Помощь студентам в учебе
МЕТАЛЛОГРАФИЧЕСКИЙ АНАЛИЗ ВОДОРОДНОГО РАСТРЕСКИВАНИЯ ТРУБНЫХ СТАЛЕЙ С ПОМОЩЬЮ МЕТОДОВ НЕЙРОСЕТЕВОГО МОДЕЛИРОВАНИЯ
|
ВВЕДЕНИЕ 9
1 СРАВНЕНИЕ ОТЕЧЕСТВЕННЫХ И ПЕРЕДОВЫХ ЗАРУБЕЖНЫХ
ТЕХНОЛОГИЙ И РЕШЕНИЙ 13
1.1 Основные аналоги и технологии металлографического анализа 13
1.2 Водородное растрескивание стали 15
1.2.1 Общие сведения о водородном растрескивании, механизмы
растрескивания 15
1.2.2 Факторы, влияющие на скорость и величину коррозионного
растрескивания 20
1.3 Определение показателей стойкости стали против водородного растрескивания 26
1.3.1 Основные стандарты, регламентирующие проведение испытаний на
водородное растрескивание 26
1.3.2 Технологическая схема проведения испытаний на водородное
растрескивание 26
1.3.3. Проведения испытаний на водородное растрескивание 27
1.3.4. Проблемы, возникающие при определении показателей стойкости металла
против ВР металлографическим методом 50
2 ОСНОВНАЯ ЧАСТЬ 53
2.1 Понятие нейросетевой модели 53
2.2 Строение элементов нейросети - нейронов 54
2.3 Свёрточные нейронные сети 57
2.4 Нейросетевой алгоритм «U-net» 61
2.5 Реализация нейросетевого алгоритма «U-net» для решения задачи
определения показателей трещиностойкости 63
2.6 Анализ результатов работы программного комплекса 73
ЗАКЛЮЧЕНИЕ 75
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1 СРАВНЕНИЕ ОТЕЧЕСТВЕННЫХ И ПЕРЕДОВЫХ ЗАРУБЕЖНЫХ
ТЕХНОЛОГИЙ И РЕШЕНИЙ 13
1.1 Основные аналоги и технологии металлографического анализа 13
1.2 Водородное растрескивание стали 15
1.2.1 Общие сведения о водородном растрескивании, механизмы
растрескивания 15
1.2.2 Факторы, влияющие на скорость и величину коррозионного
растрескивания 20
1.3 Определение показателей стойкости стали против водородного растрескивания 26
1.3.1 Основные стандарты, регламентирующие проведение испытаний на
водородное растрескивание 26
1.3.2 Технологическая схема проведения испытаний на водородное
растрескивание 26
1.3.3. Проведения испытаний на водородное растрескивание 27
1.3.4. Проблемы, возникающие при определении показателей стойкости металла
против ВР металлографическим методом 50
2 ОСНОВНАЯ ЧАСТЬ 53
2.1 Понятие нейросетевой модели 53
2.2 Строение элементов нейросети - нейронов 54
2.3 Свёрточные нейронные сети 57
2.4 Нейросетевой алгоритм «U-net» 61
2.5 Реализация нейросетевого алгоритма «U-net» для решения задачи
определения показателей трещиностойкости 63
2.6 Анализ результатов работы программного комплекса 73
ЗАКЛЮЧЕНИЕ 75
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
Увеличение добычи нефти и газа является одним из важнейших направлений развития для России [1,2]. Большая часть российской нефти транспортируется по трубам российских производителей, таких как ОАО «Трубная Металлургическая Компания» (ТМК), ЗАО «Объединенная металлургическая компания» (ОМК) и ОАО «Челябинский трубопрокатный завод» (ЧТПЗ). Повышение надежности и долговечности трубопроводов имеет большое значение, как для развития других отраслей, так и для страны в целом [3].
Постоянно растущая потребность в энергоресурсах во всем мире требует строительства газопроводов высокого давления с большой пропускной способностью. Чтобы увеличить пропускную способность для построения трубопроводов используют трубы большого диаметра и/ или увеличивают рабочее давление газа по трубопроводам. Это приводит к необходимости использования новых марок стали с существенно лучшими комплексами свойств [4]. В случае несоблюдения требуемых свойств, повышается риск возникновения аварийных ситуаций. Аварии газо-проводов высокого давления могут вызывать взрывы, пожары, нарушение жизнеобеспечения населения и устойчивой работы объектов экономики страны. Около 40 % таких аварий обусловлено разрушением металла труб, вызванного внешней коррозией: общей и локальной - коррозионным растрескиванием под напряжением [5].
