分享：基于脉冲涡流的带包覆层管道壁厚反演技术

随着石油、化工等工业领域中管道输送系统的广泛应用，管道腐蚀问题已成为一个关键的安全隐患，故需要定期对其进行检测[1-2]。而对于带有包覆层的管道，由于其外层材料的保护，传统的无损检测技术难以准确评估其内部腐蚀状况。因此，开发出一种高效、精确的壁厚检测和反演方法，试验结果表明该方法能有效反演管道壁厚。 

脉冲涡流检测技术（PEC）因其无需拆除保温层、无需进行表面处理、无需停机检测、采样速度快等优点，成为管道腐蚀在役检测中的重要工具[3-4]。该技术通过在管道表面放置激励线圈，施加脉冲电流，并探测所产生磁场随时间的衰减特性，进而分析管道材料的电导率、厚度和缺陷情况。然而，包覆层的存在使得涡流信号的衰减更加复杂，这给腐蚀深度的反演带来了较大挑战。 

文章旨在通过有限元仿真和机器学习方法，针对不同铝层厚度、保温层厚度和管道壁厚条件下的腐蚀深度进行精确反演。通过使用COMSOL Multiphysics软件进行多参数化模拟，生成相应的涡流信号，并基于提取的特征值进行管道壁厚的反演，有望为带包覆层管道的无损检测提供一定参考。 

1.   脉冲涡流检测原理

脉冲涡流检测技术（PEC）是一种基于瞬态电磁响应的无损检测方法。与传统的交流涡流不同，PEC通过施加瞬态脉冲电流，在导电材料中产生瞬时涡流。涡流的强度和扩散速率受到材料电导率、磁导率以及几何尺寸的影响[5-7]。对于带有包覆层的管道，涡流首先在铝层中产生，并逐渐扩展到包覆层和管道壁内部。当管道存在减薄时，涡流的扩散路径和强度会发生变化，导致检测信号的特征发生改变[8]。 

PEC信号的时间衰减特性反映了材料的电磁参数和几何结构，衰减速率与材料厚度、导电性和磁导性相关[9-10]。由于包覆层的存在，涡流在材料内部的传播变得更加复杂，尤其是较厚的包覆层会减缓涡流向管壁内部的扩展，影响检测的灵敏度和精度。因此，管道壁厚的准确反演不仅依赖于涡流信号的特征，还需要充分考虑铝层厚度、保温层厚度等参数对涡流扩散的影响。通过结合多层结构的物理模型与精确的数值仿真，可以实现对壁厚的精确反演。 

2.   有限元仿真建模

笔者利用有限元仿真对带包覆层管道的腐蚀减薄进行建模，以研究不同参数对脉冲涡流检测信号的影响。仿真使用COMSOL Multiphysics软件中的电磁场与涡流模块，采用平板模型代替实际的管道模型，简化模型以减少仿真计算量，从而获取大量数据以支持后续的机器学习模型训练。 

2.1   仿真模型

管道结构的复杂性增加了仿真的运算时间与计算量，为了提高仿真的效率，该研究选择采用二维平板模型代替三维管道模型。平板模型通过合理的几何设计，能够较好地反映管道结构的局部电磁响应，同时简化计算过程，减少对硬件资源的要求。仿真模型结构示意如图1所示。 

图  1  仿真模型结构示意

仿真过程中，利用脉冲电流作为激励源激发涡流信号，直接提取线圈中心位置的磁通密度用于模拟磁传感器采集信号，取代传统检测线圈的方案。每组仿真均输出时间-磁场衰减信号，模拟不同参数组合下的脉冲涡流响应。 

2.2   参数设置

仿真模型中的主要几何参数包括铝层厚度、保温层厚度、管道壁厚和减薄深度。为了全面了解这些参数对涡流信号的影响，分别设定了多种不同取值范围，管道仿真参数设置如表1所示。 

