델에 입력으로 하여 배관 감육을 예측하는 단계를 수행하기 위한 동작을 포함하는 방법을 프로세서가 수행하도록 하기 위한 명령어를 포함할 수 있다.
일 실시예에 따르면, 컴퓨터 판독 가능한 기록매체에 저장되어 있는 컴퓨터 프로그램으로서, 배관 내 유체 정보 및 배관 정보를 수집하는 단계와, 미리 설계된 배관 시뮬레이션 모델에 상기 유체 정보 및 상기 배관 정보를 입력으로 하여 계산된 기계적 인자 정보를 수집하는 단계와, 상기 유체 정보, 상기 배관 정보 및 상기 기계적 인자 정보를 미리 훈련된 딥러닝 모델에 입력으로 하여 배관 감육을 예측하는 단계를 수행하기 위한 동작을 포함하는 방법을 프로세서가 수행하도록 하기 위한 명령어를 포함할 수 있다.
상기에서는 도면 및 실시예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허청구범위에 기재된 실시예의 기술적 사상으로부터 벗어나지 않는 범위 내에서 실시예는 다양하게 수정 및 변경시킬 수 있음은 이해할 수 있을 것이다.
10: 배관
100: 배관 감육 예측 장치
200: 배관 시뮬레이션 모델
300: 딥러닝 모델

Claims (7)

  1. 배관 내 유체 정보 및 배관 정보를 수집하는 제1 정보 수집부;
    미리 설계된 배관 시뮬레이션 모델에 상기 유체 정보 및 상기 배관 정보를 입력으로 하여 계산된 기계적 인자 정보를 수집하는 제2 정보 수집부; 및
    상기 유체 정보, 상기 배관 정보 및 상기 기계적 인자 정보를 미리 훈련된 딥러닝 모델에 입력으로 하여 배관 감육을 예측하는 예측부;
    를 포함하는 배관 감육 예측 장치.
  2. 제1항에 있어서,
    상기 딥러닝 모델은 미리 수집된 상기 유체 정보, 상기 배관 정보 및 상기 기계적 인자 정보를 입력으로 하고, 상기 유체 정보, 상기 배관 정보 및 상기 기계적 인자 정보를 이용하여 계산된 배관 감육 정보를 출력으로 하여 훈련되는 배관 감육 예측 장치.
  3. 제1항에 있어서,
    상기 배관 시뮬레이션 모델은 상기 배관의 설계 정보에 따라 설계되고, 상기 배관 시뮬레이션 모델은 관심 위치에 따른 기계적 인자 정보를 DB화시키는 배관 감육 예측 장치.
  4. 제1항 내지 제3항 중 어느 한 항에 있어서,
    상기 유체 정보는 압력, 온도 및 유속 정보를 포함하는 유체의 수력학적 특성과 농도, 용존산소량을 포함하는 화학적 특성을 포함하는 배관 감육 예측 장치.
  5. 제1항 내지 제3항 중 어느 한 항에 있어서,
    상기 배관 정보는 배관의 재질 특성 정보를 포함하고, 상기 배관의 재질 특성 정보는 상기 배관에 포함된 크롬(Cr)의 함량 정보를 포함하는 배관 감육 예측 장치.
  6. 제1항 내지 제3항 중 어느 한 항에 있어서,
    상기 기계적 인자 정보는 속도, 전단력 및 난류강도 중 적어도 하나 이상을 포함하는 배관 감육 예측 장치.
  7. 배관 감육 예측 장치에서 수행되는 배관 감육 예측 방법에 있어서,
    배관 내 유체 정보 및 배관 정보를 수집하는 단계;
    미리 설계된 배관 시뮬레이션 모델에 상기 유체 정보 및 상기 배관 정보를 입력으로 하여 계산된 기계적 인자 정보를 수집하는 단계; 및
    상기 유체 정보, 상기 배관 정보 및 상기 기계적 인자 정보를 미리 훈련된 딥러닝 모델에 입력으로 하여 배관 감육을 예측하는 단계;
    를 포함하는 배관 감육 예측 방법.
KR1020200124819A 2020-09-25 2020-09-25 배관 감육 예측 장치 및 방법 KR102545240B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200124819A KR102545240B1 (ko) 2020-09-25 2020-09-25 배관 감육 예측 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200124819A KR102545240B1 (ko) 2020-09-25 2020-09-25 배관 감육 예측 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20220041512A true KR20220041512A (ko) 2022-04-01
KR102545240B1 KR102545240B1 (ko) 2023-06-20

