CN109074037A - 用于快速预测管线、压力容器和管道***中的氢致开裂(hic)并采取与其相关的行动的***和方法 - Google Patents

用于快速预测管线、压力容器和管道***中的氢致开裂(hic)并采取与其相关的行动的***和方法 Download PDF

Info

Publication number
CN109074037A
CN109074037A CN201780026942.9A CN201780026942A CN109074037A CN 109074037 A CN109074037 A CN 109074037A CN 201780026942 A CN201780026942 A CN 201780026942A CN 109074037 A CN109074037 A CN 109074037A
Authority
CN
China
Prior art keywords
data
assets
hic
hydrogen
rise
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201780026942.9A
Other languages
English (en)
Inventor
A.特雷迪亚
A.谢里克
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Saudi Arabian Oil Co
Original Assignee
Saudi Arabian Oil Co
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Saudi Arabian Oil Co filed Critical Saudi Arabian Oil Co
Publication of CN109074037A publication Critical patent/CN109074037A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B17/00—Systems involving the use of models or simulators of said systems
    • G05B17/02—Systems involving the use of models or simulators of said systems electric
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G05B23/0245—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a qualitative model, e.g. rule based; if-then decisions
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Testing Resistance To Weather, Investigating Materials By Mechanical Methods (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Pipeline Systems (AREA)

Abstract

提供了预测物理资产(例如，管线、储罐等)中的氢致开裂(HIC)增长速率的方法和***。所述方法接收关于所述资产的物理特性的多个输入，并且执行参数模拟以产生对所述资产的观察结果的模拟数据库。然后使用所述数据库来训练、测试和验证一个或多个专家***，所述一个或多个专家***然后可以预测所述资产随时间推移的增长速率和其他特性。本文的***还可以基于此类增长速率预测来产生关于预测的危险情况的警报并修改检查时间表。