Таким образом, рост объёмов транспортируемых нефти и газа требует увеличения физико-механических, коррозионных свойств металла труб, а значит и более совершенных технологий производства труб для нефте-газопроводов. Создание новых технологий производства высокопрочных труб позволило существенно снизить металлоемкость, а также повысить надёжность отечественных магистральных газо- и нефтепроводов, это внесло существенных вклад в развитие металлургии и нефтегазовой отрасли страны [4].
Поэтому к металлу труб предъявляются особые требования. Металл должен обладать высокой прочностью, пластичностью, ударной вязкостью, коррозионной стойкостью и т.д. Это связано с повышением риска разрушения трубы при увеличении поставок нефти и газа, а также с разнообразными природными условиями, в которых эксплуатируются нефтегазопроводы [6].
Одним из важнейших свойств металла труб нефтегазопроводов является коррозионная стойкость [7]. Характеристики стойкости против коррозионного растрескивания определяются типом коррозионного растрескивания. Для контроля требуемых свойств металла трубопроводов, разработан ряд испытаний. Одним из рас-пространённых испытаний для определения коррозионной стойкости является испытание на водородное растрескивание стали.
Водород содержится во всех веществах, которые транспортируются по трубопроводам: нефтепродукты и прочие углеводороды. В атмосфере он присутствует в виде влаги и молекулярного водорода. Кроме того сероводород, который содержится во многих месторождениях нефти и газа. На таких месторождениях, металлическое оборудование (в том числе трубопроводы) испытывают сероводородное растрескивание. Это явление хорошо известно при эксплуатации аппаратов нефте-перерабатывающих предприятий [8].
Водород способствует охрупчиванию металла, снижая трещиностойкость стали. Это явление называется водородное охрупчивание. Несмотря на большое количество работ [5-10], вопрос о влиянии водорода на трещиностойкость металла остаётся по прежнему открытым. К сожалению, ни одна из известных теорий не может объяснить всего спектра явлений водородной хрупкости. Причем различные подходы и концепции к построению таких теорий часто весьма противоречивы. Единой общепризнанной теории водородной хрупкости металлов и сплавов не существует.
Несмотря на это, разработан целый ряд стандартов, определяющих стойкость металла против водородного растрескивания (HIC) [11,12]. Наиболее известным является международный стандарт NACE ТМ0284-2011. предназначенный для оценки сталей для трубопроводов и сосудов высокого давления на сопротивляемость водородному растрескиванию. Этот стандарт широко используется в различных лабораториях коррозионных испытаний, таких как АО "ВМЗ" ЦЗЛ ЛКИ, АО "ВТЗ" ЦЗЛ, ОАО "РосНИТИ" УКИ, ООО "ИТ-Сервис", ФГАОУ ВО "СПбПУ" НИОЦ, ООО "Самарский ИТЦ", ПАО "ЧТПЗ" ИЦ "Труботест, и т.д.
Суть метода [11] заключается в проведении испытаний на образцах металла в заданных стандартом условиях, а затем проводится контроль качества на испытанных образцах. В качестве основного метода контроля качества используется визуальный контроль с использованием металлографического метода. Металлографическим методом выявляются трещины водородного растрескивания из множества дефектов поверхности металла. Затем специалист определяет показатели стойкости против водородного растрескивания (ВР), которые являются одним из основных показателей коррозионной стойкости металла, по фотографиям металлографических шлифов. Таким образом, определяется стойкость металла против ВР.
Основная часть данной работы посвящена этапу металлографического анализа при определении стойкости металла к водородному растрескиванию.
Гипотеза исследования состоит в предположении о возможности создать программный комплекс для определения показателей стойкости металла против ВР, после проведения испытаний на водородное растрескивание, по металлографическому изображению шлифа.
Цель работы: разработка программного кода, который позволит сократить экономические издержки, связанные с определением показателей коррозионной стойкости металла, а также увеличить скорость анализа образцов, повысить точность металлографического анализа.
Объект исследования: коррозионные испытания металла по международному стандарту NACE TM0284.
Предмет исследования: измерение показателей стойкости металла против ВР.
Задачи работы:
1. Изготовление образцов для испытаний на водородное растрескивание из патрубков металла.
2. Проведение коррозионных испытаний согласно стандарту NACE TM0284.
3. Валидация результатов проведения коррозионных испытаний.
4. Разработка алгоритма определения показателей стойкости металла против ВР на основе нейросетевых моделей.
5. Создание обучающей выборки для нейросетевой модели.
6. Обучение нейросетевой модели определения трещин на металлографических изображениях.
7. Тестирование обученной нейросетевой модели.
8. Программирование алгоритма определение показателей стойкости металла против ВР.
9. Валидация результатов работы разработанного программного комплекса
Постоянно растущая потребность в энергоресурсах во всем мире требует строительства газопроводов высокого давления с большой пропускной способностью. Чтобы увеличить пропускную способность для построения трубопроводов используют трубы большого диаметра и/ или увеличивают рабочее давление газа по трубопроводам. Это приводит к необходимости использования новых марок стали с существенно лучшими комплексами свойств [4]. В случае несоблюдения требуемых свойств, повышается риск возникновения аварийных ситуаций. Аварии газо-проводов высокого давления могут вызывать взрывы, пожары, нарушение жизнеобеспечения населения и устойчивой работы объектов экономики страны. Около 40 % таких аварий обусловлено разрушением металла труб, вызванного внешней коррозией: общей и локальной - коррозионным растрескиванием под напряжением [5].
Таким образом, рост объёмов транспортируемых нефти и газа требует увеличения физико-механических, коррозионных свойств металла труб, а значит и более совершенных технологий производства труб для нефте-газопроводов. Создание новых технологий производства высокопрочных труб позволило существенно снизить металлоемкость, а также повысить надёжность отечественных магистральных газо- и нефтепроводов, это внесло существенных вклад в развитие металлургии и нефтегазовой отрасли страны [4].
Поэтому к металлу труб предъявляются особые требования. Металл должен обладать высокой прочностью, пластичностью, ударной вязкостью, коррозионной стойкостью и т.д. Это связано с повышением риска разрушения трубы при увеличении поставок нефти и газа, а также с разнообразными природными условиями, в которых эксплуатируются нефтегазопроводы [6].
Одним из важнейших свойств металла труб нефтегазопроводов является коррозионная стойкость [7]. Характеристики стойкости против коррозионного растрескивания определяются типом коррозионного растрескивания. Для контроля требуемых свойств металла трубопроводов, разработан ряд испытаний. Одним из рас-пространённых испытаний для определения коррозионной стойкости является испытание на водородное растрескивание стали.
Водород содержится во всех веществах, которые транспортируются по трубопроводам: нефтепродукты и прочие углеводороды. В атмосфере он присутствует в виде влаги и молекулярного водорода. Кроме того сероводород, который содержится во многих месторождениях нефти и газа. На таких месторождениях, металлическое оборудование (в том числе трубопроводы) испытывают сероводородное растрескивание. Это явление хорошо известно при эксплуатации аппаратов нефте-перерабатывающих предприятий [8].
Водород способствует охрупчиванию металла, снижая трещиностойкость стали. Это явление называется водородное охрупчивание. Несмотря на большое количество работ [5-10], вопрос о влиянии водорода на трещиностойкость металла остаётся по прежнему открытым. К сожалению, ни одна из известных теорий не может объяснить всего спектра явлений водородной хрупкости. Причем различные подходы и концепции к построению таких теорий часто весьма противоречивы. Единой общепризнанной теории водородной хрупкости металлов и сплавов не существует.
Несмотря на это, разработан целый ряд стандартов, определяющих стойкость металла против водородного растрескивания (HIC) [11,12]. Наиболее известным является международный стандарт NACE ТМ0284-2011. предназначенный для оценки сталей для трубопроводов и сосудов высокого давления на сопротивляемость водородному растрескиванию. Этот стандарт широко используется в различных лабораториях коррозионных испытаний, таких как АО "ВМЗ" ЦЗЛ ЛКИ, АО "ВТЗ" ЦЗЛ, ОАО "РосНИТИ" УКИ, ООО "ИТ-Сервис", ФГАОУ ВО "СПбПУ" НИОЦ, ООО "Самарский ИТЦ", ПАО "ЧТПЗ" ИЦ "Труботест, и т.д.
Суть метода [11] заключается в проведении испытаний на образцах металла в заданных стандартом условиях, а затем проводится контроль качества на испытанных образцах. В качестве основного метода контроля качества используется визуальный контроль с использованием металлографического метода. Металлографическим методом выявляются трещины водородного растрескивания из множества дефектов поверхности металла. Затем специалист определяет показатели стойкости против водородного растрескивания (ВР), которые являются одним из основных показателей коррозионной стойкости металла, по фотографиям металлографических шлифов. Таким образом, определяется стойкость металла против ВР.
Основная часть данной работы посвящена этапу металлографического анализа при определении стойкости металла к водородному растрескиванию.
Гипотеза исследования состоит в предположении о возможности создать программный комплекс для определения показателей стойкости металла против ВР, после проведения испытаний на водородное растрескивание, по металлографическому изображению шлифа.
Цель работы: разработка программного кода, который позволит сократить экономические издержки, связанные с определением показателей коррозионной стойкости металла, а также увеличить скорость анализа образцов, повысить точность металлографического анализа.
Объект исследования: коррозионные испытания металла по международному стандарту NACE TM0284.
Предмет исследования: измерение показателей стойкости металла против ВР.
Задачи работы:
1. Изготовление образцов для испытаний на водородное растрескивание из патрубков металла.
2. Проведение коррозионных испытаний согласно стандарту NACE TM0284.
3. Валидация результатов проведения коррозионных испытаний.
4. Разработка алгоритма определения показателей стойкости металла против ВР на основе нейросетевых моделей.
5. Создание обучающей выборки для нейросетевой модели.
6. Обучение нейросетевой модели определения трещин на металлографических изображениях.
7. Тестирование обученной нейросетевой модели.
8. Программирование алгоритма определение показателей стойкости металла против ВР.
9. Валидация результатов работы разработанного программного комплекса
В ходе работы, были решены следующие задачи:
1. Изготовление образцов для проведения испытаний на водородное растрескивание. Осуществлён входной контроль образцов для коррозионных испытаний согласно стандарту NACE TM0284.
2. Проведение коррозионных испытаний согласно стандарту NACE TM0284. При этом особое внимание было уделено контролю качества испытаний, а именно: экспериментально были определены требуемые режимы продувки для достижения целевой концентрации H2S в растворе. Была проведена валидация результатов испытаний на водородное растрескивание по средством металлографического анализа и ультразвукового контроля образцов. Экспериментально было подтверждено влияние важнейших факторов (pH,T) на величину водородного растрескивания (показатель CSR, %) по средством поведения дисперсионного анализа. Проведена общая валидация результатов испытаний на водородное растрескивание.
3. Проведение металлографического анализа показателей стойкости металла против ВР по изображениям поверхности шлифа после водородного растрескивания. Для каждого из образцов была проведена валидация результата путём сверки показателей с картами распределения дефектов в объёме шлифа, полученными на этапе ультразвукового контроля.
4. Подбор нейросетей для решения задачи сегментации. Был осуществлён поиск наиболее подходящих для данной задачи нейросетевых алгоритмов. В качестве основного типа нейросетевых алгоритмов был выбран тип свёрточная нейронная сеть. Осуществлён подбор нейросетевых алгоритмов применительно к задаче. В качестве базовой модели была выбрана нейросетевая модель “U-net”. Реализация нейросетевой модели была осуществлена на языке Python, с использованием библиотек Keras, Numpy, Scikit-learn и т.д
5. Создание обучающей и тестовой выборок для нейросетевой модели. Проведён анализ классов объектов присутствующих на металлографических изображениях. Произведена агрегация и идентификация критических случаев при распознавании трещины инженером-металловедом. Определены характерные признаки трудоёмкости процесса металлографического анализа шлифов после водородного растрескивания. Созданы маски для массива изображений водородных трещин. Для создания тестовой и обучающей выборок использованы 22 валидных образца после испытаний на водородное растрескивание.
6. Обучение и тестирование нейросетевой модели. Осуществлён подбор гиперпараметров модели, выбрана метрика качества, задана функция потерь, доработана архитектура сети. В качестве платформы для обучения и реализации программного кода использован сервис “Google Colab”. Проведена валидация результатов работы нейросетевой модели путём сравнения предсказанных и тестовых масок соответственно.
7. Разработка алгоритма определения показателей стойкости металла против ВР. Создан алгоритм обработки изображений металлографических шлифов любых размеров, например панорамных изображений, для ускорения процесса проведения металлографического анализа. Создан алгоритм определения размеров трещин на масках, а также определение истинных размеров трещин на исходных изображениях при работе в связке с нейросетевой моделью “U-net”. Разработан общий алгоритм определения показателей стойкости металла против ВР по металлографическоку изображению.
8. Создание программного комплекса определения показателей стойкости металла против ВР. Создан программный код алгоритма определения показателей стойкости металла против ВР. Осуществлена общая сборка модулей в единый программный комплекс, реализованный на языке Python.
9. Валидация результатов работы программного комплекса. Осуществлено тестирование программного комплекса по средством сравнения результатов определения показателей стойкости металла против ВР инженером- металловедом и разработанной программы. Результаты работы являются удовлетворительными, нейросетевая модель распознавания трещин, лежащая в основе разработанной про-граммы, хорошо справляется с задачей прогнозирования. несмотря на достаточно малую обучающую выборку по меркам аналогичных задач в области машинного зрения.
Таким образом, в работе достигнута поставленная цель получения программного кода для уменьшения трудоёмкости металлографического анализа стойкости металла против ВР на шлифах после водородного растрескивания стали. Полученный программный комплекс должен вести себя “гибко” по отношению к задаче прогнозирования показателей стойкости металла против ВР, поскольку является универсальным для анализа металлографических изображений водородных трещин без относительно к программам получения изображений шлифов.
По результатам работы поставленную гипотезу о возможности прогнозирования показателей стойкости металла против ВР по металлографическому изображению можно считать доказанной.
1. Изготовление образцов для проведения испытаний на водородное растрескивание. Осуществлён входной контроль образцов для коррозионных испытаний согласно стандарту NACE TM0284.
2. Проведение коррозионных испытаний согласно стандарту NACE TM0284. При этом особое внимание было уделено контролю качества испытаний, а именно: экспериментально были определены требуемые режимы продувки для достижения целевой концентрации H2S в растворе. Была проведена валидация результатов испытаний на водородное растрескивание по средством металлографического анализа и ультразвукового контроля образцов. Экспериментально было подтверждено влияние важнейших факторов (pH,T) на величину водородного растрескивания (показатель CSR, %) по средством поведения дисперсионного анализа. Проведена общая валидация результатов испытаний на водородное растрескивание.
3. Проведение металлографического анализа показателей стойкости металла против ВР по изображениям поверхности шлифа после водородного растрескивания. Для каждого из образцов была проведена валидация результата путём сверки показателей с картами распределения дефектов в объёме шлифа, полученными на этапе ультразвукового контроля.
4. Подбор нейросетей для решения задачи сегментации. Был осуществлён поиск наиболее подходящих для данной задачи нейросетевых алгоритмов. В качестве основного типа нейросетевых алгоритмов был выбран тип свёрточная нейронная сеть. Осуществлён подбор нейросетевых алгоритмов применительно к задаче. В качестве базовой модели была выбрана нейросетевая модель “U-net”. Реализация нейросетевой модели была осуществлена на языке Python, с использованием библиотек Keras, Numpy, Scikit-learn и т.д
5. Создание обучающей и тестовой выборок для нейросетевой модели. Проведён анализ классов объектов присутствующих на металлографических изображениях. Произведена агрегация и идентификация критических случаев при распознавании трещины инженером-металловедом. Определены характерные признаки трудоёмкости процесса металлографического анализа шлифов после водородного растрескивания. Созданы маски для массива изображений водородных трещин. Для создания тестовой и обучающей выборок использованы 22 валидных образца после испытаний на водородное растрескивание.
6. Обучение и тестирование нейросетевой модели. Осуществлён подбор гиперпараметров модели, выбрана метрика качества, задана функция потерь, доработана архитектура сети. В качестве платформы для обучения и реализации программного кода использован сервис “Google Colab”. Проведена валидация результатов работы нейросетевой модели путём сравнения предсказанных и тестовых масок соответственно.
7. Разработка алгоритма определения показателей стойкости металла против ВР. Создан алгоритм обработки изображений металлографических шлифов любых размеров, например панорамных изображений, для ускорения процесса проведения металлографического анализа. Создан алгоритм определения размеров трещин на масках, а также определение истинных размеров трещин на исходных изображениях при работе в связке с нейросетевой моделью “U-net”. Разработан общий алгоритм определения показателей стойкости металла против ВР по металлографическоку изображению.
8. Создание программного комплекса определения показателей стойкости металла против ВР. Создан программный код алгоритма определения показателей стойкости металла против ВР. Осуществлена общая сборка модулей в единый программный комплекс, реализованный на языке Python.
9. Валидация результатов работы программного комплекса. Осуществлено тестирование программного комплекса по средством сравнения результатов определения показателей стойкости металла против ВР инженером- металловедом и разработанной программы. Результаты работы являются удовлетворительными, нейросетевая модель распознавания трещин, лежащая в основе разработанной про-граммы, хорошо справляется с задачей прогнозирования. несмотря на достаточно малую обучающую выборку по меркам аналогичных задач в области машинного зрения.
Таким образом, в работе достигнута поставленная цель получения программного кода для уменьшения трудоёмкости металлографического анализа стойкости металла против ВР на шлифах после водородного растрескивания стали. Полученный программный комплекс должен вести себя “гибко” по отношению к задаче прогнозирования показателей стойкости металла против ВР, поскольку является универсальным для анализа металлографических изображений водородных трещин без относительно к программам получения изображений шлифов.
По результатам работы поставленную гипотезу о возможности прогнозирования показателей стойкости металла против ВР по металлографическому изображению можно считать доказанной.