Разработка технологии и оборудования комплексного неразрушающего контроля поверхности основного металла магистральных газопроводов тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Кусый Андрей Геннадьевич

• Кусый Андрей Геннадьевич
• кандидат наук
• 2025

Оглавление диссертации кандидат наук Кусый Андрей Геннадьевич

1.2.1 Байесовский вывод

1.2.2 Теория Демпстера-Шафера

1.2.3 Логистическая регрессия

1.2.4 Полиномиальная регрессия

1.2.5 Метод опорных векторов

1.2.6 Дерево решений

1.2.7 Случайный лес

1.2.8 Градиентный Бустинг

1.2.9 Адаптивный бустинг

1.2.10 Полносвязная нейронная сеть

1.2.11 Сверточная нейронная сеть

1.3 Постановка исследовательских задач

1.4 Результаты и выводы первой главы

ГЛАВА 2. ИССЛЕДОВАНИЕ ВОЗМОЖНОСТЕЙ ВЫЯВЛЕНИЯ И

КЛАССИФИКАЦИИ МАГИСТРАЛЬНЫХ

ПОВЕРХНОСТНЫХ ТРУБОПРОВОДОВ

ДЕФЕКТОВ МЕТОДАМИ

НЕРАЗРУШАЮЩЕГО КОНТРОЛЯ ПО ОТДЕЛЬНОСТИ

2.1 Постановка задачи

2.2 Подготовка данных

2.3 Оценка возможностей ультразвукового метода контроля

2.4 Оценка возможностей вихретокового контроля

44

44

45

47

Стр.

2.5 Результаты и выводы второй главы

ГЛАВА 3. РАЗРАБОТКА МОДЕЛЕЙ, ПОЗВОЛЯЮЩИХ ПРОИЗВОДИТЬ ИДЕНТИФИКАЦИЮ КОРРОЗИОННЫХ ПОВРЕЖДЕНИЙ ПО РЕЗУЛЬТАТАМ ТЕЛЕВИЗИОННОГО КОНТРОЛЯ

3.1 Анализ существующих моделей для идентификации коррозионных повреждений по данным, полученным по результатам телевизионного контроля

3.2 Подготовка набора данных

3.3 Создание модели идентификацию коррозионных повреждений по результатам телевизионного контроля

3.4 Результаты и выводы третьей главы

ГЛАВА 4. СОЗДАНИЕ МОДЕЛЕЙ СОВМЕСТНОГО АНАЛИЗА ДАННЫХ, ПОЛУЧЕННЫХ МЕТОДАМИ НЕРАЗРУШАЮЩЕГО КОНТРОЛЯ ОСНОВНОГО МЕТАЛЛА МАГИСТРАЛЬНЫХ ТРУБОПРОВОДОВ

4.1 Подготовка данных

4.2 Создание модели классификации дефектов по результатам комплексного контроля

4.3 Создание модели определения размеров дефектов по результатам комплексного контроля

4.4 Создание общей схемы совместного анализа данных по результатам комплексного контроля

4.5 Результаты и выводы четвертой главы

ГЛАВА 5. РАЗРАБОТКА ТЕХНОЛОГИИ И ОБОРУДОВАНИЯ ДЛЯ КОМПЛЕКСНОГО НЕРАЗРУШАЮЩЕГО КОНТРОЛЯ ОСНОВНОГО

МЕТАЛЛА МАГИСТРАЛЬНЫХ ТРУБОПРОВОДОВ

5.1. Общее устройство опытного образца комплекса автоматизированного неразрушающего контроля линейной части магистральных газопроводов

Стр.

5.2 Технология комплексного неразрушающего контроля поверхности основного металла магистральных газопроводов

5.3 Результаты и выводы пятой главы

ОСНОВНЫЕ ВЫВОДЫ И ЗАКЛЮЧЕНИЕ

СПИСОК ЛИТЕРАТУРЫ

Перечень сокращений

CNN - convolutional neural network PoD - Probability of detection ВИК - визуальный и измерительный контроль ВК - вихретоковый контроль ВТП - вихретоковый преобразователь НД - нормативная документация НК - неразрушающий контроль ОК - объект контроля РЭ - руководство по эксплуатации СДТ - соединительные детали трубопроводов УЗК -Ультразвуковой контроль ЭМАП - электромагнитно-акустический преобразователь

6

Введение

Введение диссертации (часть автореферата) на тему «Разработка технологии и оборудования комплексного неразрушающего контроля поверхности основного металла магистральных газопроводов»

Актуальность работы

Обеспечение безопасной и безаварийной эксплуатации магистральных газопроводов, протяженность которых в России превышает 182,5 тысячи километров, является важной современной задачей. В рамках ее решения применяется целый комплекс работ по техническому диагностированию, который обеспечивает оценку технического состояния трубопроводов, расчет величины их остаточного ресурса и определение объема ремонтных работ.

Высокая протяженность делает невозможным осуществление замены всех трубопроводов с истекшим сроком службы. Поэтому в настоящее время выполняется выборочный ремонт и переизоляция отдельных участков трубопроводов. Из-за чего первостепенную важность имеет качество и объем информации, получаемой при техническом диагностировании данных участков.

Одним из основных методов применяемых при техническом диагностировании трубопроводов является внутритрубный контроль, однако применяемые при внутритрубном контроле дефектоскопы имеют ограниченную чувствительность к дефектам на наружной поверхности трубопровода и не всегда обеспечивают выявление дефектов, таких как стресс-коррозионные трещины, глубиной менее 10% от толщины стенки трубы.

Для более полного выявления дефектов на наружной поверхности трубопроводов используют средства наружного контроля, которые реализуют различные методы неразрушающего контроля. При этом используются как ручной контроль, так и контроль с использованием автоматизированных сканеров-дефектоскопов. Несмотря на то, что автоматизированные сканеры-дефектоскопы существенно повышают производительность контроля, они не всегда позволяют классифицировать обнаруженные несплошности по типам и

определять их параметры. Поэтому после выполнения контроля с использованием автоматизированных сканеров-дефектоскопов выполняется ручной подтверждающий контроль. Ручной подтверждающий контроль является очень трудоемким процессом, помимо этого он сильно зависит от квалификации специалиста, проводящего работы, поэтому результаты контроля могут содержать неточности, вызванные субъективным человеческим фактором.

В связи с этим актуальной задачей является создание технологии и оборудования для автоматизированного контроля, которые будут позволять в автоматическом режиме производить классификацию и оценку параметров обнаруженных несплошностей.

Цель работы и основные задачи исследований

Целью работы является повышение производительности и исключение влияния человеческого фактора при неразрушающем контроле основного металла трубопроводов за счет исключения ручного контроля и создания технологии и оборудования, позволяющих в автоматическом режиме проводить классификацию и оценку параметров обнаруженных несплошностей. Для достижения установленной цели были сформулированы следующие основные задачи:

1. Выбрать методы наружного неразрушающего контроля основного металла трубопроводов, которые позволяют с высокой достоверностью выявлять поверхностные дефекты в автоматизированном режиме;

2. Экспериментально исследовать на предмет выявляемости и возможности классификации поверхностных дефектов основного металла трубопровода каждый выбранный метод неразрушающего контроля по отдельности;

3. Разработать модели классификации поверхностных дефектов на основе статистических методов и алгоритмов машинного обучения по результатам неразрушающего контроля комплексом методов;

4. Разработать модели определения размеров выявленных дефектов на основе алгоритмов машинного обучения по результатам неразрушающего контроля комплексом методов;

5. Разработать технологию и оборудование совместного анализа данных по результатам комплексного контроля системами УК, ВК и ВИК, которые позволят определять тип дефекта и его параметры.

Методы исследования

Результаты выполненной работы были получены за счет теоретических и экспериментальных исследований, разработки и обучения сверточных нейронных сетей и алгоритмов машинного обучения. Эксперименты были выполнены с использованием ультразвукового дефектоскопа Sonaflex с электромагнитно-акустическим преобразователем, дефектоскопа Omniscan MX с вихретоковым модулем и дифференциальным вихретоковым преобразователем. Экспериментальные образцы содержали два типа искусственных дефектов -поверхностные пазы, изготовленные электроэрозионным способом, и вертикальные сверления. Разработка образцов для экспериментальных исследований, разработка и обучение сверточных нейронных сетей и алгоритмов машинного обучения были выполнены с использованием стандартных программ, таких как KOMPAS 3D, Microsoft Excel, Python 3.0.

Научная новизна работы

1. Установлены границы областей неоднозначности, не позволяющих осуществлять классификацию поверхностных дефектов ультразвуковым и

вихретоковым методами по отдельности, поскольку пересечение амплитудных значений сигналов от дефектов для ультразвукового контроля составляет порядка 17 дБ, а для вихретокового контроля для амплитудных значений - порядка 2 дБ, а для фазовых значений - порядка 0,2 рад.