Description

用于快速预测管线、压力容器和管道***中的氢致开裂(HIC) 并采取与其相关的行动的***和方法
相关申请的交叉参考
本申请要求2016年6月22日提交的美国专利申请序列号62/353,406的优先权，所述申请以引用的方式整体并入本文。
技术领域
本发明涉及评估对金属管线的设备损坏，具体地涉及评估对金属管线的氢致损坏。更具体地，本发明涉及快速、稳健且易于使用的专家机械模型***，其能够预测氢致开裂(HIC)增长速率和对应的现场可部署数值工具并用于采取与此类预测相关的行动。
背景技术
氢致开裂(HIC)是管线的持久问题，特别是由非耐HIC钢组成的和服务酸性气体(例如，H2S)或天然气的管线。一般而言，HIC是指由于原子氢溶解在金属中而可能在金属(例如，钢)管、压力容器和其他管道***中产生的内部。更具体地，氢原子可以扩散通过金属中的间隙位置并重新结合以在金属内形成高压氢气。随着氢气压力增加，气泡和微裂纹可能在金属管中形成(并随后增长)。随着它们继续增长，这些气泡和裂纹可能导致金属管线的失效。
对于工厂容器，除非HIC损坏非常严重(需要立即更换)，一种当前做法是通过将容器降级到较低的最大允许操作压力(MAOP)并引入与标准测试和检查周期并行的特殊监控程序来延长这些资产的使用寿命。这种特殊监控程序依赖于工程师的判断，以便对具有线性或台阶状开裂HIC损坏的容器何时需要通过先进超声波测试技术(例如，相控阵列)的监测提出建议。通常，每年监测线性损坏，并且每半年监测台阶状开裂损坏。遗憾的是，检查需要大量设备，需要至少两个历史检查记录(时间上分开)的可用性，成本非常高，并且甚至可能对于埋藏线路无法实现。由于炼油和石化行业所使用的当前服务适合性标准(例如API579-1/ASME FFS-1)，检查频率不能进一步减小以评估包含缺陷或损坏的设备的结构完整性并限定(或重新限定)安全操作参数。尽管有这些标准，但缺乏可预测在给定操作情况下操作的给定金属结构中的HIC损坏的增长速率(即，传播速率)的可靠且稳健的工具。预测HIC损坏的增长速率可以显著改进服务适合性(FFS)评估的决策。特别是，在FFS情况下，了解预先存在的裂纹的增长速率可以估计破裂前的剩余寿命。
另外，当前基于历史的技术尚未实现自动化，并且只能对本地点手动实施(由于对熟练检查员的要求)以检查受损设备中的可疑区域。不幸的是，对整个压力容器或管线进行完整的先进超声波测试绘图是昂贵的(在财务上以及在高/过度的计算时间-CPU使用、计算机存储器方面)并且因此通常不在实践中完成。
目前，没有用于确定受HIC影响的设备的剩余寿命的标准方法。FFS评估的输出是通过/未通过结果。API-579的第7.2.1部分是专门用于评估与HIC和应力导向氢致开裂(SOHIC)相关联的氢气泡和氢损坏，指出了“目前尚无用于预测活动性HIC损坏的增长速率的广泛接受方法；因此，无法建立用于评估受损结构剩余寿命的标准方法。因此...需要定期监测。”
鉴于实际现场操作中的缺点，需要一种用于确定氢致损坏的增长速率的实用且可靠的方法。对估计HIC开裂增长速率的当前尝试不适合这种技术的实际部署，例如，由于计算机资源限制(例如，CPU时间、内存使用等)、大规模模拟的不可接受的计算时间(例如，在现场产生精确模型时，当有数百或数千个裂纹时)、不良模拟收敛问题、无法产生完整的超声波测试图，以及技术限制(例如，缺乏工作站、许可、训练、认证)。
关于这些问题和其他问题，提供了本发明。
发明内容
根据本文描述的***和方法的广泛方面，提供了一种方法，其用于通过基于一个或多个数据输入模拟增长速率对资产中的具有氢致损坏增长速率的资产区域进行服务适合性评估。在相应的广义方面，此类***和方法可以采取与评估相关的一个或多个动作。
根据本文中描述的一个或多个实现方式，所述方法包括将存储在数据库中的一个或多个第一数据输入输入到机械模型。例如，所述一个或多个输入可以是裂纹几何形状数据、裂纹位置数据、材料性质数据、充氢情况数据或其组合。然后，由执行所述机械模型的处理器在一个或多个参数模拟中处理所述一个或多个数据输入，以输出一个或多个增长特性。例如，所述一个或多个数据输入的处理包括由所述处理器将一个或多个数据输入中的一个选择为在一定范围内变化，并且由所述处理器将剩余的一个或多个数据输入中的每一个选择为保持恒定。在另一个实例中，所述一个或多个数据输入的处理包括执行实验设计以识别所述要保持恒定的一个或多个数据输入。
另外，所述方法构建存储所输出的一个或多个增长特性的模拟观察数据库。例如，所述一个或多个增长特性可以包括萌生时间(τ)、裂纹增长速率(CGR)或其组合。接下来，通过所述模拟观察数据库来训练和测试专家***。在一个或多个实现方式中，通过将所述专家***分成多个专家子***来训练和测试所述专家***，其中第一专家子***预测具有条件输出的裂纹增长，并且其中第二专家子***预测一个或多个增长特性。所述方法然后通过所述模拟观察数据库来验证所述专家***。所述方法然后通过所述专家***输出所述资产中的氢致损坏的增长速率。在一个或多个实施方案中，在所述氢致损坏的增长速率超过阈值的情况下，所述方法可以产生警报并将所述警报传输到所述至少一个机器人检查装置。在一个实例中，所述警报包括表示所述资产的具有氢致损坏增长速率的区域的资产位置信息并且还包括向机器人检查装置传输所述警报以指示所述机器人检查装置定位所述区域、行进到所述区域并且在所述区域处执行服务适合性评估。在一个或多个实现方式中，所述方法包括产生由至少一个机器人装置进行的服务适应性检查的时间表，其中取决于所预测的增长速率来产生所述时间表。
根据本文的一个或多个实现方式，所述方法还包括通过一个或多个数据收集装置来收集一个或多个第二数据输入。例如，所述一个或多个第二现场数据输入是断裂韧性KIH。然后向所述模拟观察数据库输入所述一个或多个第二现场数据输入，并且更新所述模拟观察数据库。此后，用所述更新的模拟观察数据库来测试所述专家***的现场有效性，并且如果所述专家***的现场有效性下降到低于阈值，则重新训练所述专家***。
根据本公开的另一个方面，提供了一种用于训练专家***以根据具有一个或多个裂纹增长速率(CGR)观察的模拟观察数据库(SODB)预测氢致裂纹增长速率的方法。所述方法包括将一个或多个过滤器应用于所述SODB以从所述SODB移除其中没有发生裂纹增长的一个或多个CGR观察。所述方法继续将其中发生裂纹增长的所述一个或多个CGR观察复制到新数据库。另外，将所述新数据库分成对应于[X]CGC＝[g i，l i，m i，o i，h i]i＝1..M的一个或多个预测因子以及对应于[Y]CGC＝[τi，CGRi]i＝1..M的一个或多个目标。此后，将所述一个或多个预测因子分成对应的第一数据集，并且将所述一个或多个目标分成对应于的第二数据集。所述方法然后通过监督学习算法来训练所述第一数据集，以及通过监督学习算法来验证所述第二数据集。例如，所述监督学习算法是神经网络库。
根据本公开的另一个方面，提供了一种用于确定资产中的氢致损坏的增长速率的***。例如，所述资产是钢管线、压力容器、储罐或管道***。所述***包括计算机，所述计算机具有处理器、存储器和与网络的连接。所述计算机可访问存储对应于多个输入参数的历史数据的数据库。例如，所述历史数据存储在基线HIC图中。此外，所述***包括数据收集装置，其被配置来收集所述资产区域处的对应于所述多个输入参数的资产设计数据和操作情况数据。所述多个输入参数可以包括裂纹几何形状数据、裂纹位置数据、材料性质数据、充氢情况数据或其组合。例如，所述数据收集装置是机器人、侵入式探针***、非侵入式探针***或贴片探针。所述***的计算机实现用于将所述处理器配置为作为专家***操作的指令。所配置的处理器或专家***被配置来从所述数据库接收对应于所述多个输入参数的所述历史数据，以及从所述数据收集装置接收所述资产区域处的对应于所述多个输入参数的所述资产设计数据和所述操作情况数据。所述专家***也被配置来从所述资产区域处的所述历史数据和所述资产设计数据以及所述操作情况数据中提取所述多个输入参数，以及处理所提取的多个输入参数以输出所述资产的所述区域处的氢致损坏的增长速率。在一个或多个实现方式中，所述专家***被配置来处理所提取的多个输入参数以输出新的HIC图，然后可以将所述新的HIC图作为所述历史数据提供给所述专家***。
根据本发明的另一个方面，所述***被配置来导出所述资产的所述区域的最大可允许工作压力(“MAWP”)相对时间的曲线，将所述操作情况数据的随时间推移的值与所述曲线进行比较以确定所述操作情况数据和所述MAWP的值的差是否低于阈值，以及产生警报并向所述资产的所述区域处的操作员传输所述警报。例如，所述操作情况数据的值是所述资产的所述区域处的所述操作压力的值。在一个或多个实现方式中，所述***还被配置来使得响应于接收到所述警报，所述操作员自动调整所述资产的所述区域处的所述操作情况以将所述操作情况数据和所述MAWP的值的差增加到高于所述阈值。在一个或多个实现方式中，所述***被配置来基于所述资产的所述区域处的氢致损坏的输出增长率来调度所述资产的所述区域处的服务适应性检查，包括在服务数据库中的其他条目之间***时间表条目致使技术人员或机器人在与先前调度的不同时间检查所识别的裂纹增长区域，或者在已经没有调度的检查时间的情况下具有调度时间。在一个或多个实现方式中，所述***被配置来基于所述资产的所述区域处的氢致损坏的输出增长速率来产生警报并将所述警报传输到所述数据收集装置，以及指示数据收集装置在资产区域处执行服务适应性。
附图说明
本发明在附图的图示中示出，所述附图旨在是示例性的而非限制性的，其中相同的附图标记旨在表示相同或对应的部分，并且其中：
图1示出根据本发明的一个或多个实现方式的目标与专家***之间的相关性的图形表示。
图2表示示出根据本发明的一个或多个实现方式的用于产生机械HIC模型的***的示意图；
图3表示示出钢管线中氢致开裂的发展的图示；
图4表示示出根据本发明的一个或多个实现方式的用于训练专家***以预测HIC增长速率的方法的流程图；
图5表示示出根据本发明的一个或多个实现方式的用于训练专家***以预测HIC增长速率的方法的流程图，其中现场和/或实验数据是周期性可用的；
图6表示根据本发明的一个或多个实现方式的脆性材料和延性材料的材料R曲线的示意图；
图7表示示出根据本发明的一个或多个实现方式的用于训练专家***以预测HIC增长速率的详细方法的流程图；
图8表示示出根据本发明的一个或多个实现方式的用于通过现场操作数据并入来预测HIC增长速率的方法的流程图；
图9表示根据本发明的一个或多个实现方式的用于预测一个或多个资产中的氢致损坏的增长速率的示例性***的示意图；
图10表示根据本发明的示例性实现方式的实验设计(DOE)分析的主要效果图形表示；以及
图11表示根据本发明的示例性实现方式的实验设计(DOE)分析的交互曲线图形表示。
具体实施方式
在整个说明书中，术语可能具有超出明确声明含义的在上下文中建议或暗示的细微差别含义。同样，如本文所使用的短语“在一个实现方式中”不一定指代相同的实现方式，并且如本文所使用的短语“在另一个实现方式中”不一定指代不同的实现方式。类似地，如本文所使用的短语“一个或多个实现方式”不一定指代相同的实现方式，并且如本文所使用的短语“至少一个实现方式中”不一定指代不同的实现方式。例如，意图是所要求保护的主题包括整体或部分的示例性实现方式的组合。
本公开详述了用于改进的HIC增长速率建模的***和方法。由于HIC测量和预测技术领域中的现有方法在确定裂纹增长特性方面不是高效或有效的，因此本***和方法采用硬件、软件和/或两者的组合来提供动态的、自我改进的和快速的专家***，以预测在钢管线、压力容器、储罐和管道***的非破坏性检查期间检测到的预先存在的线性氢致裂纹(线性HIC或气泡)的裂纹增长特性(即增长时间和裂纹增长速率(CGR))。特别地，本方法包括根据最终用户任意选择的机械HIC模型拉力构建代理模型(专家***)。机械模型是第一原理模型，其捕获导致HIC增长的不同物理和化学现象之间的相互作用。需要大量计算资源来捕获裂纹增长问题的实际物理特性的机械模型用于产生模拟观察数据库以训练和验证专家***。在成功训练之后，专家***能够以非常好的精度复制任何线性HIC的任意机械模型的输出，但具有相当低的计算资源要求(CPU和存储器使用)，从而有助于将机械模型(例如，基于有限元方法)转移到实际的现场应用。以此方式，与传统的机械建模相比，通过减小CPU时间和存储器使用来改进HIC损坏测量和分析的技术领域，由此提供能够实际现场使用的***(例如，分析具有数百或数千个裂纹的管)。
在本发明的一个方面，提供了一种专家预测***。在构建训练裂纹增长特性的预测器所需的数据时，过滤掉表示与裂纹增长开始相关的强非线性的数据(其特定于断裂力学)。为了使专家预测***更加稳健，在一个或多个实现方式中，产生包括两个互补专家子***的全局专家***，其中每个专家子***用于特定目的并对于特定数据集进行训练和验证。更具体地，与预测裂纹增长开始(其具有条件输出(即，CGR＝0性对CGR>0))相关联的步骤与预测增长特性(即，萌生时间(τ)和CGR)分离。在一个或多个实现方式中，仅在确认裂纹增长(即，CGR>0)时才执行后者。以此方式，确定裂纹增长开始与确定裂纹传播阶段是不相关的，并且每个阶段由不同的专家***处理。
在本发明的另一个方面，本文提供了一种方法，其专注于构建动态自改进解决方案。在获得新的无损测试(NDT)数据后，可以优化机械模型(例如，通过调整适当的轧制方向断裂韧性)，并且该方法的每个相应步骤(诸如实验设计、数据库、训练、测试和验证)都包含新的NDT数据以更新专家***。在一个或多个实现方式中，***优化是自动化的，使得每当新数据可用时，专家***都会自动更新并可用于最终用户。如本领域中已知的，可以通过超声技术收集NDT数据。
