«Оборудование и технологии для нефтегазового комплекса»

Подходы по диагностике полимерных армированных труб. Сегментация выявляемых дефектов при помощи компьютерного зрения

УДК: 658.562
DOI: -

Авторы:

¹ Всесоюзный научно-исследовательский институт по строительству, эксплуатации трубопроводов и объектов ТЭК - Инжиниринговая нефтегазовая компания, Москва, Россия
² Балтийский федеральный университет им. Иммануила Канта, Калининград, Россия

Ключевые слова: полимерные армированные трубы, диагностика, дефекты труб, сегментация, компьютерное зрение, машинное обучение

Аннотация:

Развитие современного трубопроводного транспорта в энергетической, нефтегазовой и жилищно-коммунальной сферах предполагает постепенный отход от классических проектно-конструкторских решений, основанных на использовании металлических (стальных и чугунных) и неметаллических (пластиковых) труб. Активное развитие химических технологий и малой механизации позволяет производить многослойные трубы, сочетающие в себе одновременно положительные качества как полимеров, так и металлов. Таким образом полимерные армированные трубы постепенно начинают играть все большую роль в промышленности. Однако в их применении есть ряд сложностей. Так, в первую очередь существуют проблемы с неразрушающим контролем и оценкой технического состояния данного оборудования. В представленном исследовании анализируются методы диагностики полимерных армированных труб и осуществляется подбор оптимальных способов сегментации дефектов с последующей выработкой предложений по созданию программного обеспечения, оценивающего техническое состояние труб данного типа.

Список литературы:

1. Потапов Б.В., Марченко С.В., Потапов А.Б. Подход к перспективным исследованиям в области технического диагностирования нефтегазопромысловых трубопроводов из армированных полимерных труб // Трубопроводный транспорт: теория и практика. – 2023. – № 1(83). – С. 19–26.
2. Mohamed I., Hutchins D., Davis L. Ultrasonic NDE of thick polyurethane flexible riser stiffener material // Nondestructive Testing and Evaluation. – 2017. – Vol. 32, Issue 4. – P. 343–362. – DOI: 10.1080/10589759.2016.1241253
3. Kažys R., Tumšys O., Pagodinas D. Ultrasonic method for detection and location of defects in three-layer plastic pipe based on the wavelet transform // Ultragarsas. – 2005. – No. 1(54). – P. 33–38.
4. Выявляемость дефектов трубопровода путем диагностики магнитным дефектоскопом / А.Н. Коваленко, В.В. Уланов, В.И. Чеботова, Р.А. Шестаков // Трубопроводный транспорт: теория и практика. – 2020. – № 4(76). – С. 49–54.
5. An Eddy Current Testing Platform System for Pipe Defect Inspection Based on an Optimized Eddy Current Technique Probe Design / D. Rifai, A.N. Abdalla, R. Razali [et al.] // Sensors. – 2017. – Vol. 17, Issue 3. – P. 579. – DOI: 10.3390/s17030579
6. Antonelli L., De Simone V., Di Serafino D. A view of computational models for image segmentation // Annali dell'Universita' di Ferrara. – 2022. – Vol. 68, Issue 2. – P. 277–294. – DOI: 10.1007/s11565-022-00417-6
7. Влияние конструктивных дефектов на надежность полимерных труб, армированных металлическими лентами / В.Р. Галлямов, А.С. Романчук, А.А. Червов [и др.] // Нефтегазовое дело. – 2023. – Т. 21, № 1. – С. 117–124. – DOI: 10.17122/ngdelo-2023-1-117-126
8. Milletari F., Navab N., Ahmadi S.A. V-net: Fully Convolutional Neural Networks for Volumetric Medical Image Segmentation // 2016 Fourth Int. Conf. on 3D Vision (3DV), Stanford, CA, USA, Oct. 25–28, 2016. – IEEE, 2016. – P. 565–571. – DOI: 10.1109/3DV.2016.79
9. Шматин А.К., Пантелеев А.С. Будущее управления качеством: искусственный интеллект как ключевой инструмент оптимизации процессов // Оборудование и технологии для нефтегазового комплекса. – 2024. – № 1(139). – С. 18–22.
10. Klochkov Yu.S., Tveryakov A.M. Approaches to the improvement of quality management methods // Int. J. of System Assurance Engineering and Management. – 2020. – Vol. 11, No. Suppl. 2. – P. 163–172. – DOI: 10.1007/s13198-019-00939-x
11. Кершенбаум В.Я. Стандартизация и конкурентоспособность нефтегазового оборудования // Оборудование и технологии для нефтегазового комплекса. – 2014. – № 1. – С. 4–6.
12. Дьяконов А.Г. Методы решения задач классификации с категориальными признаками // Прикладная математика и информатика: тр. фак. ВМК МГУ им. М.В. Ломоносова. – 2014. – Т. 46. – С. 103–127.
13. Daolei Wang, Yiteng Liu. An Improved Neural Network Based on UNet for Surface Defect Segmentation // 3D Imaging Technologies – Multidimensional Signal Processing and Deep Learning. Vol. 2. Methods, Algorithms and Applications / L.C. Jain, R. Kountchev, Yonghang Tai (editors). – Singapore: Springer, 2021. – P. 27–33. – (Smart Innovation, Systems and Technologies. Vol. 236). – DOI: 10.1007/978-981-16-3180-1_4
14. Al-Shayea Q., Al-Ani M. Efficient 3D Object Visualization via 2D Images // Int. J. of Computer Science and Network Security. – 2009. – Vol. 9, No. 11. – P. 234–239.
15. Клочков Ю.С., Фокин Г.А., Сыровацский О.В. Учет неопределенности при проведении процедуры FMEA-анализа // Изв. Самарского науч. центра РАН. – 2021. – Т. 23, № 6(104). – С. 26–32. – DOI: 10.37313/1990-5378-2021-23-6-26-32