2. Установлено, что для классификации и определения размеров поверхностных дефектов необходимо использовать комплексный контроль, состоящий из ультразвукового, вихретокового, визуального и измерительного методов контроля. На основе положений теории вероятностей и математической статистики по критериям дисперсионного анализа (ANOVA) и алгоритма «экстра деревьев» (ETC) установлено, что на классификацию дефектов основное влияние оказывают амплитуда и фаза вихретокового контроля, а на определение размеров дефектов - амплитуда ультразвукового контроля, а также глубина и ширина, определенные по результатам визуального и измерительного контроля.

Достоверность

Результаты и выводы, представленные в работе, подтверждаются использованием современного оборудования, апробированных методик, а также использованием методов статистической обработки данных.

Ценность выполненных исследований

Разработана и обоснована технология, позволяющая за счет использования комплексного подхода к обработке данных неразрушающего контроля производить в автоматическом режиме классификацию и определение размеров поверхностных эксплуатационных дефектов.

Практическая значимость работы

Разработан и утвержден нормативный документ Р Газпром 27.3-3.2-0052023 «Методика автоматизированного неразрушающего контроля линейной части магистральных газопроводов». Результаты исследований внедрены в ООО «Компания «Нординкрафт». Разработана общая схема совместного анализа данных по результатам комплексного контроля системами УК, ВК и ВИК. Разработан и изготовлен опытный образец комплекса автоматизированного неразрушающего контроля линейной части магистральных газопроводов. Разработаны модели на основе машинного и глубокого обучения, позволяющие выполнять классификацию эксплуатационных дефектов на плоскостные (трещины, КРН) и объемные (язвенная, питтинговая коррозия), а также позволяющие определять глубину плоскостных дефектов, глубину и ширину объемных дефектов по результатам комплексного контроля.

Публикации

По теме диссертации опубликовано 7 научных работ [177-183], из них 6 входят в базу данных Scopus и в Перечень ВАК РФ.

Основные положения выносимые на защиту

1. Области неоднозначности не позволяющие выполнять классификацию по результатам ультразвукового и вихретокового контроля по отдельности.

2. Влияние параметров систем НК на классификацию и определение размеров поверхностных эксплуатационных дефектов.

3. Технология проведения совместного анализа данных по результатам комплексного контроля системами УК, ВК и ВИК, которая использует модели на основе алгоритмов машинного и глубоко обучения, позволяющие выполнять классификацию эксплуатационных дефектов на плоскостные (трещины, КРН) и

объемные (язвенная, питтинговая коррозия), а также позволяющие определять глубину плоскостных дефектов, а также глубину и ширину объемных дефектов.

Структура и объем диссертации

Диссертационная работа изложена на 157 страницах машинописного текста, содержит 61 рисунок и 40 таблиц, состоит из введения, пяти глав, основных выводов и результатов, списка литературы из 183 наименований.

В первой главе представлен анализ существующих средств для наружного неразрушающего контроля основного металла магистральных трубопроводов. Выполнен анализ технологий неразрушающего контроля и их физических принципов. Определен набор методов неразрушающего контроля, совместный анализа данных которых будет исследоваться в дальнейшем. Представлено описание существующих алгоритмов и технологий совместной обработки данных на основе математической статистики и теории вероятностей, машинного, а также глубокого обучения для решения задачи классификации и определения параметров выявленных дефектов основного металла.

Во второй главе представлен анализ возможностей по выявлению и классификации поверхностных эксплуатационных дефектов ультразвуковым и вихретоковым методами по отдельности на экспериментальных данных, полученных на образцах с искусственными дефектами. Определены параметры методов неразрушающего контроля, обеспечивающих выявление поверхностных дефектов и идентификационные признаки, позволяющие определить тип и размеры поверхностных дефектов.

В третьей главе представлен анализ существующих моделей для идентификации коррозионных повреждений по данным, полученным по результатам телевизионного контроля. Описана разработка моделей на основе сверточных нейронных сетей для анализа коррозионных повреждений по результатам телевизионного контроля.

В четвертой главе представлено описание оценки влияния параметров, получаемых с применяемых систем НК, на классификацию и определение размеров эксплуатационных дефектов. Представлено описание разработанных моделей для классификации и определения размеров дефектов, определения их оптимальных параметров, и выбор оптимальных моделей. Представлено описание общей схемы совместного анализа данных по результатам комплексного контроля.

В пятой главе представлена структурная схема и опытный образец сканера, реализующего визуальный и измерительный, ультразвуковой эхо-импульсный и вихретоковый методы неразрушающего контроля, с программным обеспечением реализующим совместную оценку данных по результатам комплексного неразрушающего контроля основного металла, а также представлена технология совместного анализа данных, полученных по результатам комплексного неразрушающего контроля поверхности основного металла трубопроводов.

Апробация работы

Основные результаты данной работы были доложены на III международной научно-практической конференции «Инновации в топливно-энергетическом комплексе и машиностроении» (ТЭК-2022) (г. Кемерово, 2022 г.), XXIII всероссийской научно-технической конференции по неразрушающему контролю и технической диагностике (г. Москва, 2023 г.).

ГЛАВА 1. АНАЛИЗ СУЩЕСТВУЮЩИХ ТЕХНОЛОГИЙ И ОБОРУДОВАНИЯ НАРУЖНОГО НЕРАЗРУШАЮЩЕГО КОНТРОЛЯ ОСНОВНОГО МЕТАЛЛА МАГИСТРАЛЬНЫХ ТРУБОПРОВОДОВ И ТЕХНОЛОГИЙ И АЛГОРИТМОВ

СОВМЕСТНОЙ ОБРАБОТКИ ДАННЫХ

В главе представлен анализ существующих средств для наружного неразрушающего контроля основного металла магистральных трубопроводов. Выполнен анализ технологий неразрушающего контроля, их физических принципов и данных, которые выдаются по результатам проведения контроля. Определен набор методов неразрушающего контроля, совместный анализа данных которых будет исследоваться в дальнейшем.

Представлено описание существующих алгоритмов и технологий совместной обработки данных на основе математической статистики и теории вероятностей, машинного, а также глубокого обучения для решения задачи классификации и определения параметров выявленных дефектов основного металла.

1.1 Существующие технологии и оборудование наружного неразрушающего контроля основного металла магистральных трубопроводов

Одним из основополагающих факторов, влияющих на безопасную и безаварийную эксплуатацию газотранспортной системы, является ее устаревание. Длительная эксплуатация, наличие сложных природно-климатических условий, деградация и повреждение изоляционного покрытия приводят к накоплению и развитию эксплуатационных дефектов на наружной поверхности трубопроводов.

В качестве эксплуатационных рассматривают следующие дефекты: стресс-коррозионные трещины, язвенная коррозия, точечная (питтинговая) коррозия [1 -3]. При этом наибольшую опасность имеют стресс-коррозионные трещины, которые могут быстро развиваться в условиях повреждения изоляционного покрытия и наличия агрессивной коррозионной среды [4-8]. Так по статистике аварийных ситуаций на газопроводах 36% аварий (Рисунок 1.1) происходит из-за стресс-коррозионных трещин [9-11].

Повреждения КРН Коррозионные повреждения

Строительные дефекты ' Заводские дефекты труб ■ Другие повреждения

Рисунок 1.1.

Причины возникновения аварийных ситуация на газопроводах [11]

Выявление подобных дефектов является очень важной диагностической задачей, необходимой для обеспечения надежности функционирования газопроводов. В настоящее время в первую очередь для диагностирования трубопроводов используют комплексы внутритрубного контроля. Однако необходимо отметить, что применяемые при контроле газопроводов комплексы не всегда позволяют выявлять коррозионные повреждения на наружной поверхности трубопровода, в первую очередь это относится к стресс-коррозионным трещинам, глубиной менее 10% от толщины стенки трубы [12-23].

Поэтому для получения более полной диагностической информации используется наружный контроль. Для этого дефектные участки трубопроводов, обнаруженные при внутритрубном контроле, выкапываются и с них снимается изоляция. В соответствии с [24] «совокупность применяемых методов и приборов контроля должна обеспечивать выявление дефектов на наружной поверхности труб и СДТ глубиной от 0,3 мм и более. Внесению в ведомость дефектов, оценке и устранению подлежат все обнаруженные стресс-коррозионные дефекты, а также другие поверхностные дефекты, под которыми остаточная толщина стенки трубы выходит за пределы минусового допуска на толщину стенки трубы».