在本发明的另一个方面中，本文提供的***和方法检测现场的物理资产(例如，管、容器、管线)并预测受HIC影响的资产的完整性。例如，来自先前收集的NDT数据和输入设备设计数据和当前操作情况数据(例如，压力、温度、充氢)的基线图用于随时间推导在受HIC影响的区域处的裂纹增长进度图。在一个或多个实现方式中，***包括硬件和其他现场装置，其收集新的NDT数据以供预测***合并和分析。以此方式，***可以使用新产生的HIC图在现场进行FFS评估。
本发明中提出的方法具有广泛的应用，并且可以应用于模拟氢致开裂增长的其他机械模型，并且可以扩展到其他形式的环境开裂，诸如应力腐蚀开裂(SCC)、硫化物应力开裂(SSC)或点蚀。
关于用于HIC增长的常规机械建模，本发明通过改进用于HIC建模的计算机功能来改进本领域，特别是通过需要更少的CPU时间和更少的存储器。例如，使用经训练的专家***来执行裂纹增长建模所需的CPU时间(大约几秒)平均比普通机械模型(诸如传统的有限元模型(FEM))所花费的时间少1000倍，并且进一步使用比常规模型更少的存储器。此外，对于复杂的情况(即数百或数千个裂纹)，传统FEM模型无法在小于数小时到数天的时间范围内收敛到解决方案，除非计算网格被细化。FEM模型也必须不断细化，从而需要更多的存储器和CPU。对于裂纹增长的常规FEM模拟，在裂纹前沿和紧邻裂纹的区域(即，裂纹处理区域)处需要细网格尺寸。裂纹增长分析越是非线性，网格尺寸必须越小。如果未正确选择网尺寸，则解决方案将永远不会收敛，除非网格被细化。当使用本发明的专家***时，完全抑制了此类网格问题，因为不需要网格。以此方式，***能够在执行计算的同时更快地运行。
附加地，本文的本***和方法改进了关于以下传统建模步骤的CPU和存储器功能：解决离散应力/位移FEM问题：矩阵公式和分辨率(CPU和存储器中都很昂贵)；计算每个时间步长的每个裂纹的应力强度因子(SIF)(CPU成本高)；以及在整个模拟过程中将节点解存储在每个有限元节点上(在存储器中很昂贵)。
此外，本***完成了此类改进，同时仍由专家***捕获裂纹增长的开始(或不)和增长特性，与传统的机械模型(例如，有限元方法(FEM))相比而无准确度损失。例如，图1示出回归图，其示出在不同数据集(训练数据110、测试数据120、验证数据130和所有数据140)上的目标与专家***(CGR-ES)之间的高相关性。
为了完整地描述本文提供的***和方法，提供了本发明改进的常规建模技术的简要描述。由于需要极高的计算资源(处理和存储)，目前基于历史的预测性HIC增长速率方法在实践中极其困难甚至不可能实现。特别是，针对由于内壁的氢摄取(例如，由于表面处的H2S腐蚀)导致的线性HIC或起泡损坏(其为更危险的台阶式HIC的前兆)，为了试图预测预先存在的线性HIC的裂纹增长开始和裂纹增长速率，实现了某些数值模型，其使用需要过多计算机资源的数值技术(诸如FEM)以离散化和求解机械模型的耦合方程。
现在参考图2，示出常规机械HIC模型205的主输入/输出的示意图。这种模型205具有多个输入210，包括：裂纹几何形状数据212(g-例如，形状和尺寸)、裂纹位置数据214(l-例如，从外壁测量的深度、距参考点的周向和轴向距离)、材料性质数据216(m-例如，金属强度、断裂韧性(KIH)和氢扩散性质)、操作情况数据218(o-例如，温度和压力)以及测量/计算的充氢情况数据220(h-例如，测量/假设的氢渗透速率、或等效地表面充氢浓度)。可能以实时方式收集或者从数据库(诸如包含先前的非破坏性测试数据的数据库)检索输入210。在线性弹性材料的情况下，这些模型的主要输出通常是裂纹增长曲线220，其中每个单独缺陷的尺寸是时间的函数。该曲线可以通过两个主要标量属性来表征：潜伏期，也被称为增长时间222(τ)(或萌生时间)和裂纹增长速率224(CGR)。
如图3中示意性总结的，并取决于FEM模拟中使用的机械模型205的复杂性，对每个缺陷进行时间相关的氢扩散分析以模拟：(1)氢摄取以及从内壁向裂纹腔的扩散，(2)裂纹表面处的俘获和压力积聚，(3)沿破坏过程区的脆化和氢致剥离，随后(4)破裂增长和气泡增长。该分析对于准确捕获裂纹尖端周围和裂纹侧面处的氢浓度分布是必要的。后者将局部控制在HIC侧面发生的氢再化合反应并因此控制HIC腔内捕获的氢气量。根据当前腔体积和腔内诱捕的氢气的总质量来计算HIC腔内的压力动力学。然后将计算出的压力用作有限元应力分析的输入(HIC侧面上的载荷)。取决于在裂纹尖端周围实现的应力强度水平，可以达到钢的断裂韧性并且HIC裂纹进一步发展。最后，当增加的腔体积引起氢气压力的显著下降时，可以抑制裂纹扩展，然后需要累积更多的氢气以再次达到裂纹增长的临界压力。执行该整个循环直到达到最终情况(例如，实现预限定的曝发时间)。
除了对于商业FEM软件包和适当的计算工作站的许可的潜在要求，运行常规模拟所需的时间是此类FEM解决方案的关键限制因素。针对要模拟数百或数千个缺陷的增长的实际情况，计算时间是过长的(就数小时到数天而言)。此外，如前所述，非计算解决方案完全不适合实际使用，因为它们基本上等于工程师的猜测并无法对具有数百至数千个裂纹的设备进行准确和完整的分析。在实际的现场情况下，需要一种保持机械数值模型的准确性，但计算时间较短(就几秒到几分钟而言)的稳健技术解决方案。
现在参考图4，示出了根据本发明的一个或多个实现方式的用于训练专家***以预测HIC增长速率的方法400。这种方法提供了一种解决方案，该解决方案保留用于HIC增长的经验证机械模型(下文称为“Mech-Model”)(诸如图2中的模型205)的准确性和有效性，同时极大地减小对计算资源的要求。在一个或多个实现方式中，在模拟观察数据库(SODB)上训练和验证专家***(例如，人工神经网络(ANN))。模拟的观察结果存储在数据库中(如由[SODB]表示)，并且由使用Mech-Model来获得的离散输入和相应的输出组成(即[SODB]＝[g i，l i，m i，o i，h i，τi，CGRi]i＝1..N，其中N是观察/模拟的总数)。在模拟观察数据库上成功训练专家***后，专家***成为模拟引擎，其用于对Mech-Model的有效域内包含的任何输入点进行新的预测。换言之，专家***成为Mech-Model的替代品。
方法400开始于步骤405，其中机械模型205接收与关于要测量HIC增长速率的结构的数据有关的一个或多个输入。例如，输入可以是以下中的一个或多个：裂纹几何形状数据212(g)、裂纹位置数据214(l)、材料性质数据216(m)、操作情况数据218(o)和测量/计算的充氢情况数据220(h)。
接下来，方法400运行实现Mech-Model的一个或多个参数模拟以产生用于构建模拟观察数据库[SODB]的结果(步骤410)。参数模拟是以下模拟：其中除了所选参数之外，所有输入参数(例如，g、l、m、o、h)保持恒定，然后在指定范围内改变所选参数以产生一系列结果。然后，模拟通过在指定范围内改变不同参数来重复该过程，同时其他参数保持恒定。
具有单个变化参数的常规参数模拟是高度计算机资源密集的(在处理器资源和存储器资源中)，并且还可能无法完全捕获多参数变化的影响(即，相互作用影响)。例如，如果Mech-Model具有八个标量输入参数(温度、压力、裂纹尺寸、裂纹位置、壁厚、充氢氢通量、屈服应力、断裂韧性)并且使参数以五个相等增量在指定范围内递增以便正确捕获Mech-Model的响应表面，则构建数据库所需的模拟总数是58＝390,625次模拟。如果每个模拟的计算时间平均为10分钟(在一个CPU上)，则产生该示例性数据库所需的总计算时间为2,712天(7.5年)。即使在具有100个CPU上的大规模并行化的计算布置中，模拟也需要一个月的时间来运行和开发数据库。
与上述传统示例相对比，在一个或多个实现方式中，在步骤407处，方法400任选地在运行步骤410中的参数模拟之前执行一个或多个实验设计(DOE)以便识别关键模型参数。执行步骤407可以在405处的初始输入步骤之后进行，或者在方法400的循环完成之后进行，以便改进结果。取决于情况(例如，关于参数的数据是众所周知的)，在存在对于预测裂纹增长速率并不重要的特定输入参数的情况下，在407处执行DOE步骤是特别有利的。在步骤407处执行DOE时，对输入参数建模的一个或多个参数的范围被减小或固定为根本不变化。这减小了构建数据库所必须的模拟次数，并显著减小了所花费的计算时间和存储器。例如，在两级数值DOE中，可以通过将模型参数的范围分成两个更大的增量来执行全因子设计(即，对于具有先前示例性参数的两级DOE，总共28＝256次模拟)。然后将数值DOE的结果绘制在主效果和相互作用效果曲线图上。在一个或多个实施方案中，方法400分析这些曲线图以确定哪些模型参数在所述情况下具有较小的预测值。对于具有较小预测值的参数，参数值可能以较大的增量变化或甚至固定为特定值。这种模型参数识别减小了产生数据库所需的模拟的总数，同时仍保留Mech-Model中包含的最有价值的信息。以此方式，DOE分析结果识别关键控制参数以及在产生数据库期间要为每个参数考虑的增量级别的数量。
在步骤415处，方法400根据由步骤410处的参数模拟产生的结果建立模拟观察数据库[SODB]。根据常规方法，构建[SODB]是计算资源密集型元素，并且本方法最小化通过仅产生[SODB]一次所使用的计算机资源来训练和验证专家***。
在步骤420处，由[SODB]训练和测试专家***。使用神经网络来训练和测试专家***。在本文中参考图7和方法700更全面地描述了专家***的测试和训练。
此后，方法400输出由专家***进行的资产中的HIC增长速率预测，并且允许最终用户在不需要再次构建[SODB]或专家***的情况下进行未来的咨询(步骤425)。由最终用户进行的新咨询(在模型适用性范围内)将直接使用由方法400训练的专家***，其在计算时间方面产生相当大的节省。例如，与单独的常规Mech-Model(例如，机械模型205)所需的小时或天数相比，专家***将以秒到分钟的数量级运行大量模拟。在一个或多个实现方式中，产生数据库所需的其他计算要求(例如，商业FEM软件包和高性能工作站的许可)限于公司内的单个物理位置。因此，可以在一个位置产生数据库，但是可以将经训练的专家***部署到许多位置而不增加计算资源要求或其他成本。
附加地，在一个或多个实现方式中，本方法400允许最终用户(例如，现场工程师)在实际现场应用中进行简单的部署。最终用户对经许梿的专家***的操纵比对传统机械模型的操纵更简单且更安全。例如，执行服务评估适合性的最终用户(例如，API-579的1级和2级)不一定有资格使用商业FEM软件包，并且因此这些用户无法实现常规的Mech-Model方法。此外，即使传统的Mech-Model由合格人员实现，直接使用Mech-Model也增加了现场模拟失败的可能性，因为单独使用Mech-Model导致有关较差计算网格质量、较差求解器选择以及解决方案收敛问题的问题。相反，本发明在现场部署专家***时避免了此类问题，因为在产生数据库期间处理网格质量、求解器和解决方案收敛问题。
在一个或多个实现方式中，在步骤420中，经训练的专家***可以被配置用于大规模部署(即，许多最终用户和许多模拟)。这进一步改进了HIC增长速率建模的技术领域，而没有引入附加的后勤复杂性，如由于Mech-Model的过度计算资源需求而在Mech-Model的大规模部署会发生的。例如，关于具有其中嵌入多个裂纹的500mm×500mm×30mm的区域的结构的破裂部分的完整三维机械模型解决方案导致数千万个节点。为了解决这种模型，需要高性能工作站，诸如具有36个CPU和128GB存储器或更多的工作站。此类Mech-Model的大规模部署将要求对于每个最终用户或每个部位都满足上述要求，以及对于每个最终用户或每个部位的FEM软件包的训练和许可(即使不是不可能，也很难实现)。
现在参考图5，在一个或多个实现方式中，示出了用于训练专家***以预测HIC增长速率的方法500，其中可周期性地获得附加的现场和/或实验数据。例如，该方法应用图4的方法，如虚线框A所包围的步骤所示，并且修改它以考虑在现场位置处产生的新可用的NDT检查数据。方法500开始于收集新的非破坏性测试(NDT)数据(步骤505)。如本领域中已知的，可以通过监督控制和数据采集(“SCADA”)***收集NDT检查数据。SCADA***是本地或远程管理和控制工业过程的软件和硬件元件(例如，可编程逻辑控制器(“PLC”)、远程终端单元(“RTU”)、工厂机器、人机接口装置、传感器、终端装置)的***。例如，SCADA***可以监测、收集和处理由检查装置收集的实时数据，例如通过机器人、探针或传感器收集在资产(诸如管线)处的操作情况数据。在检查区域处收集操作情况数据，其进而被馈送到一个或多个PLC或RTU。然后，PLC和RTU通过网络(例如，无线、WiFi、蜂窝网络等)将收集的数据馈送到各个计算机工作站或操作员终端。在一个或多个实现方式中，方法500指示数据收集装置(例如，信息收集机器人、位于管线内的测量装置等)不时地自动获得新数据。例如，方法500可以将数据收集装置设置成每天、每周或每月获得新数据，或者数据收集装置可以具有收集数据的特定日历日期。方法500还可以实现用于确定最佳时间的标准，以收集周期性可用的现场数据以用于专家***的训练，例如，如果使用当前数据的预测缺乏准确性。
接下来，使用新收集的数据来构建现场测量数据库(步骤510)。当在步骤415中构建[SODB]时，可以构建现场测量数据库。在一个或多个实现方式中，方法500分支到步骤420并将新的现场数据直接嵌入先前产生的模拟观察数据库中，并在专家***的更新训练期间将数据应用为附加训练或测试集。然而，在这样做时，为了与当前[SODB]所产生的当前结果保持一致，必须审查新的现场数据。将新数据应用于包含不一致结果的数据库可能导致不良质量预测(例如，这是传统神经网络的已知缺点)。
