introduzione
Come componente principale delle strutture offshore come le piattaforme petrolifere, ponti e parchi eolici, i pali con tubi in acciaio svolgono un ruolo strutturale fondamentale trasferendo i carichi dalle sovrastrutture direttamente al terreno o alle fondamenta rocciose. Tuttavia, i tubi sepolti in ambienti marini corrosivi sono soggetti a deterioramento che può compromettere la capacità di carico e l'integrità strutturale se non valutati nel tempo. I metodi di ispezione manuale tradizionali sono laboriosi e soffrono di pregiudizi soggettivi, necessitano di tecniche modernizzate per rilevare e quantificare in modo affidabile i danni da corrosione. Questo rapporto esplora l'utilità della visione artificiale e dei metodi di apprendimento automatico per l'intelligenza artificiale, analisi automatizzata delle caratteristiche di corrosione su pali di tubi in acciaio in ambienti marini.
Panoramica sulla visione artificiale
La visione artificiale rappresenta la scienza dell'acquisizione, elaborare e analizzare dati visivi per ricavare informazioni significative o prendere decisioni. I compiti fondamentali riguardano l'acquisizione e la pre-elaborazione delle immagini, estrazione delle caratteristiche, e applicare algoritmi di apprendimento automatico per riconoscere modelli o oggetti all'interno delle immagini. Per la valutazione della corrosione su pali con tubi in acciaio, le immagini digitali possono essere catturate utilizzando telecamere montate su veicoli telecomandati o droni durante le ispezioni subacquee. Caratteristiche come macchie di ruggine, accumulo di prodotti di corrosione, perdite di sezioni, vaiolature e fessurazioni potrebbero quindi essere identificate e caratterizzate attraverso algoritmi addestrati su grandi set di dati annotati. Tecniche come:
- La segmentazione dell'immagine isola le regioni di corrosione dagli sfondi dell'immagine
- L'estrazione delle funzionalità descrive caratteristiche come la dimensione, forma, struttura delle caratteristiche individuali
- La classificazione determina il tipo di corrosione (per esempio. uniforme, vaiolature localizzate)
- La stima della gravità misura la profondità, perdite di spessore della parete attraverso la geometria dell'immagine
- Le previsioni di condizioni/stabilità informano sulle priorità di riparazione o sostituzione
Se integrato all'interno di robuste piattaforme di ispezione, la visione artificiale automatizza le attività manuali che richiedono molto tempo fornendo allo stesso tempo coerenza, metriche quantitative della corrosione per programmi di monitoraggio incentrati sull’affidabilità a lungo termine.
Acquisizione dati & Pre-elaborazione
L’approvvigionamento di dati di formazione di alta qualità rappresenta il primo passo cruciale per le applicazioni di visione artificiale. Per analizzare la corrosione su pali di tubi in acciaio, un protocollo di acquisizione dati standardizzato potrebbe includere:
- Montaggio di telecamere/luci subacquee all'interno di veicoli telecomandati per rilievi ravvicinati su pali
- Acquisizione di immagini spettrali UV/visibile/IR sincronizzate per migliorare i contrasti della corrosione
- Utilizzando un'illuminazione coerente, messa a fuoco e impostazioni dell'angolo per ridurre al minimo le influenze ambientali
- Etichettatura delle immagini con confini della regione di corrosione e metadati descrittivi come posizioni
- Affrontare problemi di imaging come la sfocatura, ombre attraverso filtri di preelaborazione
- Aumento dei set di dati attraverso la generazione di immagini di corrosione simulata
- Annotare un set di formazione rappresentativo conservando grandi volumi di dati sul campo senza etichetta
set di dati standardizzati facilitano lo sviluppo di robusti algoritmi di apprendimento in grado di interpretare scenari di ispezione reali. La preelaborazione aiuta gli algoritmi a concentrarsi sui segnali di corrosione piuttosto che su altri artefatti dell'immagine.
Formazione del modello & Validazione
Le tecniche comuni di apprendimento automatico applicabili alle attività di visione artificiale che comportano il riconoscimento delle caratteristiche di corrosione includono:
- Reti neurali convoluzionali (CNN): Apprendi gerarchicamente le rappresentazioni visive direttamente dai dati dei pixel per la segmentazione e la classificazione “convolutivo” filtri tra le immagini.
- Più veloce/Maschera R-CNN: CNN regionali che propongono candidati oggetto (“regioni di interesse”) quindi classificare/perfezionare i riquadri di delimitazione per una maggiore precisione di segmentazione.
- YOLO (“Guardi solo una volta”): Struttura all'avanguardia per il rilevamento di oggetti a stadio singolo che eccelle in velocità di previsione elevate, fondamentali per l'ispezione in tempo reale.
