view in publisher's site

Machine learning supported acoustic emission technique for leakage detection in pipelines

Highlights•Leakage detection in pipeline using acoustic emission (AE) technique.•Extraction of AE parameters for leakage localization.•Machine learning algorithms for classifying healthy and leak in pipe.•Binary and multiclass classification for leakage detection in pipe.AbstractAcoustic emission (AE) based method is a very promising passive measurement technique for detection of faults and incipient damage in in-service structures. Considering the advantage of detecting even the weak acoustic signals emitting from in-service critical infra-systems for characterizing the fault/damages/leakage in the structures, AE technique is considered to be one of the efficient NDT techniques. In the present work, acoustic emission technique has been utilised to detect leakage in the pipelines by systematically analysing the signal parameters. The leakage in the pipeline is simulated by means of pressure release valves provided at identified locations. Leakage detection in the pipe is carried out for different rate of leakage through valve. AE signals are measured from the sensors attached to the pipeline and the measured signals are analysed to extract the leakage sensitive acoustic wave features. The AE features evaluated from the acoustic signals are further processed to identify- and localize-the leakage (varying flow rates) in the pipe. Out of all the AE features, AE counts, cumulative AE energy, and signal strength are found to be very sensitive parameters to indicate the leakage in the pipelines. Further, support vector machine (SVM) learning and Relevance Vector Machine (RVM) pattern recognition algorithms are employed to develop the hyperplanes and to classify the leakage by using binary- and multiclass-classifications. Results of the study clearly showed that the SVM and RVM enabled AE features can effectively be utilised for identification and localization of leakage in the pipelines.

یادگیری ماشینی از تکنیک انتشار آکوستیک برای تشخیص نشت در خطوط لوله پشتیبانی می‌کند

نکات برجسته * تشخیص نشت در خط لوله با استفاده از تکنیک انتشار صوتی (AE). * استخراج پارامترهای AE برای جایگزیدگی نشتی. * الگوریتم های یادگیری ماشینی برای طبقه‌بندی سالم و نشت در لوله. * طبقه‌بندی باینری و چند طبقه برای تشخیص نشت در روش مبتنی بر انتشار آکوستیک (AE)یک تکنیک اندازه‌گیری غیرفعال بسیار امیدوار کننده برای شناسایی خطاها و آسیب اولیه در ساختارهای سرویس است. با توجه به مزیت شناسایی حتی سیگنال‌های صوتی ضعیف ساطع شده از زیر سیستم‌های حساس در سرویس برای شناسایی خطا / خسارات / نشت در ساختارها، تکنیک AE به عنوان یکی از تکنیک‌های NDT کارآمد در نظر گرفته می‌شود. در کار حاضر، تکنیک انتشار صوتی برای تشخیص نشت در خطوط لوله با تجزیه و تحلیل سیستماتیک پارامترهای سیگنال مورد استفاده قرار گرفته‌است. نشت در خط لوله با استفاده از شیره‌ای فشار آزاد شده در مکان‌های شناسایی‌شده شبیه‌سازی می‌شود. تشخیص نشت در لوله برای نرخ مختلف نشت از طریق شیر انجام می‌شود. سیگنال‌های AE از سنسورهای متصل به خط لوله اندازه‌گیری می‌شوند و سیگنال‌های اندازه‌گیری شده برای استخراج ویژگی‌های موج صوتی حساس به نشت آنالیز می‌شوند. ویژگی‌های AE که از سیگنال‌های صوتی ارزیابی می‌شوند بیشتر برای شناسایی و تعیین محل نشت (سرعت‌های جریان متغیر)در لوله پردازش می‌شوند. از تمام ویژگی‌های AE، تعداد AE، انرژی تجمعی AE و قدرت سیگنال پارامترهای بسیار حساسی برای نشان دادن نشت در خطوط لوله هستند. علاوه بر این، یادگیری ماشین بردار پشتیبان (SVM)و الگوریتم های تشخیص الگوی ماشین بردار مربوطه (RVM)برای توسعه ابرصفحه ها و طبقه‌بندی نشت با استفاده از طبقه‌بندی دودویی و چند کلاسی به کار گرفته می‌شوند. نتایج این مطالعه به وضوح نشان داد که SVM و RVM ویژگی‌های AE را فعال می‌کنند که می‌تواند به طور موثر برای شناسایی و مکان‌یابی نشت در خطوط لوله مورد استفاده قرار گیرد.
ترجمه شده با


پر ارجاع‌ترین مقالات مرتبط:

  • مقاله Mechanical Engineering
  • ترجمه مقاله Mechanical Engineering
  • مقاله مهندسی مکانیک
  • ترجمه مقاله مهندسی مکانیک
  • مقاله General Materials Science
  • ترجمه مقاله General Materials Science
  • مقاله علوم مواد عمومی
  • ترجمه مقاله علوم مواد عمومی
  • مقاله Mechanics of Materials
  • ترجمه مقاله Mechanics of Materials
  • مقاله مکانیک مواد
  • ترجمه مقاله مکانیک مواد
سفارش ترجمه مقاله و کتاب - شروع کنید

با استفاده از افزونه دانلود فایرفاکس چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.