方法500继续，步骤515，并将新数据分成现场输入([INP]f)和现场输出([OUT]f)，通过将现场输出[OUT]f与ES对现场输入ES([INP]f)的预测进行比较来测试当前专家***(ES)的一致性(即，现场有效性)以确定是否需要重新训练当前的ES。这是根据等式完成的，其中ε是用于控制所需一致性水平的容差因子。如果现场数据的一致性在容差因子内，则验证专家***(步骤520)。然后，在执行新的训练/测试/验证循环之前，新获取的现场数据用于优化内部Mech-Model参数(在这种情况下，必须解决辅助优化问题，如下所述)。如果现场数据的一致性不在容差因子内，则必须重新训练专家***(步骤525)。如参考图7所述，在完成初始训练时，完成对专家***的重新训练。根据一致性测试的结果，如果ES已经很好地适应新获取的数据，则可以节省计算时间，因为该方法避免了重新训练ES。图5中描述的方法可以是自动化的，使得该过程是鉴于评估当前ES的一致性而执行的，或者可替代地通过根据新近可用的现场数据的新训练来改进ES。以此方式，本发明的专家***是动态的和自我改进的。
如图5的方法500中所示的，Mech-Model参数的周期性优化也可能面临辅助优化问题(步骤530)。如在示例性实现方式中所提供的，Mech-Model输入参数由矢量g，l，m，o，h表示，所述矢量分别表示裂纹几何形状(尺寸)数据、位置数据、钢机械性质、操作情况和充氢情况。在现场应用中，两个参数通常是关键的，即钢的机械性质(特别是氢环境中的材料断裂韧性)和充氢情况。前一个参数控制材料的抗破裂性，而后者则控制使破裂发生的驱动力。其他模型参数(裂纹几何形状、位置和操作情况)通常相对容易以可接受的置信水平确定。
充氢情况(即，充氢通量)主要由与设备内壁接触的环境中的H2S的pH和分压控制。它还可能受到由于腐蚀反应而在内壁处形成的钝化硫化铁垢FeS的形成速率和/或破裂的影响。对钢处的实际酸腐蚀反应和氢吸附/吸收进行建模使太过复杂的，并且会向模型引入需要正确校准的附加参数。商用便携式探头(例如，Hydrosteel)可在市场上买到，并且可以用于直接(如果可能的话)测量受损设备上的任何位置的氢渗透通量。测量从设备的外表面进行并且然后可以用作Mech-Model的输入。
关于氢气环境中的钢机械性质，最终用户所需的主要数据通常可以在已出版的普通钢号文献或手册中找到，除氢环境中的断裂韧性KIH外，其中数据可用性限于短横向的断裂韧性，表示为其用于短横向-横向(S-T)平面中的裂纹传播。然而，当模拟线性HIC(气泡)的传播时，感兴趣的断裂韧性是在轧制方向上测量的，从而意味着在纵向-横向(L-T)平面中传播的裂纹。由于沿轧制方向的制造工艺(轧制)弱带状微观结构，这种断裂韧性(表示为)远低于 数据在文献中不可用，由于壁相对较薄，其与提取符合ASTME1820规范的标准断裂测试样品的难度有关。因此，可以被视为的上限，其可以进一步调节以适应实验/现场数据。
因此，在一个或多个实现方式中，方法500提供作为模型的优化参数，以在步骤530用现场数据测量更好地拟合机械模型的数值预测。
在一个或多个实现方式中，专家***的训练阶段的特异性实现特定预防措施以确保所开发的专家***的良好稳定性和准确预测。参考图6，在一个或多个实现方式中，使用直接训练方法。例如，数值数据库[SODB]=[g i，l i，m i，o i，h i，τi，CGRi]i=1..N可以被分为预测因子(表示为[X]＝[g i，l i，m i，o i，h i]i＝1..N)和对应目标(表示为[Y]＝[τi，CGRi]i＝1..N)。接下来，预测因子和对应目标被分成两个不同的数据集：用于训练专家***(使用文献中广泛可用的任何监督学习算法)的第一数据集{[Xtr]＝[g i，l i，m i，o i，h i]i＝1..k，[Ytr]＝[τi，CGRi]i＝1..K}(通中即数据库中包含的观察总数的约50-70％)；以及用于验证和评估训练质量的第二数据集{[Xval]＝[g i，l i，m i，o i，h i]i＝k..N，[Yval]＝[τi，CGRi]i＝k..N}(包含观察的剩余30-50％)。
然而，由于在氢降解期间可能在管或容器处发生的特定相互作用现象，直接训练方法可能具有有限的成功。这是因为在专家***(例如，神经网络)的训练阶段期间，在每次迭代时调整与输入数据相关联的权重，直到专家***预测与训练目标之间的误差[Ytr]最小化。换句话说，在这种情况下使用的专家***将尝试在训练阶段期间进行调整，以便正确地捕获可能存在于[Xtr]与[Ytr]之间的所有非线性。具体地，以下是可导致训练阶段失败或以较差相关系数(R值)收敛的非线性现象实例：在应力场、冶金陷阱和几何不连续(即，预先存在的HIC腔)的存在的下氢扩散，其也倾向于充当氢的陷阱；在预先存在的HIC裂纹内的压力积聚，其与腔中氢气与钢格中的原子氢之间的热力学平衡相关联；在尖端前面的断裂过程区(FPZ)中的钢内聚能(并因此断裂韧性)的减小，其与FPZ中高三轴度区域中的氢积累有关；势能的突然释放(其不能再由材料以弹性变形形式适应)，其导致裂纹增长并产生新的裂纹表面；以及裂纹传播，其由腔内压力增加动力学和非均匀材料断裂韧性分布控制。
数值处理中最严重的非线性现象与裂纹的突然增长相关联。断裂力学中的格里菲斯能量平衡表明：如果(并且仅当)势能释放率(限定为与裂纹表面区域中的基本变化相关联的势能∏的变化率)超过材料的表面能GC(材料断裂韧性的另一种度量)，则发生裂纹增长。如图6中示意性示出的，关于延性材料与脆性材料之间的比较，根据格里菲斯能量平衡的裂纹增长可以在材料R曲线图中更好地可视化(即，材料抗断裂性与裂纹尺寸的关系)。突然裂纹增长在数学上由阶跃/跃变函数表示，所述阶跃/跃变函数是已知在模型中引入强非线性的不连续函数。其他非线性现象在数学上由连续偏微分方程和连续非线性函数描述。
为了克服模拟与氢致金属管物理损伤相关联的非线性现象的技术问题，在一个或多个实现方式中，本文公开的方法将全球专家***分成两个互补的专家子***，其中每个专家***用于特定目的并对于特定数据集进行训练和验证。更具体地，对裂纹增长开始(其作为分类输出变量(即CGR＝0相对CGR＞0)的预测与堆裂纹增长特性(即，τ和CGR)的预测分开，仅在确认裂纹增长(即，CGR＞0)时才执行后者。
这种方法与常规直接方法形成对比，好像在大规模参数模拟期间没有发生裂纹增长(即，由于裂纹驱动力不足)，Mech-Model模拟的输出将是τ＝∞和CGR＝0。因此，如果通过直接方法进行监督学习，即[X]＝(g i，l i，m i，o i，h i)i＝1..N和[Y]＝[τi，CGRi]i＝1..N，则目标矩阵[Y]将包含大量的[∞，0]元素。这些观察包括裂纹增长问题的强非线性，并且在专家***的训练阶段期间导致重大问题并将导致不稳定的预测因子。在一个或多个实现方式中，本方法不包括用于预测裂纹增长特性(即，τ和CGR)的对训练数据的此类观察。
现在参考图7，示出根据一个或多个实现方式的用于训练专家***以预测HIC增长速率的方法700的流程图。方法700可以根据本文的其他方法来实现；例如，方法700可以在方法400的训练和测试步骤420中实施。方法700处理存储在[SODB]中的数据以创建一对专家***，即用于预测裂纹增长特性的裂纹增长特性专家***(“CGC-ES”)以及用于预测(即，确认或否认)裂纹增长开始的裂纹萌生专家***(“INT-ES”)。CGC-ES是[SODB]的过滤版本，其中从数据集中移除产生没有模拟裂纹增长速率特性(CGC)的结果的输入变量。也就是说，在步骤705处，使用过滤器来扫描原始数据库[SODB]以便区分验证情况的所有观察结果：CGR＞0。然后将仅与对应于发生裂纹增长的模拟的所有这些观察结果复制到命名为[NDB]CGC的新数据库中，该数据库具有与原始数据库相同的格式(即[SODB]CGC＝[g i，l i，m i，o i，h i，τi，CGRi]i＝1..M，其中M＜N，并且)。由于经过滤的数据库不包含与裂纹增长开始相关联的强非线性，因此可以使用[NDB]CGC来进行直接监督学习而不影响所产生的专家***(CGC-ES)的稳定性。
在一个或多个实现方式中，用于训练专家***以预测CGC的方法700包括在步骤710处将数据库[SOD]CGC分成预测因子[X]CGC＝[g i，l i，m i，o i，h i]i＝1..M和目标[Y]CGC＝[τi，CGRi]i＝1..M，并且将预测因子和对应目标分成两个不同的数据集，如下：
a.[X]CGC＝[Xtr]CGC∪[Xval]CGC，其中
b.[Y]CGC＝[Ytr]CGC∪[Yval]CGC，其中
此后，在步骤715处，通过对训练集的监督学习算法来训练CGC-ES，并且在步骤720处，通过绘制残差CGC-ES([Xval]CGC)-[Yval]CGC对测试集验证CGC-ES预测。
所产生的专家***CGC-ES(如框725所示)不足以表征整个过程，因为如本文其他地方所公开的，它没有考虑与裂纹增长开始的格里菲斯能量平衡相关联的强非线性。因此，在一个或多个实现方式中，方法700然后产生INT-ES。为了训练INT-ES，从观察原始数据集中导出一个新的数据库[SODB]INT：
在一个或多个实现方式中，用于训练专家***以预测裂纹增长开始的方法包括：将[NDB]INT分成预测因子[X]INT＝[g i，l i，m i，o i，h i]i＝1..N和目标[Y]INT＝[initi]i＝1..N并将预测因子和对应目标分成两个不同的数据集以用于分别用于训练和验证(步骤730)。此后，在步骤735处，使用监督学习算法来训练INT-ES训练集(注意[Ytr]中包含的目标是布尔值，并且因此必须选择适当的监督算法)；并且通过绘制残差INT-ES([Xval]INT)-[Yval]INT对测试集验证INT-ES预测(步骤740)。这产生了INT-ES***，如框745所示。
图7的方法700另外示出在接收新输入(g 0，l 0，m 0，o 0，h 0)之后使用专家***来进行新预测的方式。在一个或多个实现方式中，预测工作流程的方法700包括：将[X0]＝(g 0，l 0，m 0，o 0，h 0)作为输入变元传递给INT-ES(步骤750)。如果确认裂纹增长开始(即INT-ES([X0])＝1)，则方法700通过将[X0]作为输入变元传递给CGC-ES分支回到在框725处产生的CGC-ES。此后，CGC-ES产生[τ0，CGR0]＝INT-ES([X0])的结果，然后件其输出给最终用户(步骤755)。如果未确认裂纹增长开始(即，INT-ES([X0])≠1)，则方法700分支到步骤760并且用以下结果终止模拟：τ＝∞以及CGR＝0。在那种情况下，使用以下来预测裂纹增长特性：[τ，CGR]＝CGR-ES([X0])。
现在参考图8，在一个或多个实现方式中，本***和方法包括实际现场使用，其中可以通过收集和合并现场操作数据来预测HIC增长速率。例如，从监测物理设备/资产(例如，管道)收集的NDT数据可以用于预测该物理资产的完整性和寿命。
图8示出方法流程800，其中在物理资产(如由参考“B”指示的)处产生的新环境数据被周期性地传递到经训练的专家***中(如在方法700中)以随时间推移细化物理资产B的预测和服务适合性。对于一件给定的设备B，可以识别出一个或多个受HIC影响的区域(例如，R1，R2，......Ri，其中i是要分析的受HIC影响的区域的数量)。通过根据本文其他地方提供的一个或多个实现方式使用历史NDT数据为受HIC影响的区域Ri创建基线HIC增长图，方法800在步骤805处开始。例如，如本领域中已知的，可以使用超声波映射来创建HIC图。在每个HIC区域Ri，使用常规传感器和仪器来测量设备设计数据和当前操作情况(例如，压力、温度和充氢)(步骤810)。此后，在步骤815处，将基线HIC图、设备设计数据和在现场测量的当前操作情况输入专家***，如在本文其他地方描述的一个或多个实现方式中(步骤815)。专家***处理该原始数据以提取对每个区域Ri运行HIC增长分析所需的输入(例如，(g 0，l 0，m 0，o 0，h 0)，如在图2中)以计算赌赢的裂纹增长速率(CGR)。
对于每个区域Ri，所计算的CGR值用于通过人工增长在对应计算的CGR下来自基线HIC图的每个现有HIC缺陷来预测每个区域的新HIC图，以形成每个分析区域中的HIC的一个或多个新的非破坏性测试图(步骤820)。方法800在步骤825处继续，其中新预测的HIC图被用作输入以进行多服务适合性(FFS)评估(例如，根据API-579)。在一个或多个实现方式中，该方法然后在步骤830处导出每个区域Ri的最大可允许工作压力(MAWP)相对时间的曲线。例如，如果感兴趣的设备的最小操作压力被输入***，则通过绘制该区域的MAWP相对时间的关系，可以快速且直接地计算设备的每个区域Ri的剩余寿命(在图8的框830中由RLi表示)。对应于所有计算出的RLi的最小值的设备剩余寿命(ERL)(设备中最弱的区域将确定ERL的值)，然后可以用于设置未来NDT检查的频率并自动为检查员设置警报(例如，使用SCADA)。在框835中示出了具有指示的ERL的MAWP相对时间的曲线图的示例。
此外，作为时间函数的设备的计算MAWP可以用于确保设备连续适应服务。换句话说，在任何时候(t)，将操作压力(OP)的值与MAWP(t)的计算值进行比较。在一个或多个实现方式中，当OP和MAWP的值变得太近时，方法800产生警报(例如，使用SCADA)。将该警报发送给操作员，由此将操作压力自动调整到低于MAWP的充分余量(步骤840)。
