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.
L'uso di pali di tubi nella costruzione di fondazioni è stata una scelta popolare per molti anni. I pali di tubi vengono utilizzati per trasferire il carico di una struttura a un livello più profondo, strato più stabile di terreno o roccia.
Vantaggi delle capriate per tubi L'uso di capriate per tubi nella costruzione offre numerosi notevoli vantaggi: Resistenza e capacità di carico: Le capriate per tubi sono rinomate per il loro elevato rapporto resistenza/peso. I tubi interconnessi distribuiscono i carichi in modo uniforme, risultando in una struttura robusta e affidabile. Ciò consente la costruzione di ampie campate senza la necessità di eccessive colonne o travi di supporto.
Lo standard per i tubi senza saldatura per il trasporto di fluidi dipende dal paese o dalla regione in cui ti trovi, così come l'applicazione specifica. Tuttavia, sono alcuni standard internazionali ampiamente utilizzati per i tubi senza saldatura per il trasporto di fluidi: ASTM A106: Questa è una specifica standard per tubi in acciaio al carbonio senza saldatura per servizi ad alta temperatura negli Stati Uniti. È comunemente usato nelle centrali elettriche, raffinerie, e altre applicazioni industriali in cui sono presenti temperature e pressioni elevate. Copre tubi di grado A, B, e C, con proprietà meccaniche variabili a seconda del grado. API5L: Questa è una specifica standard per i tubi utilizzati nell'industria del petrolio e del gas. Copre tubi in acciaio senza saldatura e saldati per sistemi di trasporto di condotte, compresi tubi per il trasporto del gas, Acqua, e olio. I tubi API 5L sono disponibili in vari gradi, come X42, X52, X60, e X65, a seconda delle proprietà del materiale e dei requisiti applicativi. ASTM A53: Si tratta di una specifica standard per tubi in acciaio zincato a caldo e nero saldato e senza saldature utilizzati in vari settori, comprese le applicazioni di trasporto di fluidi. Copre tubi di due gradi, A e B, con proprietà meccaniche e destinazioni d'uso diverse. DA 2448 / IN 10216: Si tratta di standard europei per i tubi in acciaio senza saldatura utilizzati nelle applicazioni di trasporto di fluidi, compresa l'acqua, gas, e altri fluidi. Per saperne di più
I tubi senza saldatura per il trasporto di fluidi sono progettati per resistere a diversi tipi di corrosione a seconda del materiale utilizzato e dell'applicazione specifica. Alcuni dei tipi più comuni di corrosione a cui questi tubi sono progettati per resistere includono: Corrosione uniforme: Questo è il tipo più comune di corrosione, dove l'intera superficie del tubo si corrode in modo uniforme. Per resistere a questo tipo di corrosione, i tubi sono spesso realizzati con materiali resistenti alla corrosione, come l'acciaio inossidabile o rivestiti con rivestimenti protettivi. Corrosione galvanica: Ciò si verifica quando due metalli diversi sono in contatto tra loro in presenza di un elettrolita, portando alla corrosione del metallo più attivo. Per prevenire la corrosione galvanica, i tubi possono essere realizzati con metalli simili, oppure possono essere isolati tra loro utilizzando materiali isolanti o rivestimenti. Corrosione per vaiolatura: La vaiolatura è una forma localizzata di corrosione che si verifica quando piccole aree sulla superficie del tubo diventano più suscettibili agli attacchi, portando alla formazione di piccoli alveoli. Questo tipo di corrosione può essere prevenuta utilizzando materiali con elevata resistenza alla vaiolatura, come le leghe di acciaio inossidabile con aggiunta di molibdeno, oppure applicando rivestimenti protettivi. Corrosione interstiziale: La corrosione interstiziale si verifica in spazi ristretti o spazi tra due superfici, come Per saperne di più
Schermi in filo metallico a cuneo, noti anche come schermi a filo profilato, sono comunemente utilizzati in vari settori per le loro capacità di screening superiori. Sono costruiti con filo di forma triangolare,
2 7/8in J55 K55 il tubo dell'involucro del pozzo perforato è uno dei principali prodotti del nostro acciaio abter, possono essere usati per l'acqua, olio, campi di trivellazione di pozzi di gas. Gli spessori possono essere forniti da 5,51-11,18 mm in base alla profondità del pozzo del cliente e alle proprietà meccaniche richieste. Normalmente sono provvisti di attacco filettato, come NUE o EUE, che sarà più facile da installare sul posto. La lunghezza dei tubi di rivestimento perforati da 3 a 12 m è disponibile per le diverse altezze degli impianti di perforazione del cliente. Anche il diametro del foro e l'area aperta sulla superficie sono personalizzati. I diametri dei fori più diffusi sono 9 mm, 12mm, 15mm, 16mm, 19mm, eccetera.