При проведении наружного контроля необходимо использовать наружные сканеры дефектоскопы и средства визуального и измерительного, вихретокового, ультразвукового и магнитопорошкового контроля.

Все применяемые наружные сканеры дефектоскопы можно разделить на четыре типа: ультразвуковые контактные, ультразвуковые бесконтактные, магнитные и вихретоковые.

Ультразвуковые контактные сканеры дефектоскопы основаны на использовании пьезоакустических преобразователей, которые могут вводить в объект контроля как поверхностные, так и объемные волны [16, 25-28]. Регистрация дефектов осуществляется по ультразвуковым сигналам, отраженным от дефекта. Ультразвуковые контактные сканеры дефектоскопы обладают высокой чувствительностью к поверхностным и внутренним дефектам, но она достаточно сильно зависит от ориентации этих дефектов. Наилучшим образом выявляются дефекты плоскость которых расположена перпендикулярно к плоскости распространения ультразвуковых волн. Использование пьезоакустических преобразователей требует подачи контактной жидкости под преобразователь для обеспечения акустического контакта. Стабильность акустического контакта напрямую влияет на качество получаемой диагностической информации. Помимо этого, поверхность трубы в области

расположения преобразователей требует дополнительной подготовки. Рекомендуется, чтобы шероховатость поверхности после подготовки была не менее 40. Примерами используемых ультразвуковых контактных сканеров дефектоскопов являются «УСД-60-8К-А», «Автоскан», «АВТОКОН-МГТУ», «N01 PipeScan» (Рисунок 1.2).

в) г)

Рисунок 1.2.

Контактные ультразвуковые сканеры-дефектоскопы: а) «УСД-60-8К-А»; б) «АВТОСКАН»; в) «NDT PipeScan»; г) «АВТОКОН-МГТУ»

Ультразвуковые бесконтактные сканеры дефектоскопы основаны на использовании электромагнитно-акустических преобразователей [16, 25, 27]. Регистрация дефектов осуществляется по ультразвуковым сигналам, отраженным от дефекта. Ультразвуковые бесконтактные сканеры дефектоскопы обладают высокой чувствительностью к поверхностным и внутренним дефектам, но она достаточно сильно зависит от ориентации этих дефектов.

Наилучшим образом выявляются дефекты плоскость которых расположена перпендикулярно к плоскости распространения ультразвуковых волн. Помимо этого, ЭМАП не требуют подачи контактной жидкости под преобразователь и позволяют выполнять контроль через небольшой зазор между преобразователем и поверхностью трубы. ЭМАП позволяют генерировать различные типы волн. Однако в большинстве случаев они используются для контроля с помощью поверхностных волн, поскольку при контроле объемными волнами они имеют меньшую разрешающую способность при обнаружении небольших дефектов по сравнению с пьезоакустическими преобразователями. Примерами используемых ультразвуковых бесконтактных сканеров дефектоскопов являются «А2075 SoNet» и «АВТОКОН- ЭМА-МГТУ» (Рисунок 1.3).

а) б)

Рисунок 1.3.

Бесконтактные ультразвуковые сканеры-дефектоскопы: а) «АВТОКОН-

ЭМА-МГТУ»; б) «А2075 SoNet».

Магнитные сканеры дефектоскопы основываются на следующем принципе, металл трубы намагничивается и дефектоскоп считывает рассеяние магнитного поля в области дефектов [14-16]. Выявление дефектов обусловлено тем, что на рассеивание магнитного поля во многом влияет ориентация и размеры дефектов. Лучше всего происходит выявление дефектов ориентированных

перпендикулярно направлению напряженности поля, которым намагничивается труба. Магнитные дефектоскопы не всегда достаточно хорошо выявляют маленькие дефекты, такие как питтинговая коррозия и трещины с небольшим раскрытием. Для увеличения чувствительности обычно используют магнитные системы с большим количеством мощных постоянных магнитов, что приводит к увеличению массы и необходимости подбирать мощные двигатели для перемещения системы. Магнитный контроль не требует наличия контакта, однако после проведения контроля, металл трубы может требовать размагничивания. Примерами используемых магнитных сканеров дефектоскопов являются «ДНС 1000-1400», «АМДЭ-СТ», «СД-1420 (Рисунок 1.4).

а) б) в)

Рисунок 1.4.

Магнитные сканеры-дефектоскопы: а) «ДНС 1400»; б) «АМДЭ-СТ»; в)

«СД -1420»

Вихретоковые сканеры дефектоскопы основаны на регистрации изменения импеданса в области дефектов. Вихретоковый преобразователь воздействует на тело трубы переменным магнитным полем, создавая в нем вихревые токи, которые, распространясь в металле, создают магнитное поле, взаимодействующее с полем преобразователя. При наличии на трубе поверхностных дефектов, магнитное поле в металле будет изменяться, что регистрируется преобразователем. Данный метод имеет очень высокую чувствительность к поверхностным дефектам, особенно к трещинам и стресс-

коррозионным трещинам, однако на чувствительность также может оказывать влияние ориентация дефекта. Данный метод может применяться как в контактном варианте, так и с небольшим зазором. Однако из-за небольшой глубины проникновения вихревых токов в стали он может регистрировать только поверхностные дефекты, кроме того, на результаты контроля может оказывать влияние остаточная намагниченность металла трубы. Примером используемого вихретокового сканера дефектоскопа является АСД «Вихрь» (Рисунок 1.5).

Следует отметить, что представленные выше сканеры-дефектоскопы являются индикаторными приборами. Такие приборы обеспечивают выявление областей, которые содержат поверхностные дефекты, но не позволяют определять тип и размеры обнаруженных дефектов.

Рисунок 1.5.

Вихретоковый сканер-дефектоскоп АСД «Вихрь»

Поэтому после проведения контроля с помощью наружных сканеров дефектоскопов осуществляют подтверждающий ручной неразрушающий

контроль. При этом в соответствии с [24] подтверждающий контроль следует применять в следующем объеме:

«- визуальный и измерительный контроль выполняют в объеме 100 % поверхности труб и СДТ для выявления дефектов основного металла (коррозионных дефектов, вмятин, гофров, царапин, задиров и др.);

- ультразвуковой контроль локальных участков поверхности металла труб, по результатам обследования сканерами-дефектоскопами, визуального и измерительного контроля выполняют в объеме не менее 0,2 % от площади поверхности труб и не менее 1 % от протяженности заводских сварных швов, а также участков заводских сварных швов длиной 0,2 м, примыкающих к монтажным сварным швам. При выявлении признаков ремонта заводских или монтажных сварных швов их контролируют по всей протяженности;

- вихретоковый контроль выполняют в объеме не менее 3 % от площади поверхности каждой трубы для выявления стресс-коррозионных дефектов, а также определения их геометрических размеров. При обнаружении стресс-коррозионных дефектов труб их дополнительно обследуют в объеме 100% от площади поверхности в базовых или заводских условиях;

- магнитопорошковый контроль для визуализации выявленных поверхностных металлургических и стресс-коррозионных дефектов выполняют в объеме не менее 10 % от числа выявленных дефектов и аномалий;

- толщинометрию бездефектных стенок труб выполняют не менее, чем в 4 точках на каждый элемент (лист) трубы. Толщинометрию стенок труб в местах их утонения более 10 % от толщины стенки выполняют по сетке с шагом не более 25 мм (на участках с утонением менее 10 % от толщины стенки шаг измерений не регламентируется). При длине утонений более 500 мм допускается увеличивать шаг измерений до 100 мм на участках утонений глубиной менее 50% от максимальной глубины утонений.»

Наличие ручного подтверждающего контроля делает процесс неразрушающего контроля трубопроводов очень трудоемким, особенно с учетом

сильного увеличения объема ручного контроля при наличии большого количества дефектов. Кроме того, ручной контроль сильно зависит от квалификации специалиста, который его выполняет. Результаты ручного контроля оформляются в виде заключений, которые сильно подвержены человеческому субъективному фактору. Помимо этого, они не сохраняют первичных данных, которые необходимы с учетом современной тенденции к цифровизации технологических процессов.

С учетом выше сказанного наиболее актуальным является создание технологии и оборудования позволяющих в автоматизированном режиме осуществлять 100 % наружный контроль основного металла трубопроводов для выявления эксплуатационных дефектов и автоматического определения их типа и размеров. Обобщим далее возможности каждого из представленных выше методов, которые можно использовать для решения этой задачи.

Визуальный и измерительный контроль позволяет с высокой точностью определять наличие язвенной и питтинговой коррозии, практически не выявляет трещин и стресс-коррозионных трещин из-за их малого раскрытия. В большинстве случаев сейчас используется ручной контроль, что сильно влияет на производительность. Для автоматизации процесса необходимо использовать телевизионные камеры и лазерные профилемеры, при этом для обработки большого объема получаемых изображений необходимо использовать технологии компьютерного зрения.