还应当理解的是，这种类型的警报***可以是自动化过程的一部分，其中***产生的警报通过网络(例如，无线地)等发送到一件自动化装置(诸如机器人检查装置)。机器人检查装置接收包括计算的位置信息的警报信息，并且机器人检查装置然后可以行进到目标位置以进行其检查。可以将实时检查信息递送到命令中心(例如，中心站)和/或可以收集检查信息并将其存储在存储器中以供稍后下载。还应当理解的是，本***可以基于***输出产生调度信息，并且这种调度信息表示应该或需要检查特定表面的时间。调度信息可以存储在存储器中，并且然后在到了检查这种表面的时间时，警告人和/或一件自动化设备。在一个或多个实现方式中，响应于警报，方法800任选地调度非破坏性测试检查(步骤845)。此后的某个时间，可以进行现场检查，并且可以使用新收集的数据来更新基线HIC图(步骤850)。然后可以重复方法800。
现在参考图9，提供了用于预测一个或多个资产中的氢致损坏的增长速率的***900。提供***900作为用于预测HIC增长速率的方法的实际应用的示例，如本文其他地方所述。***900包括计算装置910，所述计算装置具有处理器915、存储器920并且与网络925连接。例如，网络925可以是有线或无线网络、蜂窝网络、广域网(“WAN”)或局域网(“LAN”)。在一个或多个实现方式中，计算装置910可以经由网络925访问数据库930。在一个或多个实现方式中，计算装置910包括本地数据库。数据库930包括历史NDT数据935，其包括关于过去捕获的资产的操作情况和结构数据的信息。例如，如图9所示，一个或多个数据收集装置940被实现为收集资产945的操作情况和结构数据，并且特别是在资产的区域950处。在一个或多个实现方式中，历史数据935存储在基线HIC图中。数据收集装置940可以包括具有超声波传感器或扫描仪、现场探针等的机器人检查装置。处理器915接收与特定区域950有关的历史数据935作为输入参数(例如，g、l、m、o、h)，然后根据本文的方法(例如，方法400、方法500、方法700)使用神经网络955来处理所述历史数据935以输出HIC的增长速率的预测。
***900还可以进行操作以通过合并由数据收集装置940捕获的新NDT来周期性地更新其输出增长速率预测。计算装置910的处理器915经由网络925与数据收集装置940通信，并且可以实现存储在存储器920中的指令(例如，程序代码)以配置数据收集装置以便在资产945的区域950处收集对应于多个输入参数的当前资产设计数据和操作情况数据。然后，当前资产设计数据和操作情况数据由数据收集装置940经由网络925传输到计算装置910。然后，计算装置910实现用于将处理器915配置为作为专家***操作的指令。经配置的处理器915然后从数据库930接收对应于与资产945的区域950相对应的多个输入参数的历史数据935，并且从数据收集装置940接收所传输的所述区域的当前资产设计数据和操作情况数据，其对应于与历史数据相同的多个输入参数。然后，经配置的处理器915从历史数据和当前资产设计数据以及操作情况数据中提取多个输入参数，并且然后处理已提取的多个输入参数以输出资产945处的区域950中的氢致损坏的增长速率，如本文所述(例如，方法400、方法500、方法700)。在一个或多个实现方式中，经配置的处理器915处理所提取的多个输入参数以输出新的HIC图，其此后可以存储在存储器920或数据库930中。然后可以提供新的HIC图作为历史数据935以用于未来增长速率预测。
基于由经配置的处理器915在考虑到区域950处的当前操作情况和结构数据之后输出的预测增长速率，在一个或多个实现方式中，***900可以调度资产区域处的服务适合性检查。例如，如果预测到高裂纹增长速率，则可以通过操作在***900的处理器中实现的代码来立即调度检查。作为另一个实例，这种高裂纹增长速率的预测可以致使从将来的遥远时间重新调度现有检查，而不是排队等待相对更直接的检查。这样做时，***900可以在服务数据库中的其他条目中创建或修改调度条目，以便致使技术人员或机器人在与先前调度的不同时间检查预测的高裂纹增长区域，或者在没有调度的检查时间的情况下具有调度时间。在一个或多个实现方式中，***900可以基于资产945的区域950处的氢致损坏的输出增长速率来产生警报并将警报传输到数据收集装置940，并且指示数据收集装置在资产区域处执行服务适合性检查。
为了进一步发展本发明的技术性质并验证本发明，对本发明的一种实现方式进行了试验研究实验并在下文中详述其。该试验研究代表了本发明的实现方式的示例并且不意图将本发明仅限于该示例性实现方式。
初步研究
机械HIC增长模型的数学基础依赖于以下基本假设。假设本体材料是各向同性和线性弹性的，这是由HIC在偏析带(即脆性区域)中发展的事实支持的，其中断裂韧性远低于所记录的基材断裂韧性，并且因此防止了扩散屈服并将塑性限于非常小的近尖端处理区。假设单模I裂纹在平行于管壁的方向上传播，这由来自现场的实验结果支持，即超声波厚度映射数据显示HIC损坏通常在管的中壁厚度处被触发。在二维轴对称情况下，单个HIC被建模为便士外形裂纹，只要裂纹半径与管道内半径(通常在16英寸以上)相比较小，这就是合适的。
从理论的角度来看，这种机械模型的原创性在于它考虑了时间相关(即动态)框架中的不同物理学之间的耦合，其与实际的现场情况(pH和pH2S)直接相关。更具体地，参考先前讨论的图3，进行扩散分析(1)以对氢摄取以及从内壁(与酸性环境接触)到管道内部的传输进行建模。该分析允许访问裂纹尖端周围的氢分布和裂纹侧面的氢通量。这也控制裂纹表面的氢再化合反应并因此影响压力积聚(2)机制。裂纹内的压力可以基于当前裂纹体积和腔内分子氢的总质量来确定。然后将压力用作输入参数以执行应力分析(3)。取决于在裂纹尖端周围实现的应力水平，可以达到钢的氢影响的断裂韧性并且HIC过程进一步发展。最后，当增加的腔体积引起氢压力的显著下降时，可以抑制裂纹扩展(4)。执行整个循环直到达到最终情况(例如，实现预限定的曝发时间)。商业FEM软件包COMSOL Multiphysics用于实现和求解模型方程。
实验数值设计(DOE)
在本研究中，如前所述的,机械模型使用了5个输入参数，它们是：内壁处充氢浓度C0(其取决于酸性环境的pH值和H2S的分压)、管壁厚度(dp)、HIC初始半径(a0)，HIC深度(以壁厚百分比计量)(h％，从内壁测量)以及氢环境中的材料断裂韧性(KIC)。下表1显示了5个模型参数的范围。选择该范围以涵盖各种可能的情况(C0的界限是根据pH和pH2S的界限计算的)。
表1：关键模型参数的变化范围
对于数值DOE分析，对于每个模型参数考虑了具有两个级别的全因子设计(上级＝最大值，低级＝最小值)，这导致在10小时的CPU时间内在标准工作站上运行总共25(即32)次模拟。
在图10-11中示出了裂纹增长速率(CGR)输出的DOE分析结果。图10显示了针对每种模型参数的DOE分析的主要效果图形表示。曲线图示出了CGR与充氢浓度(C0)和初始裂纹尺寸(a0)强烈正相关，而它与钢断裂韧性(KIC)和裂纹深度(h％)强烈负相关。然而，管壁厚度的变化对计算的CGR具有非常小的影响。此外，图11显示了针对每对模型参数的DOE分析的交互曲线图形表示，示出了壁厚也对共变化(当时有两个参数的变化)有非常小的影响。管壁厚度主要控制氢气到达裂纹腔所需的时间并因此影响增长时间τ，但与其他4个参数相比仍然程度更小。因此，在模拟数值观察数据库的产生期间，可以对壁厚采用恒定的平均值。
模拟观察数据库
产生具有最小计算成本的模拟数值观察数据库(“SODB”)所需的DOE分析的主要输出可以被归纳为以下内容：可以合理地使用恒定的壁厚值；针对断裂韧性和充氢浓度应考虑5个等级；并且针对初始裂纹尺寸和裂纹深度应考虑3个等级。这导致构建SODB需要总计225次模拟(在大约3.5天的CPU时间内运行)。
专家***的训练和验证
根据图7中的方法流程，已经在SODB上创建并训练了两个前馈人工神经网络CGC-ES和INT-ES。CGC-ES神经网络由输入层处的4个节点(每个模型参数有一个节点)和输出层处的两个节点(τ和CGR)组成。附加地，INT-ES还由输入层处的4个节点、以及输出层处的仅一个分类节点(用于分类变量init)组成。在每个神经网络的输入与输出之间选择三个隐藏层。第一层隐藏层有16个节点，第二层有8个节点，并且第三层有2个节点。
仅为方便起见，神经网络的监督学习是使用软件的神经网络(NN)工具箱来实现的，但是，它可以使用任何其他开源神经网络库(例如，OpenANN)来轻松解决。经训练的NN的性能然后针对FEM模型进行验证并显示出非常好的再现性。
因此，如本文所示和所述，本发明提供了与氢致开裂测量相关联的技术问题的技术解决方案并用于提供确定例如裂纹增长特性的高效或有效的预测能力。本发明包括动态的、自改进的和快速的专家***，其用于预测预先存在的线性氢致裂纹(诸如线性HIC或泡罩)的增长时间和裂纹增长速率。此外，本发明的技术结构使得可能以先前不可用的方式能够在现场进行部署。
在一个或多个实现方式中，技术解决方案包括消除提供HIC测量和可预测性否则将需要的特殊监测程序。例如，这可以包括不需要以周期性间隔对受损设备的区域进行预定的局部检查，因为可以定时局部检查以与预测的裂纹增长速率协调。此外，本发明远远超出了导致二进制结果(例如，通过/失败)的服务适合性评估。本发明可以被配置来提供基于超声的映射，由此为机器提供精确和直观的信息。
此外，本发明至少部分地通过消除否则在模拟期间普遍存在的收敛问题来减小CPU处理时间和存储器使用。例如，这可以包括，消除或减小硬件/软件许可、计算机工作站等，以及显著减小常规模拟程序的时间要求。此外，在一个或多个实现方式中，专家***(例如，人工神经网络)被训练并且此后可以在操作中演变为被配置来例如对裂纹增长特性进行预测的模拟程序。这通过将本发明的单个方面中的信息和功能从数据学习例如改变为数据操作并最终改变为现场部署来提供技术解决方案。
此外，在一个或多个实现方式中，在运行参数模拟之前由一个或多个处理器执行实验设计，这消除了否则将在模拟中使用的较不重要的变量。例如，在产生数据库期间，预先处理网格质量、求解器和解决方案收敛问题。这导致预测HIC所必须的模拟次数减小，从而导致更好的装置性能和操作、更少的装置需求和更低的成本，同时保持和/或改进HIC可预测性和/或以迄今为止不可能的方式提供HIC可预测性。
例如，本发明消除了对训练和部署FFM软件包的昂贵许可和计算装置要求的需要，包括用于与常规三维Mech-Model解决方案相关联的过多工作站。如本文所述，关于面积为500mm×500mm×30mm的其中嵌入多个裂纹的结构开裂部分，否则将需要这种解决方案以用于建模和预测措施。通过消除对高性能工作站(诸如具有数十个CPU和几千兆字节内存的工作站)的需求，本发明不仅可以是可实现的，而且可以通过基于一个或多个数据输入模拟增长速率来确定资产中的氢致损坏的增长速率并预测裂纹增长。这取决于通过监督控制和数据采集(SCADA)的非破坏性检查来实现，所述SCADA进一步被配置来产生警报并将警报发送给操作员以便自动调整操作压力。
图1至图11是允许用于解释本发明的概念性图示。本领域技术人员应当理解的是，本发明的实现方式的各个方面可以以硬件、固件、软件或其组合来实现。在此类实现方式中，各种部件和/或步骤将在硬件、固件和/或软件中实现以便执行本发明的功能。也就是说，同一块硬件、固件或软件模块可执行所示出的框中的一个或多个(例如，部件或步骤)。
在软件实现方式中，计算机软件(例如，程序或其他指令)和/或数据被存储在作为计算机程序产品的一部分的机器可读介质上，并且通过可移动的存储装置、硬盘驱动或通信接口而被加载到计算机***或其他装置或机器中。计算机程序(也被称为计算机控制逻辑或计算机可读程序代码)被存储在主和/或次存储器中，并且由一个或多个处理器(控制器等)实现来致使所述一个或多个处理器执行如本文所描述的本发明的功能。在本说明书中，术语“机器可读介质”、“计算机程序介质”和“计算机可用介质”通常被用来指代如随机存取存储器(RAM)、只读存储器(ROM)、可移动存储单元(例如，磁盘或光盘、快闪存储器装置等)、硬盘等的介质。
值得注意的是，上文的图和实例不意图将本发明的范围限于单个实现方式，因为其他的实现方式通过互换所描述或所示出的元件中的一些或全部的方式而成为可能的。此外，在使用已知部件可部分或完全实现本发明的某些元件的情况下，仅描述这类已知部件的理解本发明所必需的那些部分，并且省略了这类已知部件的其他部分的详细描述以免模糊本发明。在本说明书中，除非本文中另有明确说明，否则示出单个部件的实现方式不应必定限于包括多个相同部件的其他实现方式，并且反之亦然。此外，除非明确这样说明，否则申请人不意图为本说明书或权利要求中的任何术语赋予不常见的或特殊的意义。此外，本发明包括本文中作为示例提及的已知部件的目前和未来已知的等同物。
具体实现方式的前述描述将如此充分地揭示本发明的一般性质，以使得其他人通过应用相关领域的技术范围内的知识(包括引用并通过引用并入本文的文件的内容)，在无不当实验且在不脱离本发明的一般概念的情况下，可以容易地针对各种应用对所述具体实现方式进行修改和/或调适。因此，基于本文呈现的教示和指导，这些适配和修改意图在公开实现方式的等效物的含义和范围内。应当理解的是，本文的措辞或术语是出于描述而非限制的目的，因此本说明书的术语或措辞应由本领域技术人员根据教示和指导说明，结合相关领域的技术人员的知识来进行解释。
尽管上文已经描述了本发明的各种实现方式案，但应当了解，以实例方式而非限制方式来呈现所述各种实现方式。对于相关领域的技术人员显而易见的是，在不脱离本发明的精神和范围的情况下，可以在其中进行形式和细节上的各种改变。因此，本发明不应受任何上述示例性实现方式限制，而应仅根据以下权利要求和其等效物定义。

