基于IPSO-GRU深度学习算法的海底管道缺陷尺寸磁记忆定量反演模型
针对海底管道缺陷磁记忆定量反演的难题,提出一种基于改进粒子群优化的门控循环神经网络模型,即IPSO-GRU模型.?以两端焊有盲板的X52管道作为实验材料,其上预制有不同直径、深度的缺陷,采用TSC-5M-32磁记忆检测仪,外接11-6W非接触探头,进行水下磁记忆检测试验,提取不同缺陷尺寸的磁记忆信号特征值.?考虑到磁记忆信号特征值随缺陷尺寸呈复杂的非线性变化,引入门控循环神经网络,利用其双门结构能够记忆缺陷处的信号特征,非线性回归拟合能力强的特点,构建海底管道缺陷定量反演模型,进一步考虑到模型超参数选择的随机性,采用改进粒子群算法进行超参数寻优.验证结果表明:该模型对缺陷深度反演平均精度达96%;对缺陷直径反演平均精度达93%,为海底管道缺陷的磁记忆定量化识别与反演提供了新的思路和方法.
金属磁记忆、海底管道缺陷、改进粒子群算法、门控循环神经网络、定量反演
44
TG441.7(焊接、金属切割及金属粘接)
黑龙江省自然科学基金联合引导资助项目;国家自然科学基金
2022-04-18(万方平台首次上网日期,不代表论文的发表时间)
共9页
911-919