Ультразвуковой контактный способ имеет высокую чувствительность к поверхностным и подповерхностным дефектам, позволяет определять размеры дефектов, однако требует наличие контактной жидкости, что усложняет автоматизацию установки и процесс контроля.

Ультразвуковой бесконтактный способ имеет высокую чувствительность к поверхностным и подповерхностным дефектам, позволяет определять размеры дефектов. Не требует контактной жидкости, может осуществляться с небольшим зазором между ЭМАП и телом трубы.

Магнитный метод требует использования массивной системы постоянных магнитов для обеспечения высокой чувствительности к небольшим поверхностным дефектам, что сильно усложняет процесс автоматизации из-за увеличения веса конструкции.

Вихретоковый контроль имеет наилучшую чувствительность к поверхностным дефектам типа трещина или стресс-коррозионная трещина, позволяет определять размеры дефектов, может выполняться с небольшим зазором между ВТП и телом трубы.

Таким образом наиболее подходящими для автоматизированного контроля являются следующие методы: ультразвуковой с ЭМАП, вихретоковый, а также визуальный и измерительный с использованием телевизионной камеры и лазерного профилемера. Для дальнейшего исследования будут рассматриваться эти три метода.

Возможности по выявлению поверхностных эксплуатационных дефектов для этих методов достаточно хорошо изучены. Так в работах [29-34] рассмотрены возможности ультразвукового метода для выявления поверхностных дефектов, в них представлены полученные зависимости амплитуд сигналов в зависимости от размеров как плоскостных, так и объемных дефектов. В работах [34-39] рассмотрены возможности вихретокового метода для выявления поверхностных дефектов, в них представлены полученные зависимости амплитуд сигналов в зависимости от размеров как плоскостных, так и объемных дефектов.

Список литературы диссертационного исследования кандидат наук Кусый Андрей Геннадьевич, 2025 год

СПИСОК ЛИТЕРАТУРЫ

1. Н.П. Калиниченко, М.А. Васильева. Атлас дефектов сварных соединений и основного металла: учебно-методическое пособие. Томск: Изд-во Томского политехнического университета. 2006. С. 55.

2. ГОСТ 5272-68 Коррозия металлов. Термины. М.: Изд-во стандартов, 1968. С. 15.

3. Клюев В. В. Неразрушающий контроль: Справочник: В 7 т. Ред. Т. 1: В 2 кн.: Кн. 1: Визуальный и измерительный контроль. Кн. 2: Радиационный контроль. М.: Машиностроение. 2003. С. 560.

4. Коррозионное растрескивание газопроводов / Сурков Ю. П. [и др.] // Дефектоскопия. 2000. №1. С. 88-92.

5. Сунагатов М. Ф. Стресс-коррозия магистральных газопроводов // Безопасность труда в промышленности. 2011. № 9. С. 52-57.

6. Сравнение результатов магнитной и ультразвуковой дефектоскопии газопровода, подверженного коррозионному растрескиванию / Хороших А. В. [и др.] // Дефектоскопия. 1997. № 12. С.49-57.

7. Чабуркин В. Ф., Канайкин В. А. Оценка опасности дефектов сварных соединений при диагностике газонефтепроводов // Сварочное производство. 2000. №9. С. 41-44.

8. Формирование ориентированной стратегии капитального ремонта магистральных газопроводов / Чубаев С. А. [и др.] // Газовая промышленность. 2010. № 7. С. 49-52.

9. Ряховских И. В., Мельникова А. В., Мишарин Д. А. Совершенствование технологии ремонта протяженных участков магистральных газопроводов, подверженных коррозионному растрескиванию под напряжением // Вести газовой науки. 2016. №3. С. 79-87.

10. Ряховских И.В. Комплексная методика исследования коррозионно-механических свойств малоуглеродистых низколегированных трубных сталей и оценка их стойкости против КРН: дис. канд. тех. наук. М. 2013. С. 155.

11. Мельникова А. В. Оценка допустимости стресс-коррозионных повреждений труб в составе длительно эксплуатируемых магистральных газопроводов: дис. канд. тех. наук. М. 2017. С. 200.

12. Бордовских А. М., Криволапое А. В. Анализ выявляемости дефектов магнитным и ультразвуковым внутритрубными дефектоскопами // В мире НК. 2000. №1. С. 10-13.

13. Дедешко В. Н., Салюков В. В. Развитие системы диагностического обслуживания магистральных газопроводов ОАО «Газпром» // Доклады и сообщения 15 Международной деловой встречи «Диагностика-2005». М.: ООО «ИРЦ «Газпром». 2006. Том 1. С. 7-20.

14. Коваленко А. Н. Магнитные сканеры для контроля стенок и сварных швов нефтегазопроводов и резервуаров для хранения нефти и нефтепродуктов // Контроль. Диагностика. 2008. № 3. С. 64-70.

15. Коваленко А. Н. Теоретические и экспериментальные исследования магнитных полей дефектов конечных размеров и создание специализированных сканеров для дефектоскопии трубопроводов: диссертация д-ра техн. наук. М. 2010. С. 390.

16. Ремизов А. Е. Повышение эффективности оценки дефектов труб магистральных газопроводов с учетом результатов стендовых испытаний сканеров-дефектоскопов: диссертация канд. техн. наук. М. 2014. С. 138.

17. Лоскутов В. Е. Магнитный дефектоскоп для обнаружения продольных трещин в магистральных газопроводах: дисс. канд. техн. наук. Екатеринбург. 2004. С. 120.

18. Шумайлов А. С., Гумеров А. Г., Молдаванов О. И. Диагностика магистральных трубопроводов. М.: Недра. 1992. С. 251.

19. Lebourgeois L. Endoscan 2: A New UT Cable Tool for Gas Line Inspection. Concern «Gaz de France» and «INTERCONTROLE» // 15th World Conference on Nondestructive Testing. 2000. P. 1-5.

20. Jackson J. Operation aspects of the British Gas on Line inspection service // Pipes and Pipelines International. 1984. Vol. 29. P. 7-13.

21. Васин Е. С. Методы неразрушающего контроля, оценки технического состояния и ремонта магистральных трубопроводов. М.: Издательский дом Лира. 2002. С. 111.

22. Мирошниченко Б. И. Внутритрубная инспекция вновь построенных трубопроводов. М.: Сб. тр. Научно-технического совета РАО «Роснефтегазстрой». 2000. C. 64-78.

23. Васин Е. С., Филоненко И. А. Анализ возможностей внутритрубных дефектоскопов различных типов // Трубопроводный транспорт нефти. 2001. .№12. С. 2-5.

24. Инструкция по оценке дефектов труб и соединительных деталей при ремонте и диагностировании магистральных газопроводов: Утв. «Газпром» 03.09.13., Москва, 2013. С. 117.

25. Анализ средств и технологий технического диагностирования и отбраковки труб при проведении капитального ремонта линейной части магистральных газопроводов ОАО «Газпром» / Миторхин М. Ю. [и др.] // Территория нефтегаз. 2010. №12. С.57-60.

26. Пасси Г. Автоматический/автоматизированный контроль сварных швов // Контроль. Диагностика. 2012. №5. С. 23-28.

27. Самокрутов А. А., Шевалдыкин В. Г. Возможности и перспективы применения сканеров-дефектоскопов // Территория нефтегаз. 2010. №12. С.61-63.

28. Степанчук Ю. М., Пеннер Э. Л. Опыт применения наружного сканера-дефектоскопа «АВТОКОН-МГТУ» в процессе ремонта газопроводов на объектах ОАО «Газпром» // Территория нефтегаз. 2009. №11. С. 42-45.

29. Викторов И. А. Физические основы применения ультразвуковых волн Рэлея и Лэмба в технике. М.: Издательство Наука. 1966. С. 170.

30. Edwards R.S., Dixon S., Jian X. Depth gauging of defects using low frequency wideband Rayleigh waves // Ultrasonics. 2006. V. 44. P. 93-98. DOI: 10.1016/j.ultras.2005.08.005

31. Сучков Г. М., Донченко А. В. Реальная чувствительность ЭМА приборов // Дефектоскопия. 2007. № 6. С. 43-50.

32. Сучков Г. М., Плеснецов С. Ю. Чувствительность контроля электромагнитно-акустическими преобразователями (Обзор, ч. 1) // Техническая диагностика и неразрушающий контроль. 2018. №4. С. 45-50.

33. Сучков Г. М., Петрищев О. Н., Плеснецов С. Ю. О чувствительности ультразвукового контроля поверхностными волнами, возбуждаемыми и принимаемыми электромагнитно-акустическими преобразователями (Обзор, ч. 2) // Техническая диагностика и неразрушающий контроль.2019. №1. С. 47-52.