Claims (24)

1.一种用于对具有氢致损坏增长速率的资产的区域进行服务适合性评估的方法，所述方法包括：
将存储在数据库中的一个或多个第一数据输入输入到机械模型；
由执行所述机械模型的处理器在一个或多个参数模拟中处理所述一个或多个数据输入，以输出一个或多个增长特性；
构建存储所输出的一个或多个增长特性的模拟观察数据库；
通过所述模拟观察数据库来训练和测试专家***；
通过所述模拟观察数据库来验证所述专家***；
由所述专家***输出所述资产中的所述氢致损坏增长速率；以及
在所述氢致损坏增长速率超过阈值的情况下：
产生警报；以及
将所述警报传输到至少一个机器人检查装置。
2.根据权利要求1所述的方法，其中处理所述一个或多个数据输入的步骤包括：
由所述处理器将所述一个或多个数据输入中的一个选择为在一定范围内变化，并且由所述处理器将剩余的一个或多个数据输入中的每一个选择为保持恒定。
3.根据权利要求1所述的方法，其中处理所述一个或多个数据输入的步骤包括：
执行实验设计以识别所述要保持恒定的一个或多个数据输入。
4.根据权利要求1所述的方法，其中通过所述模拟观察数据库来训练和测试专家***的步骤包括：
将所述专家***分成多个专家子***，其中第一专家子***预测具有条件输出的裂纹增长，并且其中第二专家子***预测一个或多个增长特性。
5.根据权利要求1所述的方法，其中所述一个或多个第一数据输入包括裂纹几何形状数据、裂纹位置数据、材料特性数据、充氢情况数据或其组合。
6.根据权利要求1所述的方法，其中所述一个或多个增长特性包括萌生时间(τ)、裂纹增长速率(CGR)或其组合。
7.根据权利要求1所述的方法，其还包括：
通过一个或多个数据收集装置来收集一个或多个第二数据输入；
将所述一个或多个第二现场数据输入输入到所述模拟观察数据库；
更新所述模拟观察数据库；
用所述更新的模拟观察数据库来测试所述专家***的现场有效性；以及
如果所述专家***的现场有效性下降到低于阈值，则重新训练所述专家***。
8.根据权利要求7所述的方法，其中所述一个或多个第二现场数据输入是断裂韧性KIH。
9.根据权利要求1所述的方法，其还包括产生用于由所述至少一个机器人装置进行服务适合性检查的时间表，其中所述时间表是根据所预测的增长速率来产生的。
10.根据权利要求1所述的方法，其中所述警报包括资产位置信息，所述资产位置信息表示具有所述氢致损坏增长速率的所述资产的区域，并且所述方法还包括：
将所述警报传输到机器人检查装置以指示所述机器人检查装置定位所述区域、行进到所述区域并且在所述区域处执行服务适合性评估。
11.一种用于根据具有一个或多个裂纹增长速率(CGR)观察结果的模拟观察数据库(SODB)训练用于预测氢致裂纹增长速率的专家***的方法，其包括：
将一个或多个过滤器应用于所述SODB以将其中没有发生裂纹增长的一个或多个CGR观察结果从所述SODB移除；
将其中发生裂纹增长的所述一个或多个CGR观察结果复制到新数据库；
将所述新数据库分成对应于[X]CGC＝[g i，l i，m i，o i，h i]i＝1...M的一个或多个预测因子以及对应于[Y]CGC＝[τi，CGRi]i＝1..M的一个或多个目标；
将所述一个或多个预测因子分成对应于[X]CGC＝[Xtr]CGC∪[Xval]CGC，其中的第一数据集，并且将所述一个或多个目标分成对应于[Y]CGC＝[Ytr]CGC∪[Yval]CGC，其中的第二数据集；
通过监督学习算法来训练所述第一数据集；以及
通过监督学习算法来验证所述第二数据集。
12.根据权利要求11所述的方法，其中所述监督学习算法是神经网络库。
13.一种用于确定资产中的氢致损坏增长速率的***，所述***包括：
计算机，其具有处理器、存储器和与网络的连接，所述计算机能访问存储对应于多个输入参数的历史数据的数据库；
数据收集装置，其被配置来收集所述资产的区域处的对应于所述多个输入参数的资产设计数据和操作情况数据；并且
其中所述计算机实施用于将所述处理器配置成作为专家***进行操作的指令，所述专家***被配置来：
从所述数据库接收对应于所述多个输入参数的所述历史数据，
从所述数据收集装置接收所述资产的区域处的对应于所述多个输入参数的所述资产设计数据和所述操作情况数据，
从所述历史数据以及所述资产的区域处的所述资产设计数据和所述操作情况数据提取所述多个输入参数，以及
处理所提取的多个输入参数以输出所述资产处的所述区域中的氢致损坏增长速率。
14.根据权利要求13所述的***，其中所述历史数据存储在基线HIC图中。
15.根据权利要求13所述的***，其中所述数据收集装置是机器人、侵入式探针***、非侵入式探针***或贴片探针。
16.根据权利要求13所述的***，其中所述多个输入参数包括裂纹几何形状数据、裂纹位置数据、材料特性数据、充氢情况数据或其组合。
17.根据权利要求13所述的***，其中所述专家***被配置来处理所提取的多个输入参数以输出新的HIC图。
18.根据权利要求17所述的***，其中所述新的HIC图作为所述历史数据来提供给所述专家***。
19.根据权利要求13所述的***，其中所述专家***被配置来：导出所述资产的所述区域的最大可允许工作压力(“MAWP”)相对时间的曲线，将所述操作情况数据的随时间推移的值与所述曲线进行比较以确定所述操作情况数据和所述MAWP的值的差是否下降到低于阈值，以及产生警报并将所述警报传输给所述资产的所述区域处的操作员。
20.根据权利要求19所述的***，其中所述操作情况数据的值是所述资产的所述区域处的操作压力的值。
21.根据权利要求19所述的***，其中响应于接收到所述警报，所述操作员自动调整所述资产的所述区域处的操作情况，以将所述操作情况数据和所述MAWP的值的差增大到高于所述阈值。
22.根据权利要求13所述的***，其中所述专家***被配置来：基于所述资产的所述区域处的输出氢致损坏增长速率来安排所述资产的所述区域处的服务适合性检查。
23.根据权利要求13所述的***，其中所述专家***被配置来：基于所述资产的所述区域处的输出氢致损坏增长速率来产生警报并将所述警报传输到所述数据收集装置，并且指示所述数据收集装置在所述资产的所述区域处执行适合***检查。
24.根据权利要求13所述的***，其中所述资产是钢管线、压力容器、储罐或管道***。
CN201780026942.9A 2016-06-22 2017-06-22 用于快速预测管线、压力容器和管道***中的氢致开裂(hic)并采取与其相关的行动的***和方法 Pending CN109074037A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201662353406P 2016-06-22 2016-06-22
US62/353,406 2016-06-22
PCT/US2017/038774 WO2017223326A1 (en) 2016-06-22 2017-06-22 Systems and methods for rapid prediction of hydrogen-induced cracking (hic) in pipelines, pressure vessels, and piping systems and for taking action in relation thereto

