基于深度学习的海底管道损伤识别技术

【摘要】：建立了一种利用循环神经网络进行损伤定量识别的方法。首先利用ANSYS软件对管道进行有限元分析,分析振动模态参数在定位和损伤程度判断中的可行性。然后通过深度学习的原理,得出利用应变模态差结合循环神经网络在损伤识别中的可行性和高精度。将该方法与传统神经网络进行对比,表明该方法的便利性,该方法解决了传统损伤识别方法需要预知损伤个数针对性训练神经网络的缺点,可以广泛识别多种类型的损伤,并且具有很强的可扩展性。编写了一套集成式智能损伤识别系统。调用随机数生成程序和有限元模拟软件生成基于管道参数的智能算法主程序,处理所提取的模态振型数据形成有规律的数组输入智能算法主程序中,可以输出可视化的管道损伤识别结果,包含损伤位置及损伤程度信息。进行了API X52与API X65钢材管道及分别以316L奥氏体不锈钢、2205双相不锈钢为衬管材料的双金属复合管模型在静、动荷载下模型的构建。通过对管道在不同荷载作用下压溃过程中数据的处理与对比,得到一定结果。结果表明,管道的整体性能与材料的具体力学性能有关;双金属复合管的整体强度与基管、衬管材料以及衬管厚度相关。根据上述结论为智能损伤识别系统的输出结果设置了损伤程度评级和对应的管道管理策略建议。