通过仿真生成了1 568组不同参数的有减薄数据以及245组不同参数的无减薄数据，每组组合均输出对应的磁场信号，供后续特征提取和机器学习模型训练使用。 

2.3   数据处理

为了去除仿真中可能存在的背景噪声和材料特性干扰，文章不仅对有减薄的管道进行了仿真，还对无减薄工况进行了模拟。将无减薄信号作为基准信号，与有减薄信号进行差分处理[11]，差分前后曲线如图2，3所示，可见，差分后的信号大幅降低了背景噪声的影响，明显突出了腐蚀减薄造成的电磁响应变化，处理后的信号更有利于后续的特征提取与分析。 

图  2  差分前涡流检测信号曲线

图  3  差分后涡流检测信号曲线

由于脉冲涡流信号呈现指数衰减特性，直接使用信号难以有效提取出线性特征。因此，在差分处理之后，进一步对信号进行对数处理。对数处理将非线性衰减信号转换为近似线性信号，使得斜率成为易于提取的关键特征值。脉冲涡流信号下降沿对数处理后的曲线如图4所示，可见，该斜率的大小与腐蚀减薄深度密切相关[12-14]。 

图  4  脉冲涡流信号下降沿对数处理后的曲线

通过差分和对数处理后的信号，成功提取出了具有高度相关性的特征值，为后续的机器学习模型提供了高质量的训练数据。 

3.   机器学习模型及壁厚反演

笔者认为基于有限元仿真提取的斜率特征，采用机器学习方法，通过训练模型学习几何参数（如铝层厚度、保温层厚度、管道壁厚）与减薄深度之间的复杂非线性关系，可以实现对未知工况下减薄深度的准确反演。为此，文章选择了梯度提升树（GBT）算法，并通过超参数调优提高模型的反演性能。 

3.1   特征选择及其物理意义

在脉冲涡流检测过程中，检测信号的变化主要受到以下三方面因素的影响：保温层的厚度、铝层的厚度以及管道壁厚。因此，选择此三者作为模型的输入特征，结合从涡流检测信号中提取出的斜率，构建四维输入特征空间。这些特征物理意义明确，能够很好地反映腐蚀减薄深度对管道材料的电磁特性所产生的影响，确保模型能够捕捉到腐蚀减薄区域对信号变化的敏感度。 

3.2   数据集构建

为了建立管道腐蚀减薄深度的机器学习反演模型，首先需要构建训练数据集。每组数据由以下特征组成。 

（1）输入特征：铝层厚度x1；保温层厚度x2；管道壁厚x3；提取的斜率特征b。 

（2）标签：腐蚀减薄深度y，即仿真中实际设定的腐蚀减薄深度值。 

为了提高模型的稳定性和泛化能力，数据集在构建过程中进行了归一化处理，确保不同量纲的特征值不会因差异影响模型学习。该数据集中包含多个参数组合下的不同工况，以确保模型能够适应不同的几何特征，并具有良好的泛化能力。 

3.3   梯度提升树（GBDT）算法

梯度提升树（GBDT）是一种基于决策树的集成学习算法，通过组合多个弱学习器（通常是决策树）来提升模型的预测精度。每棵树的生成都基于前一棵树的预测残差，以逐步减少误差。其目标是最小化损失函数，过程可写为 

式中：yi为真实标签；F(xi)为模型的预测值；n迭代次数。 

每一轮迭代通过拟合残差，更新预测模型，最终得到一个更强的预测模型，该研究中笔者采用平方损失函数（LSBoost）作为模型的优化目标。 

3.4   模型训练与评估

在模型训练阶段，设置梯度提升树的基学习器为最小叶节点数为5的回归树，并采用100棵树的集成方式，学习率设为0.1。通过以下公式控制学习率 

式中：η为学习率；hm(x)为第m轮学习器；Fm(x)为第m轮迭代模型预测值。 

训练完成后，对模型的反演精度进行了评估，采用均方误差（MSE）和决定系数（R2）作为主要评价指标。均方误差用于衡量模型的整体误差大小，决定系数用于表示模型对数据的拟合优度。 