Publications (1)

Publication Number Publication Date
CN109074037A true CN109074037A (zh) 2018-12-21

Family

ID=59416780

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201780026942.9A Pending CN109074037A (zh) 2016-06-22 2017-06-22 用于快速预测管线、压力容器和管道***中的氢致开裂(hic)并采取与其相关的行动的***和方法

Country Status (9)

Country Link
US (2) US10990873B2 (zh)
EP (2) EP3693815B1 (zh)
JP (1) JP6949060B2 (zh)
KR (1) KR102332466B1 (zh)
CN (1) CN109074037A (zh)
ES (1) ES2805433T3 (zh)
SA (1) SA518400303B1 (zh)
SG (2) SG10202005108VA (zh)
WO (1) WO2017223326A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110031073A (zh) * 2019-03-11 2019-07-19 新兴河北工程技术有限公司 多通管件重量确定方法、装置、计算机设备及存储介质
CN114746684A (zh) * 2020-03-16 2022-07-12 金子产业株式会社 机器学习装置、数据处理***、推理装置以及机器学习方法

Families Citing this family (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11796450B1 (en) 2012-03-05 2023-10-24 Vista Precision Solutions, Inc. Method and apparatus for determining the time between internal inspections of a tank
US11221291B2 (en) 2012-03-05 2022-01-11 Vista Precision Solutions, Inc. Measurement-based, in-service method for updating the internal inspection interval of an AST
EP3467489A1 (de) * 2017-10-06 2019-04-10 Rosen Swiss AG Verfahren zur bestimmung der geometrie einer fehlstelle und zur bestimmung einer belastbarkeitsgrenze
WO2019227273A1 (en) * 2018-05-28 2019-12-05 Alibaba Group Holding Limited Hierarchical concept based neural network model for data center power usage effectiveness prediction
US11783099B2 (en) * 2018-08-01 2023-10-10 General Electric Company Autonomous surrogate model creation platform
CN110245434B (zh) * 2019-06-18 2023-06-27 南京延长反应技术研究院有限公司 Miha纯气动操作条件下氢气传输调控模型建模方法
US11579586B2 (en) * 2019-09-30 2023-02-14 Saudi Arabian Oil Company Robot dispatch and remediation of localized metal loss following estimation across piping structures
US20220391800A1 (en) * 2019-11-05 2022-12-08 Team Industrial Services, Inc. Maintenance methods and systems for fluid containment assets
EP3822718A1 (en) * 2019-11-18 2021-05-19 Siemens Aktiengesellschaft System device and method of integrated model-based management of industrial assets
CN110929401A (zh) * 2019-11-22 2020-03-27 中国计量大学 一种基于边界元法的高温炼钢转炉内壁缺陷在线检测方法
US11473275B2 (en) 2020-06-01 2022-10-18 Saudi Arabian Oil Company Pipeline pressure testing accounting for measurement uncertainties
US11681272B2 (en) 2020-09-23 2023-06-20 Saudi Arabian Oil Company Automated rotating equipment preservation
KR102476906B1 (ko) * 2020-10-27 2022-12-13 주식회사 글로비즈 복합 소재 압력 용기의 결함을 진단하고 남은 수명을 계산하는 방법 및 시스템
KR102298719B1 (ko) * 2020-11-10 2021-09-07 더본테크 주식회사 현장 수집 입력 데이터에 기초한 데이터 재가공 시스템
KR102413399B1 (ko) * 2020-12-22 2022-06-28 전북대학교산학협력단 기계 학습 기반의 해양 플랜트 파이프라인 누출 진단 시스템
US11795815B2 (en) * 2021-02-02 2023-10-24 Saudi Arabian Oil Company Non-intrusive wellhead seal monitoring
JP2023064461A (ja) * 2021-10-26 2023-05-11 東芝エネルギーシステムズ株式会社 材料劣化評価装置及び材料劣化評価方法
CN116773667B (zh) * 2023-06-15 2024-05-24 上海发电设备成套设计研究院有限责任公司 核电汽轮机的转子叶根槽裂纹安全性监控方法和装置
CN117056686B (zh) * 2023-08-14 2024-02-02 嘉兴市安得特种设备科技有限公司 一种检测压力容器表面缺陷的告警方法及***
CN117216907B (zh) * 2023-09-25 2024-04-26 中煤科工集团武汉设计研究院有限公司 长距离管道输送煤浆大型储罐保温参数确定方法、保温结构及其施工工艺
CN117786165B (zh) * 2023-10-12 2024-07-23 广州信邦智能装备股份有限公司 巡检事件的提取处理方法及相关服务器和介质程序
CN117390937B (zh) * 2023-12-12 2024-03-05 华中科技大学 一种快充条件下含缺陷储氢气瓶损伤预测方法及***

