城市燃气PE管道热氧老化程度的超声波智能无损检测

Ultrasonic Intelligent Nondestructive Test of Thermal-oxidative Aging Degree of City Gas PE Pipeline

摘要

为预防因热氧老化异常引发的燃气聚乙烯（PE）管道泄漏事故，提出管道热氧老化程度的超声波智能检测方法。提取PE管的线性和非线性超声检测特征参数，并分析其与管道热氧老化程度的关系；构建并优化BP神经网络，将超声检测特征向量和老化时间作为网络输入和输出；扩展检测特征参数并用于网络训练，训练能够评估PE管老化程度的神经网络模型。研究结果表明：由声速、声衰减、非线性系数可构成用于智能评估老化程度的超声检测特征向量，经优化并训练后的神经网络可评估PE管老化时间，老化时间评估值的平均相对误差低于6.9%。

关键词

燃气PE管道 / 超声特征参数 / 热氧老化 / BP神经网络

Key words

PE gas pipeline / Ultrasonic characteristic parameters / Thermal aging / BP neural network

聚乙烯（PE）管道因其使用寿命长、耐腐蚀、柔韧性好、连接方便等优势，已在中低压燃气管网中占据主体地位^[1-4]。随着管道服役时间的增长，在承受外部应力以及复杂的环境作用下，其热氧老化过程常会被加速，由此引起材料力学性能和服役寿命的无预期下降，进而导致管道在规定服役期限内发生破裂和爆炸，造成巨大的人员伤亡以及经济损失^[5-8]。HUTAR等^[9]通过研究线弹性断裂力学提出PE管寿命预测新方法。FRANK等^[10]对使用30年后的聚乙烯管材进行相关分析，着重对其寿命进行预测。王航等^[11]利用FTIR分析羰基指数，使用差示扫描量热法分析聚乙烯热老化前后的结晶度，从而分析交联PE海底电缆绝缘层的热老化寿命。王洋^[12]对不同热氧老化程度的燃气聚乙烯管道进行拉伸性能试验，建立了基于拉伸测试的管道承压热氧老化预测模型。张世玮等^[13]建立PE管力学性能与超声非线性系数的关系，揭示非线性超声特征对老化后PE管组织结构变化具有较好的敏感性。对于材料组织结构的微小变化，非线性超声检测技术具有比常规超声检测技术更高的检测灵敏度，非线性超声检测技术已应用于金属材料的老化和组织结构变化的无损评价中^[14-18]。非线性超声检测特征在工程应用中的最大问题在于检测特征过于敏感、检测数据稳定性较差。

针对燃气PE管道热氧老化程度带来的组织结构变化小、超声响应变不显著、检测灵敏度和稳定性差的问题，本文提出基于多维超声检测特征输入、老化时间为输出的PE管老化程度的神经网络自动评估技术，以期实现PE管老化程度的智能评估，强化检测结果的稳定性。

1 BP神经网络

BP神经网络是正向传播信号、反向传播误差的神经网络模型，正向传播用于数据和信息的处理和映射、反向传播用于在各层之间进行误差传递；在进行反向传播时，应用最速下降法调整网络结构中的权值和阈值，以此减小输出结果的误差^[19-23]。图1为BP神经网络结构，主要包括输入层、隐含层和输出层。

平均相对误差(E)可以帮助评估预测模型的性能，并比较不同模型或方法的预测能力。E越小表示预测的准确度越高。E计算公式为：

E = \frac{\mathrm{1}}{n} \times \frac{|A_i-T_i|}{A_i} \times \mathrm{00} \mathrm{\%} (1)

式(1)中：T_i 为预测值；A_i 为实际值；n为样本总数；i表示第i个样本。

2 超声特征提取

2.1 试样制备

PE管材为DN110 SDR11 HD-PE100 XSC-50的燃气管材。将外径110 mm、壁厚10 mm、长150 mm的PE管沿直径剖取一半制成检测试样。图2为试样结构。按标准要求进行高温高湿环境老化试验，将聚乙烯管道置于热老化箱内，保持恒温80 ℃^[24-25]。试样老化时间分别为0、108、276、432、580、700、828、932、1 063、1 200、1 440 h。

2.2 超声特征提取方法

采用1.25 MHz纵波直探头测量不同热老化程度PE管的材质衰减系数和声速。由于管材外壁为弧形，为减小声耦合不稳定带来的波动影响，采用水浸超声检测法提取检测信号。图3为检测方法及检测信号。保持水距H为10 mm，调整探头方向使声波垂直入射管材。检测信号中B ₁、t ₁为水-外壁界面反射波幅度峰值及峰值时间位置，B ₂、t ₂为管内壁-水界面反射波幅度峰值及峰值时间位置，则声速C及材质衰减系数α可表示为：