34. Оценка размеров стресс-коррозионных дефектов при техническом диагностировании газопроводов / И. В. Ряховских [и др.] // Научно-технический сборник Вести газовой науки. 2020. № 2(44). С. 1-14.

35. Шубочкин А. Е. Разработка средств вихретоковой дефектоскопии труб в приложенном постоянном магнитном поле: дис. канд. тех. наук. М. 2011. С. 160.

36. Коннов А. Е. Создание автоматизированного сканера-дефектоскопа для вихретокового контроля стального трубопровода: дис. канд. тех. наук. М. 2013. С. 145.

37. Fatigue Crack Length Sizing Using a Novel Flexible Eddy Current Sensor Array / Xie R. [et al] // Sensors 2015. Vol. 15. P. 32138-32151. https://doi.org/10.3390/s151229911

38. Subsurface Defects Evaluation using Eddy Current Testing / Rifai D. [et al.] // Indian Journal of Science and Technology. 2016. Vol. 9. P. 1-7. DOI: 10.17485/ij st/2016/v9i9/88724

39. Quantitative evaluation of electrical conductivity inside stress corrosion crack with electromagnetic NDE methods / Cai W. [et al.] // Phil. Trans. R. Soc. 2020. Vol. 378. P. 1-13. http://doi.org/10.1098/rsta.2019.0589

40. Алешин Н. П., Крысько Н. В., Кириков А. В. Разработка робот-дефектоскоп, сочетающий методы контроля с использование цифровых технологий // Процесс XIII Всероссийская конференция по испытанию и исследованию свойств Материалы «ТестМат». 2021. С. 144-156.

41. Шубочкин А. Е. Развитие методов и средств вихретокового и магнитного контроля металлопроката для оценки его остаточного ресурса: дис. док. тех. наук. М. 2014. С. 237.

42. Barnea D. I., Silverman H. F. A class of algorithm for fast digital image registration // Institute of Electrical and Electronics Engineers Transactions on Computers. 1972. Vol. 21. P. 179-186. D0I:10.1109/TC.1972.5008923

43. Goodenough D. G., Robson M. A. Data fusion and object recognition // Proceedings of Vision Interface Conference. 1988. P. 42.

44. Magee M. J., Aggarwal J. K. Using multisensory images to derive the structure of 3-D objects - A review // Computer Vision, Graphics and Image Processing. 1985. Vol. 32. P. 145-157. https://doi.org/10.1016/S0734-189X(85)80065-7

45. Multisensor data fusion of laser radar and forward looking infrared (FLIR) for target segmentation and enhancement / Tong C. W. [et al.] // Infrared Sensors and Sensor Fusion. 1987. P. 10-19. DOI: 10.1117/12.940553

46. Richardson J. M., Marsh K.A. Fusion of multisensor data // International Journal of Robotics Research. 1988. Vol. 7. P. 78-96. DOI: 10.1177/027836498800700607

47. Flynn AM. Combining sonar and infrared sensors for mobile robot navigation // International Journal of Robotics Research. 1988. Vol. 7. P. 5-l4. DOI: 10.1177/027836498800700602

48. Pau LF. Sensor data fusion // Journal of Intelligent and Robotic Systems. 1988. Vol. 1. P. 103-116. https://doi.org/10.1007/BF00348718

49. Crowley JL, Demazeau Y Principles and techniques for sensor data fusion // Signal Processing. 1993. Vol. 32. P. 5-27. https://doi.org/10.1016/0165-1684(93)90034-8

50. Pixel level data fusion: from algorithm to chip / Mathur B. [et al.] // Visual Information Processing: from Neurons to Chips. 1991. P. 153-160. https://doi.org/10.1117/12.45548

51. Tsao TR. Libert JM. Fusion of multiple sensor imagery based on target motion characteristics // Data Structures and Target Classification. 1991. P. 37-47. https://doi.org/10.1117/12.44838

52. Multisensor fusion classification with a multilayer Perceptron / Ruck D. W. [et al.] // Institute of Electrical and Electronics Engineers Proceedings of International Joint Conference on Neural Networks. 1990. P. 863-868. DOI: 10.1109/IJCNN. 1990.137802

53. Rajapakse J, Acharya R. Multisensor data fusion within hierarchical neural networks // Institute of Electrical and Electronics Engineers Proceedings of International Joint Conference on Neural Networks. 1990. P. 17-22.

54. Multisensor knowledge systems: Interpreting 3-D structure / Henderson T. [et al.] // International Journal of Robotics Research. 1988. Vol. 7. P. 114-137.

55. Duane G. Pixel-level sensor fusion for improved object recognition // Sensor Fusion. 1988. P. 180-185. https://doi.org/10.1117/12.946666

56. Johnson D. G., Fullwood J. Multi sensor fusion for classification and change detection in remote sensed imagery // IEE Colloquium on Principles and Applications of Data Fusion. 1991. P. 1-4.

57. Ehlers M. Multisensor image fusion techniques in remote sensing // Journal of Photogrammetry and Remote Sensing. 1991. Vol. 46. P. 19-30. https://doi. org/10.1016/0924-2716(91 )90003-E

58. Abidi M. A. Sensor fusion: a new approach and its application // Sensor Fusion II: Human and Machine Strategies. 1989. P. 235-246. https://doi.org/10.1117/12.969979

59. Huntsberger TL, Jayaramamurthy SN. A framework for multi-sensor fusion in the presence of uncertainty // Proceedings of the 1987 Workshop on Spatial Reasoning and Multisensor Fusion. 1987. P. 345-350.

60. Seetharaman G., Chu C.H.H. Image segmentation by multisensor data fusion // Institute of Electrical and Electronics Engineers Proceedings of 22nd South eastern Symposium on System Theory. 1990. P. 583-587.

61. Duncan J. S., Gindi G. R., Narendra K.S. Low level information fusion: multisensor scene segmentation using learning automata // Proceedings of the 1987 Workshop on Spatial Reasoning and Multisensor Fusion. 1987. P. 323-333.

62. Wright W. A. A Markov random field approach to data fusion and colour manipulation // Image and Vision Computing. 1989. Vol. 7. P. 144-150. https://doi. org/10.1016/0262-8856(89)90009-7

63. Kjell B. P., Wang P. Y. Data fusion and image segmentation using hierarchical simulated annealing on the connection machine // Intelligent Robots and Computer Vision. 1988. P. 330-337. https://doi.org/10.1117/12.960291

64. Lee R. H., Leahy R. Segmentation of multisensor images // Proceedings of the 6th Multi-dimensional Signal Processing Workshop. 1989. P. 23-36.

65. Llinas J., Hall D. L., Waltz E. Data fusion technology forecast for C3MIS // Institute of Electrical and Electronics Engineers Proceedings of 3rd International Conference on Command, Control, Communications and Management Information Systems. 1989. P. 148-158.

66. White F. E., Llinas J. Data fusion: the process of C3I // Defence Electronics. 1990. P. 77-83.

67. Multisensor information fusion for target detection and classification / Roggemann M. C. [et al.] // Sensor Fusion. 1988. P. 8-13.

68. Daum F. E. Fundamental limits in multisensor data fusion // IEEE International Conference on Systems Engineering. 1990. P. 316-319. DOI: 10.1109/ICSYSE. 1990.203160

69. Durrant-Whyte H. F. A modular decentralized architecture for multisensor data fusion // IEE Colloquium on Intelligent Measuring Systems for Control Applications. 1995. P. 1-2. https://doi.org/10.1049/ic:19950440

70. Multisensor target detection and classification / Ruck D. W. [et al.] // Sensor Fusion. 1988. P. 14-21. D01:10.1117/12.946642

71. Parra-Loera R., Thompson W. E., Salvi A. P. Adaptive selection of sensors based on individual performances in a multisensor environment // Data Structures and Target Classification. 1991. P. 30-36. DOI:10.1117/12.44837

72. Blackman S. S. Theoretical approaches to data association and fusion // Sensor Fusion. 1988. P. 50-55. DOI: 10.1117/12.946647

73. Luo R. C., Kay M. G. Multisensor integration and fusion: issues and approaches // Sensor Fusion. 1988. P. 42-51. D0I:10.1117/12.946646

74. Thomopoulos S. C. A, Okello N. N. Distributed detection with consulting sensors and communication cost // Sensor Fusion. 1988. P. 31-40. DOI: 10.1109/9.159581

75. Thomopoulos S. C. A. Theories in distributed decision fusion // IF AC Distributed Intelligence Systems. 1991. P. 195-200. https://doi.org/10.1016/S1474-6670(17)51247-1

76. Dillard R. A. Tactical inferencing with the Dempster/Shafer theory of evidence // Proceedings of the Institute of Electrical and Electronics Engineers 17th Asilomar Conference on Circuits, Systems and Computers. 1983. P. 312-316.