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6609036B1 (en) * 2000-06-09 2003-08-19 Randall L. Bickford Surveillance system and method having parameter estimation and operating mode partitioning
KR20030073813A (ko) * 2002-03-13 2003-09-19 주식회사 에스알에스텍 초음파를 이용한 수소유기균열 및 부식 측정 시스템과안전성 평가 방법
JP2004251765A (ja) * 2003-02-20 2004-09-09 Japan Energy Corp 設備管理方法及び設備管理装置
US20060219011A1 (en) * 2005-03-31 2006-10-05 Siddu Dinesh M Method and system for inspecting objects using ultrasound scan data
US20070068605A1 (en) * 2005-09-23 2007-03-29 U.I.T., Llc Method of metal performance improvement and protection against degradation and suppression thereof by ultrasonic impact
US20080177516A1 (en) * 2007-01-10 2008-07-24 Government Of The United States In The Name Of The Secretary Of The Navy System and Method for predicting Material Fatigue and Damage
CN101419139A (zh) * 2008-05-06 2009-04-29 首钢总公司 一种防止探伤专用钢板产生氢致裂纹的方法
KR20110001751U (ko) * 2009-08-14 2011-02-22 탑테크(주) 강재의 수소 유기 균열 시험장치
CN102741847A (zh) * 2009-12-07 2012-10-17 诺沃皮尼奥内有限公司 用于经受氢致应力裂纹的海底装备的设计方法
JP2013250113A (ja) * 2012-05-31 2013-12-12 Jfe Steel Corp 鋼材の耐ｈｉｃ性能の判定方法
CN104502459A (zh) * 2014-12-08 2015-04-08 中国特种设备检测研究院 基于声发射对炉管进行诊断的方法

Family Cites Families (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4336595A (en) 1977-08-22 1982-06-22 Lockheed Corporation Structural life computer
US5025392A (en) 1988-11-09 1991-06-18 Singh Guryinder P Apparatus and method for expert analysis of metal failure with automated visual aids
JPH0484754A (ja) 1990-07-27 1992-03-18 Hitachi Ltd 材料の健全性評価法
US6460012B1 (en) 1999-09-16 2002-10-01 U.T. Battelle, Llc, Nonlinear structural crack growth monitoring
US6567752B2 (en) 2000-08-15 2003-05-20 The Penn State Research Foundation General method for tracking the evolution of hidden damage or other unwanted changes in machinery components and predicting remaining useful life
US20030171879A1 (en) 2002-03-08 2003-09-11 Pittalwala Shabbir H. System and method to accomplish pipeline reliability
US7013224B2 (en) 2002-07-15 2006-03-14 General Electric Company Method and apparatus to perform crack estimations for nuclear reactor
US7260501B2 (en) 2004-04-21 2007-08-21 University Of Connecticut Intelligent model-based diagnostics for system monitoring, diagnosis and maintenance
US8065244B2 (en) 2007-03-14 2011-11-22 Halliburton Energy Services, Inc. Neural-network based surrogate model construction methods and applications thereof
US7933679B1 (en) 2007-10-23 2011-04-26 Cessna Aircraft Company Method for analyzing and optimizing a machining process
JP4938695B2 (ja) 2008-01-23 2012-05-23 富士通株式会社 き裂進展評価装置及びき裂進展評価方法
US8725456B1 (en) 2009-05-05 2014-05-13 The United States of America as represented by the Administrator of the National Aeronautics & Space Administration (NASA) Decomposition technique for remaining useful life prediction
US20110054840A1 (en) 2009-08-26 2011-03-03 Hively Lee M Failure prediction of complex structures under arbitrary time-serial loading condition
US8494827B2 (en) 2009-09-25 2013-07-23 Exxonmobil Upstream Research Company Method of predicting natural fractures and damage in a subsurface region
US8499643B2 (en) 2009-10-30 2013-08-06 Luna Innovations Incorporated In-situ sensors and methods for monitoring environment assisted cracking of structural components
WO2012003027A1 (en) 2010-06-28 2012-01-05 Exxonmobil Upstream Research Company Method and system for modeling fractures in ductile rock
CN102103646B (zh) 2010-12-14 2012-11-14 武汉理工大学 基于有限元技术和人工神经网络的精冲模具磨损预测方法
EP2666096A4 (en) 2011-01-19 2017-08-02 Saudi Arabian Oil Company Wellhead hips with automatic testing and self-diagnostics
US9581570B2 (en) 2011-02-10 2017-02-28 University Of South Carolina Determination of the remaining life of a structural system based on acoustic emission signals
US9541530B2 (en) 2012-01-23 2017-01-10 Siemens Energy, Inc. Method and system of deterministic fatigue life prediction for rotor materials
EP2637010B1 (en) 2012-03-05 2015-06-24 EADS Construcciones Aeronauticas, S.A. Method and system for monitoring a structure
US9892219B2 (en) 2014-01-28 2018-02-13 Rolls-Royce Corporation Using fracture mechanism maps to predict time-dependent crack growth behavior under dwell conditions
CN103870662A (zh) 2014-04-01 2014-06-18 青岛科技大学 一种预测储罐剩余寿命的方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6609036B1 (en) * 2000-06-09 2003-08-19 Randall L. Bickford Surveillance system and method having parameter estimation and operating mode partitioning
KR20030073813A (ko) * 2002-03-13 2003-09-19 주식회사 에스알에스텍 초음파를 이용한 수소유기균열 및 부식 측정 시스템과안전성 평가 방법
JP2004251765A (ja) * 2003-02-20 2004-09-09 Japan Energy Corp 設備管理方法及び設備管理装置
US20060219011A1 (en) * 2005-03-31 2006-10-05 Siddu Dinesh M Method and system for inspecting objects using ultrasound scan data
US20070068605A1 (en) * 2005-09-23 2007-03-29 U.I.T., Llc Method of metal performance improvement and protection against degradation and suppression thereof by ultrasonic impact
US20080177516A1 (en) * 2007-01-10 2008-07-24 Government Of The United States In The Name Of The Secretary Of The Navy System and Method for predicting Material Fatigue and Damage
CN101419139A (zh) * 2008-05-06 2009-04-29 首钢总公司 一种防止探伤专用钢板产生氢致裂纹的方法
KR20110001751U (ko) * 2009-08-14 2011-02-22 탑테크(주) 강재의 수소 유기 균열 시험장치
CN102741847A (zh) * 2009-12-07 2012-10-17 诺沃皮尼奥内有限公司 用于经受氢致应力裂纹的海底装备的设计方法
JP2013527506A (ja) * 2009-12-07 2013-06-27 ヌオーヴォ ピニォーネ ソシエタ ペル アチオニ 水素誘起応力割れに曝される海中設備の設計方法
JP2013250113A (ja) * 2012-05-31 2013-12-12 Jfe Steel Corp 鋼材の耐ｈｉｃ性能の判定方法
CN104502459A (zh) * 2014-12-08 2015-04-08 中国特种设备检测研究院 基于声发射对炉管进行诊断的方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110031073A (zh) * 2019-03-11 2019-07-19 新兴河北工程技术有限公司 多通管件重量确定方法、装置、计算机设备及存储介质
CN114746684A (zh) * 2020-03-16 2022-07-12 金子产业株式会社 机器学习装置、数据处理***、推理装置以及机器学习方法
CN114746684B (zh) * 2020-03-16 2023-12-29 金子产业株式会社 机器学习装置、数据处理***、推理装置以及机器学习方法

Also Published As

Publication number Publication date
KR102332466B1 (ko) 2021-11-30
ES2805433T3 (es) 2021-02-12
SA518400303B1 (ar) 2022-02-03
JP6949060B2 (ja) 2021-10-13
SG11201810013WA (en) 2018-12-28
US10990873B2 (en) 2021-04-27
EP3693815B1 (en) 2021-08-04
EP3693815A1 (en) 2020-08-12
SG10202005108VA (en) 2020-07-29
EP3475769B1 (en) 2020-05-13
US20170372196A1 (en) 2017-12-28
EP3475769A1 (en) 2019-05-01
US20210174165A1 (en) 2021-06-10
WO2017223326A1 (en) 2017-12-28
JP2019527817A (ja) 2019-10-03
KR20190022493A (ko) 2019-03-06
US11681898B2 (en) 2023-06-20

Similar Documents

Publication Publication Date Title
CN109074037A (zh) 用于快速预测管线、压力容器和管道***中的氢致开裂(hic)并采取与其相关的行动的***和方法
Xie et al. A review on pipeline integrity management utilizing in-line inspection data
Fang et al. Fatigue crack growth prediction method for offshore platform based on digital twin
Nanda et al. Vibration based structural damage detection technique using particle swarm optimization with incremental swarm size
CN116482227B (zh) 一种管道腐蚀监测方法、装置及***
AU2019394685B2 (en) Detecting and quantifying liquid pools in hydrocarbon fluid pipelines
Sandhu et al. Post-hazard condition assessment of nuclear piping-equipment systems: Novel approach to feature extraction and deep learning
Foucher et al. New tools in CIVA for Model Assisted Probability of Detection (MAPOD) to support NDE reliability studies
Sutar et al. Neural based controller for smart detection of crack in cracked cantilever beam
Wang et al. Pipeline condition monitoring towards digital twin system: A case study
Sauers Experimental Validation of Degradation in Nuclear Equipment-Piping Systems and its Detection Using Deep Learning
Lawrence et al. Novel Approaches and Technologies for Aging Management
Nagawkar et al. Model-based sensitivity analysis of nondestructive testing systems using machine learning algorithms
Gomes Crack detection in composite laminated plates using optimization techniques based in changes in natural frequencies
Roberge¹ Computer based data organization and computer applications
Van Niekerk Degradation estimation of high energy steam piping using hybrid recurrent neural networks
Baskaran et al. Identification and Analysis of Barriers for In-Service Pressure Vessel and Piping Inspection Using DEMATEL Approach
Hoskinson et al. Construction and Application of a Likelihood Function for Pitting Corrosion with Confidence Bounds for Structure Integrity
Sandhu et al. A comparative study on deep learning models for condition monitoring of advanced reactor piping systems
Xie Pipeline Defect Growth Prediction and Risk-based Integrity Management
WO2024069216A1 (en) Method for pipeline corrosion prediction and maintenance
Cheng et al. Data-Driven Machine Learning Techniques Case Study for Corrosion Depth Prediction in Facilities Station Piping
He Application of the Machine Learning Tools in the Integrity Management of Pipelines Containing Dent-gouges and Corrosions
Hussain Risk-informed inspection and maintenance planning for deteriorating structural systems
Robinson et al. A rule-based expert system for automatic error interpretation within ultrasonic flaw model simulators

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
AD01 Patent right deemed abandoned

Effective date of abandoning: 20220909

AD01 Patent right deemed abandoned