C = \frac{\mathrm{2}D}{t_{\mathrm{2}}-t_{\mathrm{1}}} (2)

\alpha = \frac{[(B_{\mathrm{2}}-B_{\mathrm{1}})-\delta ]}{\mathrm{2}D} (3)

式(2)和式(3)中：D为PE管壁厚，mm；δ为超声波往返损失，1 dB。

基于Ritec RAM-5000SNAP非线性高能发射接收仪搭建PE管老化程度非线性超声检测系统，探头采用斜入射一发一收布置方式，发射和接收探头的中心频率分别为1.25、2.50 MHz。图4为激励信号及检测系统。从信号发射端输出4周期、幅度720 V的正弦波激励信号，如图4(a)所示，经阻抗匹配和1.25 MHz的低通滤波器后激励发射探头发射超声波入射至PE管壁内壁并反射后被中心频率2.50 MHz的接收探头接收，接收信号经三通管分为两路，分别输入至接收端1(基波信号)以及经1.25~2.50 MHz的带通滤波器输入至接收端2(二次谐波信号)，如图4(b)所示。

探头发射超声波经PE管内壁反射后到达接收探头的时间t为：

t = \frac{\mathrm{2}D}{C_{\mathrm{P}\mathrm{E}}\mathrm{c}\mathrm{o}\mathrm{s}\beta } + \frac{\mathrm{2}H}{C_{\mathrm{水}}} (4)

式(4)中：D为壁厚，mm；H为水距，mm；β为管中纵波折射角，(°)；C _PE为PE管纵波声速，2 458 m/s；C _水为水中纵波声速，1 480 m/s。

图5为典型检测信号分析。试验参数中水距H为5 mm，探头间距L为27.4 mm，探头倾斜角α为30°，可有效接收起波位置为20.5 μs的PE管非线性超声检测信号，如图5a所示，起波位置与式(4)的计算值一致。幅频分布分析显示：基波峰值频率位于1.22 MHz，二次谐波峰值频率为2.44 MHz，如图5b所示，该系统接收到二次谐波信号。非线性系数β定义为：

\beta = A_{\mathrm{2}}/A_{\mathrm{1}}^{\mathrm{2}} (5)

式(5)中：A ₁为基波幅值，V；A ₂为二次谐波幅值，V。

3 特征参数及数据预处理

3.1 特征参数

分别提取不同热老化程度PE管的声速、材质衰减系数以及非线性系数，分析这些特征参数随PE管老化时间的变化，图6为测试结果。从图6可以看出，声速随老化时间的增加呈下降趋势，材质衰减系数和非线性系数则随老化时间上升。然而，3个超声特征参数的变化趋势并不单调，存在个别与总体变化趋势不同的点，反映了检测数据存在波动。因此，需结合3个超声特征参数对PE管道的热老化程度进行综合评价以获得较好的评估稳定性。

将3个特征参数组成神经网络输入的特征矢量 T (i)。

\mathit{T} ( i ) = [ C_i {\alpha }_i {\beta }_i ] (6)

式(6)中：C_i 、α_i 、β_i 分别为试样i的声速、衰减系数、非线性系数。

3.2 检测机理分析

为深入分析PE管老化程度的超声检测机理，对不同老化程度的PE管进行扫描电镜金相分析，图7为检测结果。从图7可以看出，PE管试样经热老化后，表面开始出现无规则的孔洞、裂纹，且材料内部发生的填料析出导致试样表面出现大范围的褶皱凸起，这种组织结构的变化趋势随老化程度愈发显著。超声波在经过试样内部的无规则孔洞与裂纹时发生散射衰减，导致接收到的反射回波幅值下降；同时，孔洞和裂纹会进一步加剧材料的非线性响应、滋生新的二次谐波信号，使得尽管基波和非线性谐波均衰减，超声非线性系数上升。因此，超声检测特征参数与PE管老化程度具有显著相关性。

4 神经网络搭建及结果分析

4.1 数据转换与扩充

由于评价指标量纲的不同会对最终的数据输出结果产生影响，通过对原始数据进行归一化处理可消除各项指标量纲间的相互影响，从而使数据具有可比性^[26]。验证和训练数据均采用相同的归一化方式。

X = \frac{x-x_{\mathrm{m}\mathrm{i}\mathrm{n}}}{x_{\mathrm{m}\mathrm{a}\mathrm{x}}-x_{\mathrm{m}\mathrm{i}\mathrm{n}}} (7)

