Quatitative evaluation of pipe wall thinnings utilizing the combination of guided inspections and artificial intelligence

利用引导检查和人工智能相结合对管壁减薄进行定量评估

基本信息

批准号：
21K03750
负责人：
西野秀郎
金额：
$ 2.58万
依托单位：
The University of Tokushima
依托单位国家：
日本
项目类别：
Grant-in-Aid for Scientific Research (C)
财政年份：
2021
资助国家：
日本
起止时间：
2021-04-01 至 2024-03-31
项目状态：
已结题

项目摘要

本手法は，多周波のガイド波の減肉反射率を入力とする深層ニューラルネットワーク(DNN)により当該減肉の減肉深さを推定する手法を提案し，検証するものである。本年度は，基礎的な手法に関しての論文作成を開始している。2023年度前半中には投稿予定。本年度の新規事項としては大きく3点を実施した。1つ目は化学プラントにおける実機減肉3点に対して本手法を適用した。その結果，0.5mm許容誤差においてすべて正答することができている。これらの実施においては，要素技術としてガイド波の指向性制御を可能とするデジタル信号処理方法を提案している。アクティブ信号処理の一種である。新規2つ目として，これまでの全結合層により形成された深層ニューラルネットワークに加え，畳み込みニューラルネットワーク(CNN)による手法を提案実施している。本手法では入力層には時間周波数信号を２次元データとして与える全く新しい方法である。本手法を用いることで，従来のDNNによる手法に比べ，若干であるが正答率の向上(概ね85%程度から90%程度への向上)が確認できている。入力層への情報量の増大が大きく寄与していると考えている。3点目の新規事項は，出力層の分類数の増加を実現可能としたことである。教師あり人工知能では，必要十分な学習データの確保が，その精度や完成度に直結することは明白である。本提案の手法は，学習データに実験に頼らずとも大量の学習データを作成可能な手法としてガイド波の減肉反射率を計算できる数学モデルを用いている。このことは，短時間で大量の学習データ作成が可能であることを示している。一般にAI出力の分類数の増大には，増大に見合った学習データの増大が必要になる。本手法はこのことを可能とする。これらの実現を行なっている。

该方法提出并验证了一种使用深度神经网络（DNN）估计壁减薄深度的方法，该深度神经网络以多频导波的壁减薄反射率作为输入。今年，我们开始写基本方法的论文。预计于 2023 年上半年发布。今年我们实施了三项重大新举措。首先将该方法应用于某化工厂实际设备减薄的三点。结果，所有答案都是正确的，误差在 0.5 毫米以内。在这些实现中，我们提出了一种数字信号处理方法，该方法能够将导波的方向性控制作为一项基本技术。它是一种主动信号处理。作为第二种新方法，除了由全连接层形成的传统深度神经网络之外，我们还提出并实现了一种使用卷积神经网络（CNN）的方法。该方法是一种全新的方法，其中时频信号作为二维数据提供给输入层。通过使用这种方法，我们确认与传统的 DNN 方法相比，正确答案率略有提高（从约 85% 到约 90%）。我们认为输入层信息量的增加是一个主要贡献者。第三个新功能是可以增加输出层的分类数量。在监督人工智能中，显然，获得足够的训练数据与其准确性和完整性直接相关。该方法使用可以计算导波细化反射率的数学模型，作为一种无需依赖实验即可创建大量学习数据的方法。这表明在短时间内创建大量训练数据是可能的。一般来说，增加人工智能输出的分类数量需要相应增加训练数据。这种方法使这成为可能。我们正在实现这些目标。