77. Whittington G., Spraclen T. The application of a neural network model to sensor data fusion // Applications of Artificial Neural Networks. 1990. P. 276-283. DOI: 10.1117/12.21179

78. Easthope P. F., Goodchild E. J. G., Rhodes S. L. A computationally tractable approach to real time multi-sensor data fusion // Signal and Data Processing of Small Targets. 1989. P. 298-308. https://doi.org/10.1117/12.960362

79. Deb S., Pattipati K.R., Bar-Shalom Y A multisensory-multitarget data association algorithm for heterogeneous sensors // IEEE Transactions on Aerospace and Electronic Systems. 1993. Vol 29. P. 560-568. DOI: 10.1109/7.210094

80. Thompson W. E., Parra-Loera R., Ta C. W. O. A Pseudo k-means approach to the multisensor multitarget tracking problem // Data Structures and Target Classification. 1991. P. 48-58. https://doi.org/10.1117/12.28803

81. Shapiro J., Mowforth P. Data fusion in 3D through surface tracking // Proceedings of the 3rd International Conference on Industrial and Engineering Applications of Artificial Intelligence and Expert Systems. 1990. P. 163-168.

82. Harris C. J. Distributed estimation, inferencing and multi-sensor data fusion for real time supervisory control // Proceedings of the Artificial Intelligence in Real-time Control IF AC Workshop. 1989. Vol.1 P. 19-24.

83. Durrant-Whyte H. F. Sensor models and multisensor integration // The International Journal of Robotics Research. 1988. Vol. 7. P. 97-113.

84. Durrant-Whyte H. F. Consistent integration and propagation of disparate sensor observations // International Journal of Robotics Research. 1987. Vol. 6. P. 324. https://doi.org/10.1177/027836498700600301

85. Malik R., Polkowski E. Morphological technique for combination of sensor readings // Image Algebra and Morphological Image Processing. 1990. P. 165176.

86. Ferrari C. Coupling fuzzy logic techniques with evidential reasoning for sensor data interpretation // Proceedings of Conference on Intelligent Autonomous Systems 2. 1989. P. 965-971.

87. Xu H. Efficient fusion technique for disparate sensory data // Institute of Electrical and Electronics Engineers Proceedings of IECOW91. 1991. P. 2535-2540.

88. Chen S. Adaptive control of multisensor systems // Sensor Fusion. 1988. P. 98-102. DOI:10.1117/12.946653

89. Fusion of NDT data / Edwards I. [et al.] // British Journal of NonDestructive Testing. 1993. Vol. 35. P. 710-713.

90. Franklin S. E., Blodgett C. F. An example of satellite multisensor data fusion // Computers & Geosciences. 1993. Vol. 19. P. 577-583. https://doi.org/10.1016/0098-3004(93)90083-H

91. Neural network approach to sensory fusion / Pearson J. C. [et al.] // Sensor Fusion. 1988. P. 103-108. DOI: 10.1117/12.946654

92. Chair Z., Varshney P. K. Optimal data fusion in multiple sensors detection system // Institute of Electrical and Electronics Engineers Transactions on Aerospace and Electronic Systems. 1986. Vol. 22. P. 98-101. DOI: 10.1109/TAES.1986.310699

93. Thomas J. D. MITAS: multisensor imaging technology for airborne surveillance // Data Structures and Target Classification. 1991. P. 65-74. https://doi.org/10.1117/12.44839

94. Eggers M., Khuon T. Neural network data fusion concepts and application // Institute of Electrical and Electronics Engineers Proceedings of International Joint Conference on Neural Networks. 1990. P. 7-16. DOI: 10.1109/IJCNN.1990.137687

95. The classification of weld defects from ultrasonic images: a neural network approach / Windsor C. G. [et al] // British Journal of Non-Destructive Testing. 1993. Vol. 35. P. 15-22.

96. Gerhart G., Martin G., Gonda T. Thermal Image Modeling // Infrared Sensors and Sensor Fusion. 1987. P. 3-9. https://doi.org/10.1117/12.940552

97. NDT Data Fusion / Gros X. E. [et al.] // 6th European Conference on NonDestructive Testing 1994.Vol. 1. P. 355-359

98. Challa S., Koks D. Bayesian and Dempster-Shafer fusion // Sadhana. 2004. Vol. 29. P. 145-176. DOI:10.1007/BF02703729.

99. Miller W. T., Glanzz F. H., Kraft L. G. Application of a general learning algorithm to the control of robotic manipulators // International Journal of Robotics Research. 1987. Vol. 6. P. 84-89. DOI:10.1177/027836498700600207

100. Duda R. O., Hart E., Nilsson N. J. Subjective Bayesian methods for rule-based inference systems // Proceedings of the National Computer Conference. 1976. P. 1075-1082. DOI: 10.1145/1499799.1499948

101. Gros X. E., Bousigue J., Takahashi K. NDT data fusion at pixel level // Ndt E Int. 1999. Vol. 32. P. 283-292. https://doi.org/10.1016/S0963-8695(98)00056-5

102. Experimenting with pixel-level NDT data fusion techniques / Gros X. E. [et al.] // IEEE Trans Instrum Meas. 2000. Vol. 49. P. 1083-1090. DOI: 10.1109/19.872934

103. Dromigny A., Zhu Y M. Improving the dynamic range of real-time X-ray imaging systems via Bayessian fusion // J Nondestruct Eval. 1997. Vol. 16. P. 147-160. https://doi. org/ 10.1023/A:1022606310811

104. A texture-based video processing methodology using Bayesian data fusion for autonomous crack detection on metallic surfaces / Chen F. [et al.] // Comput Civ Infrastruct Eng. 2017. Vol. 32. P. 271-287. https://doi.org/10.1111/mice.12256

105. Horn D., Mayo W. R. NDE reliability gains from combining eddy-current and ultrasonic testing // NDT E Int. 2000. Vol. 33. P. 351-362. https://doi.org/10.1016/S0963-8695(99)00058-4

106. Dempster A. P. A generalization of Bayesian inference // Journal of the Royal Statistical Society. 1968. Vol. 30. P. 205-247. https://doi.org/10.1111/j.2517-6161.1968.tb00722.x

107. Francois N. A new advanced multitechnique data fusion algorithm for NDT // In: Presented at the Proc. 15th World Conf. NDT. 2000. e-Journal of Nondestructive Testing . https://www.ndt.net/?id=806

108. Liu Z., Fahr A., Mrad N. Application of Dempster-Shaffer theory for fusion of lap joints inspection data // Nondestructive Evaluation and Health Monitoring of Aerospace Materials, Composites and Civil Infrastructure V. 2006. Vol. 6176. DOI: 10.1117/12.658527

109. Application of multi-sensor data fusion in defects evaluation based on Demper-Shafer theory / Guohou L. [et al.] // 2011 IEEE International Instrumentation and Measurement Technology Conference. 2011. P. 1-5. DOI: 10.1109/IMTC.2011.5944335

110. Nondestructive examination of polymer composites by analysis of polymer-water interactions and damage-dependent hysteresis / Idolor O. [et al.] // Composite Structures. 2022. Vol. 287. P. 33-51. https://doi.org/10.1016/j.compstruct.2022.115377

111. A method of predicting visual detectability of low-velocity impact damage in composite structures based on logistic regression model / Jiang F. [et al.] // Chinese Journal of Aeronautics. 2021. Vol. 34. P. 296-308. https ://doi. org/10.1016/j.cja.2020.10.006

112. Mohamadi S., Lattanzi D., Azari H. Fusion and Visualization of Bridge Deck Nondestructive Evaluation Data via Machine Learning // Frontiers in Materials. 2020. V. 7. P. 1-16. https://doi.org/10.3389/fmats.2020.576918

113. A novel defect depth measurement method based on Nonlinear System Identification for pulsed thermographic inspection / Zhao Y [et al.] // Mechanical Systems and Signal Processing. 2017. Vol. 85. P. 382-395. https://doi.org/10.1016/j.ymssp.2016.08.033

114. Nondestructive Evaluation of Carbon Fiber Bicycle Frames Using Infrared Thermography / Usamentiaga R. [et al.] // Sensors. 2017. V. 17. https://doi.org/10.3390/s17112679.

115. Improving Non-Destructive Concrete Strength Tests Using Support Vector Machines / Shih, Y-F. [et al.] // Materials 2015. Vol. 8. P. 7169-7178. https://doi.org/10.3390/ma8105368.

