Детальная информация

Работа посвящена исследованию возможности применения методов искусственного интеллекта для автоматизации процессов ультразвукового неразрушающего контроля трубопроводных систем. Объектом исследования являются процессы распространения ультразвуковых волн в металлических конструкциях. Предметом исследования выступают методы обработки сигналов ультразвуковой дефектоскопии с использованием технологий машинного обучения. В ходе работы разработана двумерная физическая модель распространения упругих волн в среде COMSOL Multiphysics. Выполнено моделирование взаимодействия ультразвуковых волн с дефектами различной формы и геометрии. Для автоматизации вычислительных экспериментов использован программный интерфейс Java API, обеспечивающий генерацию дефектов и экспорт результатов моделирования. На основе результатов численного моделирования сформирована обучающая выборка сигналов ультразвуковых датчиков. Разработана и обучена нейронная сеть, предназначенная для восстановления формы дефектной области по зарегистрированным сигналам. Проведён анализ качества работы модели и оценена возможность практического применения предложенного подхода в задачах технической диагностики. Полученные результаты демонстрируют перспективность использования методов искусственного интеллекта совместно с численным моделированием для повышения эффективности автоматизированного неразрушающего контроля объектов нефтегазовой промышленности.

The work is devoted to the study of the applicability of artificial intelligence methods for automating ultrasonic non-destructive testing of pipeline systems. The object of the research is the propagation of ultrasonic waves in metallic structures. The subject of the research includes methods for processing ultrasonic flaw detection signals using machine learning technologies. During the study, a two-dimensional physical model of elastic wave propagation was developed in the COMSOL Multiphysics environment. The interaction of ultrasonic waves with defects of various shapes and geometries was simulated. To automate computational experiments, the Java API interface was used, enabling automatic defect generation and export of simulation results. Based on the numerical simulation results, a training dataset containing ultrasonic sensor signals was generated. A neural network model intended for reconstructing the shape of defect areas from recorded signals was developed and trained. The quality of the proposed model was analyzed and the feasibility of practical application of the approach in technical diagnostics was evaluated. The obtained results demonstrate the potential of combining artificial intelligence methods with numerical simulation in order to improve the efficiency of automated non-destructive testing systems used in the oil and gas industry.