تشخیص آسیب در خطوط انتقال گاز بر اساس تغییرات فرکانس طبیعی به کمک شبکه های عصبی مصنوعی
محورهای موضوعی : انتقال ارتعاشات
علی اصغر بینائیان
1
,
احسان جمشیدی
2
,
علیرضا ارغوان
3
1 - دانشجوی کارشناسی ارشد، گروه مهندسی مکانیک، واحد سمنان، دانشگاه آزاد اسلامی، سمنان ،ایران
2 - استادیار، گروه مهندسی مکانیک، واحد سمنان، دانشگاه آزاد اسلامی، سمنان، ایران
3 - مربی، گروه مهندسی مکانیک، واحد سمنان، دانشگاه آزاد اسلامی، سمنان، ایران
کلید واژه: فرکانس طبیعی, شبکه های عصبی, عیب یابی, آباکوس, لوله گاز,
چکیده مقاله :
هدف از این مقاله معرفی یک رویکرد جدید برای عیب یابی خطوط لوله انتقال گاز با استفاده از امواج مکانیکی است. در این مقاله تلاش شده است با استفاده از خصوصیات فرکانس طبیعی و تغییر آن، روشی جهت پیدا کردن عیوب ارائه گردد. با توجه به ارتباط جرم و سفتی در تعیین فرکانس طبیعی، به جای ایجاد عیب (کاهش سفتی) از افزایش جرم استفاده شده است. روش ارائه شده شامل مدل سازی لوله 2 اینچی به طول2 متر در نرم افزار آباکوس و بررسی فرکانسهای طبیعی لوله در حالت سالم و دارای عیب ( ایجاد ترک ) است . سپس نسبت به تعیین جرم معادل برای مدل سازی عیوب اقدام شده است و در ادامه لوله فوق تحت آنالیز مودال تجربی قرار گرفت و با ایجاد عیوب مصنوعی ( افزودن جرم )، حالتهای مختلف آن آزمایش گردید. سپس از اطلاعات به دست آمده درآموزش شبکه عصبی پرسپترون در محیط نرم افزار متلب استفاده شده است و خروجی برنامه مکان عیب و شدت آن (مقدار جرم ) می باشد.
The purpose of this paper is to introduce a new approach for troubleshooting of gas pipelines using mechanical waveforms. In this paper, an attempt has been made to determine the defects by using natural frequency characteristics and changes. Due to the relationship between mass and stiffness in determining the natural frequency, a mass increase has been used instead of the reduction of stiffness. The proposed method involves modeling a 2-inch pipe with a length of 2 m in the Abaqus software and examining the natural frequencies of the pipe in a state of intact and defective (cracking). Then, an equivalent mass value was applied to model the defects. Subsequently, the pipe was subjected to experimental modal analysis and various conditions were tested by creating artificial defects (adding mass). Then, the obtained information was used in the study of the perceptron neural network in MATLAB software, and the program output is the defect location and its severity (mass value).
_||_