Нейросетевой анализ данных ультразвуковой дефектоскопии магистральных газопроводов
DOI: 10.21293/1818-0442-2024-27-4-136-140
☷
- О ТУСУРе
- Абитуриентам
-
Студентам
- Первокурсникам
- Расписание занятий
- Система дистанционного обучения
- Научно-образовательный портал
- Библиотека
- Групповое проектное обучение
- Журнал посещаемости
- Журнал успеваемости
- Клубы по интересам
- Спорт в ТУСУРе
- Профком студентов
- Содействие трудоустройству
- Облачное хранилище ТУСУРа
- Поддержка студенческих семей
- Поддержка участников СВО и их детей
- Многофункциональный центр
- Аспирантам
-
Сотрудникам
- Телефонный справочник
- Расписание занятий
- Система дистанционного обучения
- Научно-образовательный портал
- Библиотека
- Журнал посещаемости
- Журнал успеваемости
- Генератор рабочих программ
- Генератор ОПОП
- Генератор ИПРП
- Показатели эффективности труда ППС
- Спорт в ТУСУРе
- Профком сотрудников
- Облачное хранилище ТУСУРа
- Выпускникам
- Партнёрам
Аннотация: На основании данных, полученных при неразрушающем контроле методом ультразвуковой дефектоскопии, рассматривается задача определения участков магистрального газопровода, на которых отмечается корродирование металла, что приводит к уменьшению стенок трубопроводов до критических величин. Предлагается решение задачи с помощью средств машинного обучения, а обработку большого объема данных, полученных в результате контроля с помощью системы ДВУ, осуществлять с использованием сверточных нейронных сетей.
Ключевые слова: нейросетевой анализ данных, сверточные нейронные сети, ультразвуковая дефектоскопия
Библиография статьи:
Боровской И. Г. Нейросетевой анализ данных ультразвуковой дефектоскопии магистральных газопроводов / И. Г. Боровской, А. А. Матолыгин, Е. П. Ильин // Доклады Томского государственного университета систем управления и радиоэлектроники. – 2024. – Т. 27, № 4. – С. 136–140. DOI: 10.21293/1818-0442-2024-27-4-136-140
Авторы и правообладатели:
- Боровской И. Г. , Томский государственный университет систем управления и радиоэлектроники (Томск, Россия)
- Матолыгин А. А. , Томский государственный университет систем управления и радиоэлектроники (Томск, Россия)
- Ильин Е. П. , Томский государственный университет систем управления и радиоэлектроники (Томск, Россия)
- 1. Указ Президента Российской Федерации от 13.05.2019 г. № 216 Об утверждении Доктрины энергетической безопасности Российской Федерации [Электронный ресурс]. – Режим доступа: http://www.kremlin.ru/acts/bank/44252/page/1, свободный (дата обращения: 28.10.2024).
- 2. Проблемы анализа технического состояния современных приводов компрессорных установок магистральных газопроводов / П.С. Кунина, Е.И. Величко, М.С. Степанов, А.В. Музыкантова // Строительство нефтяных и газовых скважин на суше и на море. – 2019. – № 3. – С. 56–58. DOI: 10.30713/0130-3872-2019-3-56-58.
- 3. Kaputkin D.E. Two types of the crack arrest during full-scale pneumatic testing of main gas pipelines / D.E. Kaputkin, A.B. Arabey // Letters on Materials. – 2021. – Vol. 11, No. 3(43). – P. 239–243. DOI: 10.22226/2410-3535-2021-3-239-243.
- 4. Ляпичев Д.М. Система мониторинга технического состояния как элемент цифрового двойника магистрального газопровода / Д.М. Ляпичев, М.М. Адмакин // Оборудование и технологии для нефтегазового комплекса. – 2024. – № 1(139). – С. 60–65.
- 5. Голофаст С.Л. Оценка прочностной надежности магистрального газопровода с учетом фактических закономерностей распределения толщины стенки трубы // Безопасность труда в промышленности. – 2020. – № 6. – С. 21–28. DOI: 10.24000/0409-2961-2020-6-21-28.
- 6. Нейросетевой анализ данных ультразвуковой дефектоскопии магистральных газопроводов с использованием программно-аппаратной системы ДВУ / И.Г. Боровской, Е.А. Шельмина, А.А. Матолыгин, Е.П. Ильин // Вестник Томского государственного университета. Управление, вычислительная техника и информатика. – 2023. – № 64. – С. 50–60.
- 7. Marcos N. Boosting AI applications: Labeling format for complex datasets / N. Marcos, S. Orti, O. Oihana // SoftwareX. – 2021. – Vol. 13 [Электронный ресурс]. – Режим доступа: https://www.sciencedirect.com/science/article/pii/S2352711020303666, свободный (дата обращения: 02.11.2024).
- 8. Data Science and Machine Learning: Mathematical and Statistical Methods / D.P. Kroese, Z.I. Botev, T. Taimre, R. Vaisman. – Chapman & Hall/CRC machine learning & pattern recognition. – CRC Press, Boca Raton, 2019. – 532 p.
- 9. Murphy K.P. Probabilistic machine learning: an introduction. – MIT-press, 2022. – 864 p.
- 10. Шай Ш.-Ш. Идеи машинного обучения: от теории к алгоритмам / Ш.-Ш Шай, Б.-Д. Шай / пер. с англ. А.А. Слинкина. – М.: ДМК-Пресс, 2019. – 436 с.
- 11. Дефектоскоп внутритрубный ультразвуковой 40-ДФР.00-00.000. Номер в госреестре 84766-22 // Федеральный информационный фонд по обеспечению единства измерений. – 2022 [Электронный ресурс]. – Режим доступа: https://fgis.gost.ru/fundmetrology/registry/4/items/1397751, свободный (дата обращения: 02.11.2024).
- 12. Методы аугментации обучающих выборок в задачах классификации изображений / С.О. Емельянов, А.А. Иванова, Е.А. Швец, Д.П. Николаев // Сенсорные системы. – 2018. – Т. 32, № 3. – С. 236–245.
- 13. Preprocessing layers [Электронный ресурс]. – Режим доступа: https://keras.io/api/layers/preprocessing_layers/image_augmentation/, свободный (дата обращения: 02.11.2024).
- 14. Binary Cross Entropy [Электронный ресурс]. – Режим доступа: https://www.tensorflow.org/api_docs/python/tf/keras/losses/BinaryCrossentropy, свободный (дата обращения: 02.11.2024).
- 15. Area Under the Curve [Электронный ресурс]. – Режим доступа: https://www.tensorflow.org/api_docs/python/tf/keras/metrics/AUC, свободный (дата обращения: 02.11.2024).
- 16. Precision [Электронный ресурс]. – Режим доступа: https://www.tensorflow.org/api_docs/python/tf/keras/metrics/Precision, свободный (дата обращения: 02.11.2024).
- 17. Recall [Электронный ресурс]. – Режим доступа: https://www.tensorflow.org/api_docs/python/tf/keras/metrics/Recall, свободный (дата обращения: 02.11.2024).
- 18. Stochastic Gradient Descent [Электронный ресурс]. – Режим доступа: https://www.tensorflow.org/api_docs/python/tf/keras/optimizers/SGD, свободный (дата обращения: 02.11.2024).
-2026-1_%D0%BA%D0%BE%D0%BF%D0%B8%D1%8F.jpg)
Адрес редакции
Подписка на обновления