式(7)中：x为归一化前的声学特征参数；X为归一化后的声学特征参数；x _min为声学特征参数的最小值；x _max为声学特征参数的最大值。

较少的数据量容易导致神经网络过拟合或者泛化能力不足，数据扩充可以通过生成额外的训练样本提高网络模型的性能^[27-28]。将同一试样多次测量的声速C、材质衰减系数α、相对非线性系数β任意交叉组合以扩充数据，3次测量的特征向量经交叉组合可扩充至9个。据此，可得到704个扩充特征向量，划分为训练集528个、验证集176个。

4.2 网络结构优化及识别效果分析

神经网络的结构直接影响评估性能，对隐含层节点数量和隐含层数进行优化。隐含层节点数量过少会导致神经网络学习能力不足，无法实现输入与输出的映射关系；隐含层节点数过多，则会造成计算量大、训练速度缓慢、计算陷入局部极小点等问题^[29]。隐含层节点数量Y按式(8)设置。

Y = \sqrt[]{P+Q} + a (8)

式(8)中：Y为隐含层节点数；P为输入层节点数；Q为输出层节点数；a为1~10之间的常数。

由式(8)可知，若P=3、Q=1，可知隐含节数Y最大为12(a取10)。图8为隐含层节点数及层数的优选。限制隐含层节点数在1~20之间，分析训练集均方误差随隐含层节点数的变化；当隐含层节点数为11时，验证集的平均绝对误差均最小，据此选取隐含层节点数为11，如图8a所示。此外，通过增加隐含层数可以建立更复杂的网络输入输出关系，提高对非线性数据的拟合能力及预测准确性，但过多的隐含层可能导致训练时间的增加和梯度消失/爆炸等问题^[30]。改变模型隐含层数为1~10层，发现测试集识别结果的平均相对误差随隐含层数先减小后增大，最后震荡下降，在隐含层数为4层时达到最小值，据此选取隐含层数为4，如图8b所示。

训练速率V也会影响网络收敛，V较小会导致收敛速度过慢，而V较大会使网络陷入局部最小值导致无法收敛。图9为平均相对误差随训练速率的变化。从图9可以看出，对比分析了训练速率为0.001、0.003、0.010、0.030、0.100、0.300时的平均相对误差。结果表明：当V为0.010时，验证集的平均相对误差最小。

优化后的BP网络优化的结构和训练参数：输入端节点为3，输出为1，隐含层节点数为10，隐含层数为4，训练速率为0.010。图10为网络训练与验证。从图10可以看出，搭建的BP神经网络在训练次数32时可达到0.005 4的均方误差；采用验证集验证神经网络的热氧老化时间评估效果，验证集包括10组热氧老化时间试样，热氧老化时间范围为108~1 440 h；神经网络对各实验的老化时间评估值与实际值具有较好的一致性，验证集的平均相对误差在1.4%~6.9%之间。

5 结论

搭建PE管热氧老化超声检测系统，通过双探头斜入射收发方法和脉冲反射法能够高效提取PE管热氧老化组织结构变化的非线性和线性超声响应信号；超声波声速、材质衰减系数、非线性系数与PE管道的老化组织结构具有显著相关性，综合三种特征参数形成特征参量可用于评估PE管老化程度；BP神经网络隐含层节点11个、学习速率0.01、隐含层数4层，结合交叉性特征参数扩展方法扩展训练集，经训练后的神经网络可实现对PE管热氧老化程度的智能评估，评估值的相对误差不高于6.9%。

参考文献

[1] 安宝钰.典型工况下城镇聚乙烯管道力学特性分析[D].北京:北京交通大学,2022.

[2] HIRABAYASHI H, LGUCHI A, YAMADA K, et al. Study on the structure of peroxide cross-linked poly-ethylene pipes with several stabilizers[J]. Materials Sciences and Applications, 2013, 4(9): 497-503.

[3] 李园媛.建筑工程中常用塑料管材的性能对比与应用研究[J].塑料科技,2020,48(2):153-156

[4] 陈胜利,贺建平.基于PE燃气管道焊接工艺的研究[J].塑料科技,2018,46(1):51-54.

[5] 兰惠清,沙迪,孟涛,承压燃气聚乙烯管道热氧老化规律研究[J].天然气工业,2016,36(4):127-83.

[6] KHELIF R, CHATEA UNEUF A. Reliability-based replacement of polyethylene gas pipeline networks[J]. Arabian Journal for Science and Engineering, 2014, 39(11): 8175-8185.