Family

ID=81183457

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200124819A KR102545240B1 (ko) 2020-09-25 2020-09-25 배관 감육 예측 장치 및 방법

Country Status (1)

Country Link
KR (1) KR102545240B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102613993B1 (ko) * 2023-07-24 2023-12-13 한국전력기술 주식회사 감육 및 보강이 존재하는 배관과 감육이 존재하는 배관의건전성 평가 방법

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001280599A (ja) * 2000-03-31 2001-10-10 Hitachi Ltd 発電プラント配管の寿命予測方法
JP2020041995A (ja) * 2018-09-13 2020-03-19 三菱重工業株式会社 監視装置、監視システム、監視方法及びプログラム

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001280599A (ja) * 2000-03-31 2001-10-10 Hitachi Ltd 発電プラント配管の寿命予測方法
JP2020041995A (ja) * 2018-09-13 2020-03-19 三菱重工業株式会社 監視装置、監視システム、監視方法及びプログラム

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102613993B1 (ko) * 2023-07-24 2023-12-13 한국전력기술 주식회사 감육 및 보강이 존재하는 배관과 감육이 존재하는 배관의건전성 평가 방법

Also Published As

Publication number Publication date
KR102545240B1 (ko) 2023-06-20

Similar Documents

Publication Publication Date Title
US7546224B2 (en) Method for assessing the integrity of a structure
Tijsseling et al. Improved one-dimensional models for rapid emptying and filling of pipelines
US20230034897A1 (en) A method and system for predicting pipeline corrosion
Zhang et al. Time-dependent corrosion growth modeling using multiple in-line inspection data
Yu et al. Subset simulation-based reliability analysis of the corroding natural gas pipeline
Ma et al. Deeppipe: Theory-guided neural network method for predicting burst pressure of corroded pipelines
EP3904987B1 (en) Control support apparatus, control support method, control support program, computer readable medium with control support program recorded thereon and control system
CN103729534A (zh) 弧线管换热器颗粒污垢实验装置与预测方法及预测系统
KR102545240B1 (ko) 배관 감육 예측 장치 및 방법
Heidary et al. A hybrid population-based degradation model for pipeline pitting corrosion
EP4049771B1 (en) Prediction of preheat refractory temperature profile of a ladle furnace
Bin Mohd et al. On the burst strength capacity of an aging subsea gas pipeline
Sandhu et al. Post-hazard condition assessment of nuclear piping-equipment systems: Novel approach to feature extraction and deep learning
Mohd Tahir et al. Underground corrosion model of steel pipelines using in situ parameters of soil
AU2018344386A1 (en) Method for determining the geometry of a defect and for determining a load limit
Hazra et al. Estimation of flow-accelerated corrosion rate in nuclear piping system
Straub et al. Temporal variability in corrosion modeling and reliability updating
Qi et al. A CNN-based method for concreate crack detection in underwater environments
Wang et al. An initial residual stress inference method by incorporating monitoring data and mechanism model
WO2009022148A1 (en) Method and apparatus for operating a pipeline
Dagli et al. Estimation of natural frequencies of pipe–fluid–mass system by using causal discovery algorithm
Guo et al. Monitoring of Bridges Damage Based on the System Transfer Function Maps from Sensors Datasets
Zhang et al. Analysis of tensile damage of titanium alloy in seawater environment based on deep learning
CN116011356B (zh) 一种基于ConvLSTM与OpenFOAM数值计算耦合的海底管缆冲刷预测方法
Miao et al. Progress and Opportunities in Computational Modeling of Localized Corrosion

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
AMND Amendment
E601 Decision to refuse application
X091 Application refused [patent]
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant