基于ResNet-like架构的集成平均Mel-S谱图估计肘管壁减薄
1.简介
2.材料和方法
2.1. 管壁减薄的制作与实验
2.2. 预测弯管壁减薄的数据准备
2.3. 预测壁厚减薄的CNN模型开发
3.结果
3.1. 基于实验数据的CNN模型评估
3.1.1. CNN模型丢失
3.1.2. 使用测试数据集进行模型评估
4.结论
作者贡献
基金
机构审查委员会声明
知情同意书
数据可用性声明
利益冲突
工具书类
雷米,F.N。; Bouchacourt,M.《流动辅助腐蚀:避免损坏的方法》。 编号。 工程设计。 1992 , 133 , 23–30. [ 谷歌学者 ] [ 交叉参考 ] 吴,P.C。 美国核电厂腐蚀/腐蚀引起的管壁减薄 ; 编号NUREG-1344; 美国核管理委员会(NRC):美国华盛顿特区,1989年。 Matsumura,M.Mihama核电厂管道破裂案例研究。 马特。 科洛斯。 2006 , 57 , 872–882. [ 谷歌学者 ] [ 交叉参考 ] 谢夫斯基,C。; Hazelton,T.CHECWORKS腐蚀控制集成软件。 1997年7月1日在加拿大安大略省多伦多举行的第四届CANDU维护国际会议记录。 [ 谷歌学者 ] Baier,R。; A.Zander,COMSY——一种用于老化和植物寿命管理的软件工具,带有集成文档工具。 2008年9月21日至26日,瑞士因特拉肯,2008年国际青年核大会会议记录。 [ 谷歌学者 ] 黄,K.M。; Yun,H。; Seo,香港。; Lee,G.Y。; Kim,K.W.开发用于核电厂管壁减薄管理的ToSPACE。 世界期刊Nucl。 科学。 技术。 2018 , 9 , 1–15. [ 谷歌学者 ] [ 交叉参考 ] [ 绿色版本 ] Knook,T。; 佩索斯,M。; Trevin,S。; Friol,S。; 莫特里尔,M.-P。; Dejoux,L.法国电力公司(EDF)的管壁减薄管理。 E-J.高级维护。 2011 , 2 , 1–13. [ 谷歌学者 ] 西口,I。; Inada,F。; 高桥,M。; Ogawa,B。; 稻垣祯一,T。; Ohira,T。; 岩原,K。; Yamakami,K.A评论:基于JSME规则的日本管壁减薄管理,以及最近为加强规则而进行的研发研究。 E-J.高级维护。 2011 , 2 , 14–24. [ 谷歌学者 ] 云,H。; Moon,S.J.公司。; Oh,Y.J.核电厂管道壁厚减薄评估程序的开发——第1部分:厚度测量偏差的量化。 编号。 工程技术。 2016 , 48 , 820–830. [ 谷歌学者 ] [ 交叉参考 ] [ 绿色版本 ] Yun,H。; Moon,S.J。; Oh,Y.J.核电厂管道壁厚减薄评估程序的开发——第2部分:局部壁厚减厚评估方法。 编号。 工程技术。 2020 , 52 , 2119–2129. [ 谷歌学者 ] [ 交叉参考 ] Katagiri,T。; 陈,G。; 尤萨,N。; Hashizume,H.利用微波检测多个管壁变薄缺陷的演示。 测量 2021 , 175 , 109074. [ 谷歌学者 ] [ 交叉参考 ] 郭毅。; 陈,G。; Katagiri,T。; 尤萨,N。; Hashizume,H.使用微波无损检测定量评估管壁变薄缺陷尺寸。 非破坏性。 测试。 评估。 2022 , 1–17. [ 谷歌学者 ] [ 交叉参考 ] Jardine,A.K。; Lin,D。; Banjevic,D.《机械诊断和预测实施基于状态的维护的综述》。 机械。 系统。 信号处理。 2006 , 20 , 1483–1510. [ 谷歌学者 ] [ 交叉参考 ] Khurmi,R。; 桑卡拉纳拉亚南,K。; Harvel,G.《核电厂基于状态的维护:局限性和实用性》。 《2021年IEEE工业工程和工程管理国际会议论文集》,新加坡,2021年12月13日至16日。 [ 谷歌学者 ] K.H.Ryu。; Lee,T.H。; Kim,J.H。; 黄光裕,I.S。; Lee,纽约州。; Kim,J.H。; Park,J.H。; Sohn,C.H.使用等电位开关直流电位降在线监测流动加速腐蚀引起的管道壁损失的方法。 编号。 工程设计。 2010 , 240 , 468–472. [ 谷歌学者 ] [ 交叉参考 ] 哦,S.B。; Cheong,Y.M。; Kim,D.J.博士。; Kim,K.M.在流动加速防腐设施中通过高温超声波波导系统对管壁减薄进行在线监测。 传感器 2019 , 19 , 1762. [ 谷歌学者 ] [ 交叉参考 ] [ 公共医学 ] [ 绿色版本 ] 韩,S.W。; Seo,J.S。; Park,J.H.管壁——使用周向变化厚度管道的振动模式进行的管壁精整检查。 J.韩国Inst.Gas 2017 , 21 , 18–26. [ 谷歌学者 ] [ 交叉参考 ] [ 绿色版本 ] 奥谢,K。; Nash,R.卷积神经网络导论。 arXiv公司 2015 ,arXiv:1511.08458。 [ 谷歌学者 ] 阿尔巴维,S。; T.A.穆罕默德。; Al-Zawi,S.《卷积神经网络的理解》,2017年8月21日至23日,土耳其安塔利亚,2017年国际工程技术会议论文集。 [ 谷歌学者 ] Krizhevsky,A。; Sutskever,I。; Hinton,G.E.用深度卷积神经网络进行Imagenet分类。 高级神经信息处理。 系统。 2012 , 25. 在线可用: https://proceedings.neurips.cc/paper/2012/hash/c399862d3b9d6b76c8436e924a68c45b-Abstract.html (2022年3月28日访问)。 Simonyan,K。; 用于大规模图像识别的极深卷积网络。 arXiv公司 2014 ,arXiv:1409.1556。 [ 谷歌学者 ] 华盛顿州范·埃滕。 随机信号与噪声导论 ; 约翰·威利父子公司:奇切斯特,英国,2006年; 第1-8页。 [ 谷歌学者 ] He,K。; 张,X。; 任,S。; Sun,J.图像识别的深度残差学习。 2016年IEEE计算机视觉和模式识别会议记录,美国内华达州拉斯维加斯,2016年6月27日至30日。 [ 谷歌学者 ] Lecun,Y。; 博图,L。; Y.本吉奥。; Haffner,P.基于梯度的学习应用于文档识别。 程序。 电气与电子工程师协会 1998 , 86 , 2278–2324. [ 谷歌学者 ] [ 交叉参考 ] [ 绿色版本 ] Gunn,S.R.分类和回归支持向量机。 ISIS技术代表。 1998 , 14 , 5–16. [ 谷歌学者 ] 霍夫曼,F。; Bertram,T。; 米库特,R。; Reischl,M。; Nelles,O.分类和回归基准。 威利公司(Wiley Interdiscip)。 版本数据最小知识。 发现。 2019 , 9 ,e1318。 [ 谷歌学者 ] [ 交叉参考 ] 查伊,Y.H。; Kim,S.G。; Kim,H。; Kim,J.T。; Seong,P.H.使用加速度计和深度学习模型诊断FAC引起的管道变薄的方法。 附录编号。 能源 2020 , 143 , 107501. [ 谷歌学者 ] [ 交叉参考 ] Moon,S。; Kim,K。; Lee,G.G.公司。; Yu,Y。; Kim,D.J.基于机器学习的管道壁厚减薄率预测模型。 编号。 工程技术。 2021 , 53 , 4060–4066. [ 谷歌学者 ] [ 交叉参考 ] 奈尔,V。; Hinton,G.E.校正线性单元改进了受限boltzmann机器。 2010年6月21日至24日,以色列海法,第27届国际机器学习会议记录。 [ 谷歌学者 ] 谢勒,D。; 米勒,A。; Behnke,S.对象识别卷积体系结构中池操作的评估。 2010年9月15日至18日,希腊塞萨洛尼基,2010年国际人工神经网络会议记录。 [ 谷歌学者 ]