شناسایی عیوب خطوط لوله با استفاده از آنالیز ارتعاش ناشی از عبور جرم متحرک از داخل آنها

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری، دانشکده مهندسی مکانیک، دانشگاه تبریز، تبریز، ایران

2 استاد، گروه مهندسی مکانیک، دانشگاه تبریز، تبریز، ایران

3 دانشیار، گروه مهندسی مکانیک، دانشگاه تبریز، تبریز، ایران

چکیده

این پژوهش روشی نوین برای تشخیص زودهنگام عیوب در خطوط لوله صنعتی، با تمرکز بر شل‌شدگی اتصالات فلنجی، ارائه می‌دهد که از تحلیل ارتعاشات ناشی از جرم متحرک داخلی (پیگ در خطوط لوله صنعتی) بهره می‌برد. پیگ در این روش دوگانه عمل می‌کند، هم به‌عنوان محرک ارتعاشات کنترل‌شده و هم به‌عنوان بخشی از فرایند استاندارد نگهداری خطوط لوله. داده‌های ارتعاشی با ترکیب مدل‌های پارامتری و الگوریتم‌های یادگیری ماشین پردازش می‌شوند تا کاهش سفتی اتصالات را حتی پیش از بروز نشتی یا آسیب‌های غیرقابل جبران شناسایی کنند.
مزیت کلیدی این روش، حذف نیاز به تجهیزات آزمایشگاهی پیچیده و محرک‌های اضافی است، چرا که پیگ به‌طور ذاتی در فرآیندهای صنعتی موجود است. این رویکرد در مقایسه با روش‌های مرسوم مبتنی بر فرکانس، حساسیت بالاتری به تغییرات موضعی نشان می‌دهد و در محیط‌های صنعتی عملکردی پایدار دارد. آزمایش‌ها اثربخشی آن را در شناسایی الگوهای ارتعاشی مرتبط با شل‌شدگی تأیید می‌کنند. این ویژگی‌ها، روش پیشنهادی را به ابزاری عملی و مقرون‌به‌صرفه برای پایش سلامت خطوط لوله در صنایع نفت و گاز تبدیل می‌کند.