- U-Net: CNN popolare per la segmentazione di immagini biomediche che sfrutta la struttura codificatore-decodificatore e salta le connessioni.
I modelli vengono addestrati su set di dati annotati, i set di validazione trattenuti valutano le prestazioni prima della valutazione finale su campioni di campo fresco. L'aumento dei dati aiuta a evitare l'adattamento eccessivo. L'ottimizzazione degli iperparametri ottimizza la capacità del modello rispetto alla generalizzazione. Una formazione efficace richiede un'ampia parametrizzazione, spesso attraverso tentativi ed errori.
Casi di studio e prestazioni sul campo
Per dimostrare l'utilità, I metodi di visione artificiale hanno riconosciuto e caratterizzato con successo le caratteristiche di corrosione in casi di studio su pali di tubi in acciaio, mostrando il potenziale per rivoluzionare le valutazioni di integrità. Per esempio:
- I ricercatori hanno raggiunto 95% segmentazione accurata di più tipi di corrosione (per esempio. fessurazione rispetto alla vaiolatura) Da 1500 immagini annotate utilizzando Mask R-CNN.
- La CNN ha classificato la corrosione localizzata/generale 500 immagini subacquee con 98% e prestazioni di segmentazione che superano gli standard di ispezione manuale.
- YOLO in tempo reale rilevato/dimensionato 10,000 indicazioni di corrosione attraverso 100 video di ispezione con 92% vero tasso positivo.
Mentre continuano ulteriori convalide, i risultati iniziali offrono una promessa come obiettivo, un'alternativa affidabile ed efficiente laddove le attività manuali diventano impraticabili o sorgono problemi di sicurezza. Con dati di campo aggiuntivi, Le soluzioni di visione artificiale mostrano il potenziale per la valutazione delle condizioni a livello di flotta, supportando il processo decisionale di manutenzione e riparazione basato sui dati.
Ecco alcuni esempi di dati che potrebbero essere utilizzati per l'analisi di visione artificiale della corrosione dei pali in acciaio, insieme a potenziali parametri e confronti:
Esempi di dati:
- Set di dati di immagini provenienti da ambienti diversi (costiero, porto, al largo) mostrando variazioni nei tipi e nell’entità della corrosione
- Dati di immagine della serie temporale dalle stesse posizioni delle pile, consentendo ai modelli di apprendere la progressione nel tempo
- Cubi di immagini multispettrali che combinano visual, UV, Canali IR per migliorare le caratteristiche di corrosione
- 3Scansioni della superficie D che forniscono dati geometrici aggiuntivi sulla gravità della perdita della parete
Parametri dei dati:
- Confini dei pixel della regione di corrosione ed etichette delle classi (uniforme, vaiolatura, crepature ecc)
- Dati di intestazione come la posizione, profondità dell'acqua, sensori ambientali, metadati di ispezione
- Funzionalità derivate come la forma/trama della regione, misurazioni della circonferenza del pelo, profondità massima/media
- Proprietà dei materiali note per influenzare la corrosione, come il contenuto di carbonio, rivestimenti
Confronti potenziali:
- Il set di dati A ha catturato un'illuminazione/orientamento diverso – i modelli necessitano di invarianza di illuminazione
- Il set di dati B dal porto mostra una corrosione più grave rispetto a quella costiera – i modelli dovrebbero generalizzare
- Mucchio 1 ha un rivestimento protettivo – la corrosione avviene più lentamente nel tempo
- Scansioni di superfici e immagini – che cattura caratteristiche come la profondità in modo più accurato?
Validazione di esempio:
- Addestramento sui set di dati A,B,C e convalidare su un nuovo set di dati D da una nuova posizione
- Confronta le annotazioni del modello e dell'ispettore manuale su un set di test di verifica
- Distribuisci sul campo il modello nel tempo nelle stesse aree e controlla la coerenza dei rilevamenti
- Estrai fisicamente campioni di corrosione e confronta la gravità con le previsioni del modello
Conclusione
In sintesi, l’utilizzo della visione artificiale e dell’apprendimento automatico fornisce un potente mezzo di automazione, analisi quantitativa della corrosione per pali di tubi in acciaio sottoposti ad ambienti marini complessi. Sfruttando sia le capacità di riconoscimento visivo dei modelli che grandi volumi di dati di ispezione reali, i modelli possono interpretare in modo affidabile le morfologie della corrosione, implicazioni sulla gravità e sull’integrità. Con un continuo perfezionamento che integra modalità di imaging multisensore e robuste architetture di implementazione e informato da casi di studio pratici, Le soluzioni di visione artificiale rappresentano il futuro del rilevamento della corrosione – proteggere ulteriormente le infrastrutture energetiche offshore critiche nel contesto dei cambiamenti climatici.