3.5   结果与分析

通过模型训练，得到了腐蚀深度的反演值与实测值，展示了模型的反演性能。反演值与实测值之间的拟合曲线如图5所示，其均方误差为0.004 5，决定系数R2为0.999 3，表明模型在大部分测试集上的反演误差较小，具有较好的拟合效果。 

图  5  反演值与实测值的拟合曲线

为了进一步了解各输入特征对模型反演的影响，对模型进行了特征重要性分析。特征重要性通过决策树的分裂节点对目标变量的影响程度计算得出。特征值重要性分析结果如图6所示，以斜率作为特征的情况下，管道壁厚是最重要的特征，对反演结果影响最大，保温层厚度次之，而铝层厚度对反演结果的影响相对较小。 

图  6  特征值重要性分析结果

综上所述，通过有限元仿真生成数据集，结合梯度提升树算法的机器学习模型成功实现了带包覆层管道腐蚀减薄的深度反演。 

4.   试验验证与反演-实测结果对比

为了验证梯度提升树（GBDT）算法在壁厚反演中的性能，搭建了脉冲涡流检测平台，并对不同包覆层厚度的阶梯管样本进行检测。 

脉冲涡流检测平台结构示意及试验现场如图7，8所示。检测平台主要包括上位机、脉冲信号发生模块、激励线圈、阶梯管、磁传感器、数据采集模块等。其采用激励线圈和磁传感器作为检测探头的核心部分。激励线圈高度为30 mm，内径为10 mm，匝数为800 mm，激励脉冲峰值电压为25 V，频率为4 Hz。磁传感器放置在激励线圈的中心位置，检测由管道内涡流产生的磁场变化信号。 

图  7  脉冲涡流检测平台结构示意

图  8  脉冲涡流检测试验现场

样本管道由多段不同壁厚的阶梯管组成，每段阶梯管外覆盖不同厚度的包覆层（见图8）。试验时，传感器固定在每个阶梯段的表面，并逐步对各阶梯段进行检测，以保证数据的完整性和可重复性。 

检测时，激励线圈通过脉冲信号发生器施加电流脉冲，激发管道内涡流。涡流在导电管道内部扩散，其衰减特性受到管道壁厚、包覆层厚度及材料电导率等因素的影响。磁传感器连接采集卡负责采集管道表面附近的磁场衰减信号，再将信号传输至上位机，上位机对接收的信号进行滤波、降噪等处理后，提取特征值，最后代入反演模型中进行厚度反演。壁厚为9.5 mm带包覆层管道的部分反演结果和误差如表2所示。 

在不同包覆层厚度下，对比GBDT反演模型的反演结果与实际测量结果，可知，该模型在各类样本中的反演误差总体较小，具有较为稳定的检测表现。尤其是在包覆层较厚的条件下，模型依然能够有效反演管道壁厚。 

试验条件下，检测平台的传感器灵敏度、数据采集精度及环境干扰都可能对检测结果产生影响。此外，仿真与实际检测环境之间的差异也可能带来误差。仿真模型中对材料特性和几何参数的简化假设，与试验中真实管道材料或复杂结构也存在差异，进一步加剧了试验与仿真结果的偏差。然而，误差值保持在合理范围内，表明该方法可用于多种工况下的腐蚀减薄深度检测。 

5.   结论

（1）通过构建不同铝层厚度、包覆层厚度、管道壁厚及腐蚀深度的参数化模型，利用COMSOL软件进行仿真，可知，涡流信号下降沿对数据处理后曲线的晚期斜率与减薄深度密切相关，可作为特征值对壁厚进行反演。 

（2）采用梯度提升树（GBDT）算法对仿真数据进行训练，建立壁厚反演模型。通过搭建脉冲涡流检测平台，采集实际涡流信号以验证模型的反演效果。结果表明，在试验条件下，其壁厚反演误差均在5%以内。

文章来源——材料与测试网