116. Patil R.V., Reddy Y. P. An Autonomous Technique for Multi Class Weld Imperfections Detection and Classification by Support Vector Machine // J Nondestruct Eval. 2021. Vol. 40. P. 23-35. https://doi.org/10.1007/s10921-021-00801-w/

117. Classification of spot-welded joint strength using ultrasonic signal time-frequency features and PSO-SVM method / Wang X. [et al.] // Ultrasonics. 2019. Vol. 91. P. 161-169. https://doi.org/10.1016/j.ultras.2018.08.014

118. D'Angelo G., Rampone S. Shape-based defect classification for nondestructive testing // IEEE Metrology for Aerospace. 2015. P. 406-410. DOI: 10.1109/MetroAeroSpace.2015.7180691.

119. Machine learning based automatic defect detection in non-stationary thermal wave imaging / Lakshmi A. [et al.] // Journal of Engineering and Applied Sciences. 2020. Vol. 15. P. 172-178.

120. Fahim A., Kyoung-Yun K. Data-driven Weld Nugget Width Prediction with Decision Tree Algorithm // Procedia Manufacturing. 2017. Vol. 10. P. 1009-1019. https://doi.org/10.1016/j.promfg.2017.07.092

121. A Random Forest Classifier for Anomaly Detection in Laser-Powder Bed Fusion Using Optical Monitoring / Khan I.A. [et al.] // Materials. 2023. Vol. 16. P. 6470. https://doi.org/10.3390/ma16196470

122. Random forest-based real-time defect detection of Al alloy in robotic arc welding using optical spectrum / Zhang Z. [et al.] // Journal of Manufacturing Processes. 2019. Vol. 42. P. 51-59. https://doi.org/10.1016/jjmapro.2019.04.023

123. Random forest-based evaluation technique for internal damage in reinforced concrete featuring multiple nondestructive testing results / Chun P. [et al.] // Construction and Building Materials. 2020. Vol. 253. P. 1-11. https://doi.org/10.1016/j.conbuildmat.2020.119238.

124. Dia A. K., Bosca A. G., Ghazzali N. Walk-Through Corrosion Assessment of Slurry Pipeline Using Machine Learning // Hindawi International Journal of Corrosion. 2024. Vol. 2024. P. 1-11. https://doi.org/10.1155/2024/9427747.

125. Ossai C. I. A Data-Driven Machine Learning Approach for Corrosion Risk Assessment—A Comparative Study // Big Data Cogn. Comput. 2019. Vol.3. P. 2-22. https://doi.org/10.3390/bdcc3020028.

126. Optimizing in-situ monitoring for laser powder bed fusion process: Deciphering acoustic emission and sensor sensitivity with explainable machine learning / Pandiyan V. [et al.] // Journal of Materials Processing Technology, 2023, V. 321. P. 1-17. https: //doi. org/10.1016/j.j matprotec .2023.118144.

127. Laser ultrasonics and machine learning for automatic defect detection in metallic components / Lv G. [et al.] // NDT & E International. 2023. V. 133. P. 1-12. DOI: 10.1016/j.ndteint.2022.102752

128. Kim D., Philen M. Damage classification using Adaboost machine learning for structural health monitoring // Sensors and Smart Structures Technologies for Civil, Mechanical, and Aerospace Systems. 2011. P. 1-13. https://doi.org/10.1117/12.882016

129. Jin C., Kong X., Chang J. Internal crack detection of castings: a study based on relief algorithm and Adaboost-SVM // The International Journal of Advanced Manufacturing Technology. 2020. V. 108. P. 3313-3322. https://doi.org/10.1007/s00170-020-05368-w

130. Beard W., Jones A. Harnessing neural network // Electronics World and Wireless World. 1990. P. 1047-1052.

131. Charlton P. C. Investigation into the suitability of a neural network classifier for use in an automated tube inspection system // British Journal of NonDestructive Testing. 1993. Vol. 35. P. 433-437.

132. Chilips M. L., Steele N. F. Non-destructive evaluation using neural network // Nuclear Plant Journal. 1989. P. 44-50.

133. Udpa L., Udpa S. Application of neural network to non-destructive evaluation // Colorado State University. 1989. P. 143-147. D0I:10.1016/0963-8695(92)90062-L

134. Udpa L., Udpa S. S. Eddy current defect characterization using neural network // Materials Evaluation. 1990. Vol. 48. P. 342-353. D0I:10.1016/0308-9126(90)90883-P

135. A Data Fusion Method for Non-Destructive Testing by Means of Artificial Neural Networks / Cormerais, R. [et al.] // Sensors 2021. Vol. 21. P. 1-12. https://doi.org/10.3390/s21082598.

136. Phung V. H., Rhee E. J. A Deep Learning Approach for Classification of Cloud Image Patches on Small Datasets // J. Inf. Commun. Converg. Eng. 2018. Vol. 16. P. 173-178. D0I:10.6109/jicce.2018.16.3.173.

137. Krizhevsky A., Sutskever I., Hinton G. E. Imagenet classification with deep convolutional neural networks // Communications of the ACM. 2017. Vol. 60. P. 84-90. DOI: 10.1145/3065386

138. Zeiler M. D., Fergus R. Visualizing and understanding convolutional networks // European conference on computer vision. Springer. 2014. P. 818-33. https://doi.org/10.1007/978-3-319-10590-1_53

139. Simonyan K., Zisserman A. Very deep convolutional networks for large-scale image recognition // arXiv preprint arXiv:1409.1556. 2015 P. 1-14. https://doi.org/10.48550/arXiv. 1409.1556

140. Rethinking the inception architecture for computer vision. / Szegedy C. [et al.] // arXiv preprint arXiv:1512.00567. 2015. P. 1-10. https://doi.org/10.48550/arXiv.1512.00567

141. Deep residual learning for image recognition / He K. [et al.] // arXiv preprint arXiv:1512.03385. 2015. P. 1-12. https://doi.org/10.48550/arXiv.1512.03385

142. Chollet F. Xception: Deep Learning with Depthwise Separable Convolutions // IEEE Conference on Computer Vision and Pattern Recognition. 2017. P. 1800-1807. DOI: 10.1109/CVPR.2017.195.

143. Numerical methods of spectral analysis of multicomponent gas mixtures and human exhaled breath / Golyak I. S. [et al.] //. Computer Optics. 2022. Vol. 46. P. 650-658. DOI: 10.18287/2412-6179-C0-1058

144. Functional Intelligence-Based Scene Recognition Scheme for MAV Environment-Adaptive Navigation / Wang L. [et al.] // Drones. 2022. Vol. 6. P. 1-18. https://doi.org/10.3390/drones6050120

145. Deep Learning for Type 1 Diabetes Mellitus Diagnosis Using Infrared Quantum Cascade Laser Spectroscopy / Fufurin I. [et al.] //. Materials. 2022. Vol. 15. P. 1-15. DOI: 10.3390/ma15092984

146. Lobanova V., Slizov V., Anishchenko L. Contactless Fall Detection by Means of Multiple Bioradars and Transfer Learning // Sensors. 2022. Vol. 22. P. 1-14. https://doi.org/10.3390/s22166285

147. Bobkov A., Aung Kh. Real-Time Person Identification by Video Image Based on YOLOv2 and VGG 16 Networks // Automation and Remote Control. 2022. Vol. 83. P. 1567-1575. https://doi.org/10.1134/S00051179220100095

148. Atha D. J., Jahanshahi M.R. Evaluation of deep learning approaches based on convolutional neural networks for corrosion detection // Structural Health Monitoring. 2018. Vol. 17. P. 1110-1128. https://doi.org/10.1177/1475921717737051

149. Corrosion detection using ai: a comparison of standard computer vision techniques and deep learning model / Petricca L. [et al.] // The Sixth International Conference on Computer Science, Engineering and Information Technology. 2016. Vol.6 P. 91-99. DOI: 10.5121/csit.2016.60608

150. Ahuja S.K., Shukla M.K., Ravulakollu K. K. Surface corrosion grade classification using convolution neural network // IJRTE. 2019. Vol. 8. P. 7645-7649. DOI: 10.35940/ijrte.C6196.098319

151. Visual inspection and characterization of external corrosion in pipelines using deep neural network / Bastiana B. T. [et al.] // NDT and E International. 2019. Vol. 107. P. 1-11. https://doi.org/10.1016/j.ndteint.2019.102134

152. Волченко В.Н. Вероятность и достоверность оценки качества. М.: Металлургия. 1978. C. 80.

153. Wright M. Developing Qualified NDT Procedures & The Technical Justification Process. Waterloo, Ontario, Canada: Eclipse Scientific. 2016. P. 424.