[7] 于磊.在役聚乙烯燃气管道失效可能性风险评定应用研究[J].石油和化工设备,2021,24(11):126-131

[8] 李朋朋,李国新,刘纲,耐热聚乙烯管材料L5050的分子结构与性能研究[J].塑料科技,2019,47(11):65-68

[9] HUTAR P, ŠEVČÍK M. A numerical methodology for lifetime estimation of HDPE pressure pipes[J]. Engineering Fracture Mechanics, 2011, 78(17): 3049-3058.

[10] FRANK A, PINTER G, LANG RW. Prediction of the remaining lifetime of polyethylene pipes after up to 30 years in use[J]. Polymer Testing, 2009, 28(7): 737-745.

[11] 王航,谭帼馨,谭英,交联聚乙烯海底电缆绝缘层热老化寿命及理化性质分析[J].高分子材料科学与工程,2015,31(3):71-75.

[12] 王洋.城镇燃气聚乙烯管道热氧老化寿命预测方法研究[D].北京:北京交通大学,2019.

[13] 张世玮,侯怀书,李宇翔,PE管材热老化程度的超声非线性表征[J].工程塑料应用,2020,48(12):102-106.

[14] 阎红娟,刘峰斌,潘勤学.金属板件中微裂纹的非线性超声表征方法研究[J].现代制造工程,2018(4):17-21.

[15] ZEITVOGEL D T, MATLACK K H, KIM J Y, et al. Characterization of stress corrosion cracking in carbon steel using nonlinear Rayleigh surface waves[J]. NDT & E international, 2014, 62: 144-152.

[16] 袁廷璧,张曰涛,王昉.基于非线性超声的Super 304H钢高温老化状态检测研究[J].电力科技与环保,2021,37(4):20-28.

[17] 毛汉颖,秦国力,黎庆柱,45号钢受热损伤的超声非线性检测实验研究[J].振动与冲击,2020,39(21):279-283.

[18] MATACK, KATHRYN H, HARRISON A, et al.Nonlinear ultrasonic characterization of precipitation in 17-4PH stainless steel[J].NDT ＆ E International, 2015, 71: 8-15

[19] 张智勇,张猛,陈金桂.基于改进BP神经网络的液压支架前连杆疲劳寿命预测[J].煤矿机械,2023,44(2):177-179.

[20] XU J B, LIU H M, LI Q. Optimization of process parameters of preparing foamed Al-Si alloy based on Ga-based BP neural network[J]. Light Metals, 2012: 521-525.

[21] 董珍,林莉,孙旭.基于BP神经网络的超声表面波定量表征金属表层裂纹深度研究[J].仪器仪表学报,2019,40(8):31-38.

[22] 王芳红,张明达,孙益辉,复合绝缘子超声波探伤信号识别分类方法研究[J].电力学报,2019,34(6):571-577.

[23] 陈卓异,谭胜,李传习,声智能识别CFRP-钢界面缺陷研究[J].交通科学与工程,2023,39(2):71-79.

[24] ROLOVIC R, TIPTON S M. Multiaxial cyclic ratcheting in coiled tubing[J]. Journal of Engineering Materials ＆ Technology, 2000, 122(2): 157-161.

[25] 中华人民共和国国家质量监督检验检疫总局,中国国家标准化管理委员. 燃气用埋地聚乙烯(PE)管道系统 第1部分 管材:GB/T 15558.1—2015 [S]. 北京:中国标准出版社,2015.

[26] 宋勇,蔡志平.大数据环境下基于信息论的入侵检测数据归一化方法[J].武汉大学学报:理学版,2018,64(2):121-126.

[27] 叶飞.基于改进BP神经网络的高炉铁水硅含量预测方法[D].马鞍山:安徽工业大学,2019.

[28] 郭香兰,王立,金学波,机器学习-基于GAN和DF结合的粮食加工过程污染物小样本数据扩充及预测[J/OL].食品科学,1-16[2024-06-21].

[29] 毛晓敏,张慧华,纪晓磊,基于XFEM与BP神经网络的裂纹智能识别[J].应用力学学报,2022,39(6):1158-1167.

[30] CARDOSO W, DE FELICE R, BAPTISTA R C. Artificial neural network-based committee machine for predicting the slag quality of a blast furnace fed with metallurgical coke [M]//Proceedings of the 7th Brazilian Technology Symposium. Cham:Springer International Publishing, 2022.

基金资助

国家市场监督管理总局科技计划项目(2022Mk065)

江西省检验检测认证总院科研项目(ZYK202203)