کلیدواژه‌ها

موضوعات

مراجع

  • Razi P, Esmaeel RA, Taheri F. Improvement of a vibration-based damage detection approach for health monitoring of bolted flange joints in pipelines. Struct Health Monit. 2013;12(3):207-24.
  • Yoon HI, Son IS. Dynamic behavior of cracked simply supported pipe conveying fluid with moving mass. J Sound Vib. 2006;292(3-5):941-53.
  • Argatov I, Sevostianov I. Health monitoring of bolted joints via electrical conductivity measurements. Int J Eng Sci. 2010;48(10):874-87.
  • Ritdumrongkul S, Fujino Y. Identification of the location and level of damage in multiple-bolted-joint structures by PZT actuator-sensors. J Struct Eng. 2006;132(2):304-11.
  • He K, Zhu WD. Bolt loosening detection using nonlinear vibrational spectroscopy. Struct Health Monit. 2014;13(3):341-52.
  • Chelimilla N, Chinthapenta V, Kali N, Korla S. Review on recent advances in structural health monitoring paradigm for looseness detection in bolted assemblies. Struct Health Monit. 2023;0(0). Online ahead of print.
  • Jena SP, Parhi DR. Parametric study on the response of cracked structure subjected to moving mass. J Vib Eng Technol. 2017;5(1):11-9.
  • Sadeghi MH, Chitsaz S, Ettefagh MM. Effect of PIG’s physical parameters on dynamic behavior of above ground pipeline in pigging operation. Mech Syst Signal Process. 2019;132:692-720.
  • Junker G. New criteria for self-loosening of fasteners under vibration. SAE Trans. 1969;78:314-35.
  • Groper M. Microslip and macroslip in bolted joints. Exp Mech. 1985;25:171-5.
  • Pai NG, Hess DP. Experimental study of loosening of threaded fasteners due to dynamic shear loads. J Sound Vib. 2001;253(3):585-602.
  • Esmaeel RA, Briand J, Taheri F. Computational simulation and experimental verification of a new vibration-based structural health monitoring approach using piezoelectric sensors. Struct Health Monit. 2012;11(2):237-50.
  • He K, Zhu WD. Detecting loosening of bolted connections in a pipeline using changes in natural frequencies. J Vib Acoust. 2014;136(3):034502.
  • Pathirage CSN, Li J, Li L, Hao H, Liu C, Ni P. Structural damage identification based on autoencoder neural networks and deep learning. Eng Struct. 2018;172:13-28.
  • Nichols JM, Trickey ST, Seaver M, Motley SR, Eisner ED. Using ambient vibrations to detect loosening of a composite-to-metal bolted joint in the presence of strong temperature fluctuations. J Vib Acoust. 2007;129(6):710-7.
  • Milanese A, Marzocca P, Nichols JM, Seaver M, Trickey ST. Modeling and detection of joint loosening using output-only broad-band vibration data. Struct Health Monit. 2008;7(4):309-28.
  • Gharibkhanian A, et al. Comparative study of EMA and OMA for bolt loosening detection in steel structures. J Vib Control. 2023;29(7-8):1234-45.
  • میثمی، ف، معاونیان م، افشارفرد ع، پیشبین الف، بررسی تحلیلی و آزمایشگاهی رفتار غیرخطی اتصالات فلنجی تحت بارگذاری طولی و خمشی. مجله علمی پژوهشی مکانیک سازهها و شاره‌ها دانشگاه شاهرود.1395،د.6، ش. 3، 43–54.
  • یادآور نیکروش م، گودرزی م، تشخیص تجربی و عددی شلشدگی اتصالات پیچی فلنجی به کمک روش مدولاسیون ویبروآکوستیک. نشریه مهندسی مکانیک امیرکبیر.1400، د.53، ش.2، 1331–1344.
  • Bonab BT, Sadeghi MH, Ettefagh MM. Bolt Looseness Detection in Flanged Pipes using Parametric Modeling. J Pipeline Syst Eng Pract. 2025;16(1):04024067.
  • Avendaño-Valencia LD, Fassois SD. Stationary and non-stationary random vibration modeling and analysis for an operating wind turbine. Mech Syst Signal Process. 2014;47:263-85.
  • Poulimenos A, Fassois SD. Parametric time-domain methods for non-stationary random vibration modeling and analysis: A critical survey and comparison. Mech Syst Signal Process. 2006;20(4):763-816.
  • Manolakis DG, Ingle VK, Kogon SM. Statistical and adaptive signal processing: spectral estimation, signal modeling, adaptive filtering and array processing. Boston: Artech House; 2005.
  • Fassois SD, Sakellariou JS. Statistical time series methods for structural health monitoring. In: Boller C, Chang F, Fujino Y, editors. Encyclopedia of Structural Health Monitoring. Chichester: John Wiley & Sons; 2009. 443-72.
  • Avendaño-Valencia L, Spiridonakos M, Fassois S. In-operation identification of a wind turbine structure via non-stationary parametric models. In: Proceedings of the 8th International Workshop on Structural Health Monitoring; 2011; Stanford, CA, USA. Vol. 2; 2011. 2611-8.
  • Liu JH, Corbita NT Jr, Lee RM, Wang CC. Wind turbine anomaly detection using Mahalanobis distance and SCADA alarm data. Appl Sci (Basel). 2022;12(17):8661.
  • صالحپور اسکویی ف، همایون صادقی م، عرب‌ملکی و، توسعه مدل جدید برای عیب‌یابی لوله‌های جدار ضخیم ترک‌دار. پنجمین کنفرانس تخصصی پایش وضعیت و عیب‌یابی، دانشکده نفت آبادان، ایران

فایل ها

هم رسانی

ارجاع به این مقاله

آمار