油管的无损检测.doc

油管缺陷的无损检测 国内外发展现状： 油田上采用钢管作为输油管道，对油管的检测可以看作是对钢管的检测。但油管内壁缺陷多，危害大，一般探伤方法不适合。又因为油管的使用具有重复性，在油田生产中对节约成本，保证安全生产有至关重要的作用，因此对油管缺陷的无损探伤，一直是国内外无损检测界的难题之一。 近年来，随着电子、机械工业中新技术的发展，美、德、加、俄等国采用必威体育精装版电子、机械和无损检测技术成果，对管道的检测开展了大量的研究开发工作。对于油管的无损检测，包含多种检测方法，主要有漏磁法、超声法、涡流法等。相对于大型管道（如长输油管线）的无损检测技术研究来说，对抽油管及小直径的钢管的无损检测技术是在其基础上发展起来的。在国外，同类技术发展已有十多年，已有多家公司提供系列产品，但因技术复杂、难度大、价格高，不利于国内推广，并且有相当的技术难点，有待进一步解决。管道发达的国家早在五、六十年代就开始了管道检测技术研究。 管道检测器发展至今已经历三代：第一代为普通型检测仪；第二代为高精度型检测器（HR）；第三代为超高精度型检测器（XHR）。1965年国际著名的管道检测公司之一美国TUBOSCOPE公司首次采用漏磁检测器对管道实施了内检测；1973年英国天然气公司（British Gas简称BG）第一次采用漏磁检测器对其管辖的一条直径为600mm管道成功进行了内检测。 当前，国际上主要采用管道检测爬机（Intellingent Pigging）进行油田管道的在役检测，其检 测主要采用超声波方法及涡流方法。对于超声检测来说，确是目前最为广泛的一种无损检测方法。它具有灵敏度高、穿透力强、探伤灵活、效率高等优点，而且对平面缺陷十分敏感，但超声波在空气中衰减很快，检测时一般要有声波的传播介质（如水、油等），并且要求被检表面光滑；同时，超声探伤难于探出细小裂缝且为解释信号，要求检验人员素质高。目前国外这种类型的检测爬机的判别精度为±1mm。 国外还研制了基于漏磁检测技术的漏磁检测爬机（Magnetic-flux Pig），以适应在役管道的现场检测。国外漏磁检测爬机的研制始于80年代初期，至今已发展到第二代。其可携带数十个乃至200个检测探头，对在役管道进行检测，检测管壁的各种缺陷，最小可检测出直径为3.2mm的缺陷。 德国的Forster研究所生产的系列漏磁探伤装置有：ROTOAMT漏磁探伤机用于钢管探伤时能检出深度为壁厚5%的外壁缺陷；用于钢棒探伤时能检出深度为0.2mm的缺陷。TUBOMAT漏磁探伤机主要用于钢管的检测，它在扫描方式上采用了探头固定、螺旋送进和探头直线前进、材料旋转两种方式。 利用超声波测厚和内窥观察两种油管内壁损伤检测方案，西安石油学院与中原石油勘探局、新疆石油管理局合作研制了一套内窥式油管内壁损伤成像仪并根据双判据法提出了内壁损伤油管承载能力降低系数的概念和计算方法。我国漏磁检测工作始于70年代后期，80年代我国在漏磁检测领域还处于理论研究阶段，90年代国家为了促进漏磁检测技术在我国的发展和应用，制定了第一个漏磁检测标准。目前已有部分智能漏磁检测产品问世，如：LMT型全自动漏磁探伤仪、LMTa型油管漏磁探伤机和NT—90B型组合探伤仪。国内2002年由大庆汇通公司与武汉华中理工大学合作开发了EMTP系列便携式抽油管检测仪、抽油管室内在线检测仪。 神经网络：人工神经网络(ANN)是人工模拟人脑存储的信息分布式地存储在脑细胞之间的关联上这种映射关系的系统。不同类型的神经网络有不同的功能和性能，归纳起来神经网络可以实现的三个主要功能是：函数逼近、联想记忆和组合优化。检测信号与缺陷几何形状间函数的非线性，使得定量检测非常困难。而神经网络很好的非线性映射和联想记忆能力非常适合对缺陷信号的定量分析。 利用人工神经网络对已有的大量缺陷实例进行学习，建立一个隐含数学模型，通过这个隐含数学模型来识别缺陷的形状和种类等。因此人工神经网络这种非线性系统可以较好的完成探头信号处理工作。另外，人工神经网络能进行并行处理，因此还可以较快的判别缺陷的特征。目前无损检测中采用的人工神经网络多为已较为成熟的BP(Back Propagation)算法。即误差信号反向传播算法：这种网络结构简单，易于学习。 利用神经网络的自学习功能，可以得到很好的模式识别结果。在时间应用中，存在两个重点问题，一是确定神经网络系统的输入特征变量；二是对样本的精心组织。在模式识别中，通常采用直观与经验相结合的方法，传统的Bayes分类方法及根据问题的特点进行选择，例如，在焊接缺陷的超声检测系统中，在充分分析超声回波特征的基础上，结合经验，从实际焊接缺陷样本提取了三大类26个特征，即时域特征类、频域特征类、和自回归模型谱特征类作为特征向量进行神经网络分析。从大量研究情况来看，将特征提取方法与神经