154. Gourieroux C., Monfor A. Statistics and Econometric Models: Volume 2, Testing, Confidence Regions, Model Selection and Asymptotic Theory, Cambridge, UK: Cambridge University Press. 1995. P. 526.

155. [Электронный ресурс] https://www.statisticalengineering.com/mh1823/MIL-HDBK- 1823A(2009).pdf [Дата обращения: 26.01.2024].

156. [Электронный ресурс] https://www.statisticalengineering.com/mh1823/ [Дата обращения: 26.01.2024].

157. Шубочкин А. Е. Развитие и современное состояние вихретокового метода неразрушающего контроля. Москва : Издательский дом "Спектр". 2014. С. 288. - ISBN 978-5-4442-0075-9.

158. Wright M. Eddy Current Testing Technology. Waterloo: Eclipce Scientific; 2015. P. 413. ISBN: 978-0-9917095-6-4.

159. Barker TB, Milivojevich A. Quality by experimental design. CRC Press; 2016. P. 756. ISBN: 9781032098050.

160. Choi K. Y, Kim S. Morphological analysis and classification of types of surface corrosion damage by digital image processing // Corros Sci. 2005. Vol. 47. P. 1-15. https://doi.org/10.1016/j.corsci.2004.05.007

161. On the evaluation of texture and color features for nondestructive corrosion detection / Medeiros F. N. [et al.] // EURASIP J Appl Signal Process. 2010. Vol. 2010. P. 1-7. https://doi.org/10.1155/2010/817473

162. Khayatazad M., De Pue L., De Waele W. Detection of corrosion on steel structures using automated image processing // Developments in the Built Emvironment. 2020. Vol. 3. P. 1-12. https://doi.org/10.1016/j.dibe.2020.100022

163. Vision-based corrosion detection assisted by a micro-aerial vehicle in a vessel inspection application / Ortiz A. [et al.] // Sensors 2016. Vol. 16. P. 1-13. https://doi.org/10.3390/s16122118

164. Ahuja S. K., Shukla M. K., Ravulakollu K. K. Surface Corrosion Detection and Classification for Steel Alloy using Image Processing and Machine Learning // Helix. 2018. Vol. 8. P. 3822-3827. DOI: 10.29042/2018-3822-3827

165. Hoang N. D., Tran V. D. Image processing based detection of pipe corrosion using texture analysis and metaheuristic-optimized machine learning approach // Computational Intellegence and Neuroscience. 2019. P. 1-13. DOI: 10.1155/2019/8097213

166. Pixel-level Corrosion Detection on Metal Constructions by Fusion of Deep Learning Semantic and Contour Segmentation / Katsamenis I. [et al.] //. arXiv preprint arXiv:2008.05204. 2008. P. 1-6. https://doi.org/10.48550/arXiv.2008.05204

167. Segmenting localized corrosion from rust-removed metallic surface with deep learning algorithm / Zhang S. [et al.] // Journal of Electronic Imaging. 2019. Vol. 28. P. 1-14. https://doi.org/10.1117/1.JEI.28.4.043019

168. Ioffe S., Szegedy C. Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift // arXiv preprint arXiv:1502.03167. 2015. P. 1-10. https://doi.org/10.48550/arXiv.1502.03167

169. Lin M., Chen Q., Yan S. Network in network // arXiv preprint arXiv:1312.4400. 2013. P. 1-10. https://doi.org/10.48550/arXiv.1312.4400

170. Dewancker I., McCourt M., Clark S. Bayesian optimization for machine learning: A practical guidebook // arXiv preprint arXiv:1612.04858. 2016. P. 1-12. https://doi.org/10.48550/arXiv.1612.04858

171. Taking the human out of the loop: A review of bayesian optimization / Shahriari B. [et al.] // Proceedings of the IEEE. 2015. Vol. 104. P. 148-175. DOI: 10.1109/JPR0C.2015.2494218

172. Ebden M. Gaussian Processes for Regression: A Quick Introduction // arXiv preprint arXiv:1505.02965v2. 2015. P. 1-8. https://doi.org/10.48550/arXiv.1505.02965

173. Hutter F., Hoos H. H., Leyton-Brown and K. Sequential model-based optimization for general algorithm configuration // International conference on learning and intelligent optimization. 2011. Vol. 6683. P. 507-523. https://doi.org/10.1007/978-3-642-25566-3_40

174. Algorithms for hyper-parameter optimization / Bergstra J. [et al.] // 25th Annual Conference on Neural Information Processing Systems, Granada (Spain). 2011. P. 2546-2554.

175. Dodge Y The Concise Encyclopedia of Statistics. Springer Science. 2008. P. 612. https://doi.org/10.1007/978-0-387-32833-1

176. Единые нормы времени и расценки на техническое диагностирование оборудования, сооружений и трубопроводов: утв. ООО «СПКТБ НЕФТЕГАЗМАШ». C 91.

177. Исследование выявляемости поверхностных объемных дефектов при ультразвуковом контроле с применением волн Рэлея, генерируемых электромагнитно-акустическим преобразователем / Алешин Н. П. [и др.] // Дефектоскопия. 2021. № 5. С. 22-30. DOI: 10.31857/S0130308221050031.

178. Исследование выявляемости поверхностных плоскостных дефектов ультразвуковым методом с применением волн Рэлея / Алешин Н. П. [и др.] // Дефектоскопия. 2021. № 6. С. 26-34. DOI: 10.31857/S0130308221060038.

179. Подходы на основе цифровых технологий при комплексной диагностике различными физическими методами неразрушающего контроля / Алешин Н. П. [и др.] // Инновации в топливно-энергетическом комплексе и машиностроении (ТЭК-2022) : сборник трудов III Международной научно-практической конференции, Кемерово, 19-21 апреля 2022 года. - Кемерово: Кузбасский государственный технический университет имени Т.Ф. Горбачева. 2022. С. 141-145.

180. Ультразвуковой контроль и комплексное применение методов дефектоскопии в процессе диагностирования магистральных трубопроводов / Алешин Н. П. [и др.] // Наука и технологии трубопроводного транспорта нефти и нефтепродуктов. 2023. Т. 13, № 1. С. 8-17. - DOI: 10.28999/2541-9595-2023-13-18-17.

181. Классификация поверхностных дефектов основного металла трубопроводов по результатам комплексной диагностики / Алешин Н. П. [и др.] // Компьютерная оптика. 2023. Т. 47, № 1. С. 170-178. - DOI: 10.18287/2412-6179-CO-1185.

182. Классификация и определение размеров поверхностных дефектов трубопроводов на основе результатов комплексной диагностики ультразвуковым, вихретоковым, визуальным и измерительным методами неразрушающего

контроля / Крысько Н. В. [и др.] // Дефектоскопия. 2023. №12. C. 69-78. DOI: 10.31857/S0130308223120084

183. Deep Learning Approach for Pitting Corrosion Detection in Gas Pipelines / Malashin I. [et al.] // Sensors. 2024. Vol. 24. P. 1-17. https://doi.org/10.3390/s24113563

ПРИЛОЖЕНИЕ 1 АКТ О ВНЕДРЕНИИ РЕЗУЛЬТАТОВ ДИССЕРТАЦИОННОГО

ИССЛЕДОВАНИЯ

NK NORDINKRAFT

The quality guard

ООО "Компания "Нординкрафт", ИНН 3528032408, КПП 352801001 162626, Россия, Вологодская область, г. Череповец, ул. Годовикова, д. 12 тел./факс [phone] e-mail: [e-mail]; www.nordinkraft.ru

Система менеджмента качества сертифицирована на соответствие ГОСТ ISO 9001-2015 (ISO 9001:2015)

Утверждаю Генеральный директор ния «Нординкрафт»

алашникова Ю. JI.

М.П.

At 202/г.

Акт

о внедрении результатов диссертационного исследования Андрея Геннадьевича Кусого

Результаты диссертационного исследования Андрея Геннадьевича Кусого на тему: «Разработка технологии и оборудования комплексного неразрушающего контроля поверхности основного металла магистральных газопроводов», представленного на соискание ученой степени кандидата технических наук, использованы в практической деятельности ООО «Компания «Нординкрафт» при разработке программного обеспечения и производстве систем предназначенных для неразрушающего комплексного контроля основного металла линейной части магистральных газопроводов с использованием ультразвукового, вихретокового, визуального и измерительного методов неразрушающего контроля.

Экономический эффект обусловлен повышением конкурентоспособности оборудования для неразрушающего контроля, за счет повышения точности, оперативности и достоверности обработки результатов контроля, снижения вероятности ошибок, связанных с интерпретацией результатов, на основе внедрения технологии автоматической обработки результатов неразрушающего комплексного контроля основного металла магистральных газопроводов.

Генеральный директор / ^ Калашникова Ю.Л.