Quatitative evaluation of pipe wall thinnings utilizing the combination of guided inspections and artificial intelligence

点击翻译按钮获取中文摘要

本手法は，多周波のガイド波の減肉反射率を入力とする深層ニューラルネットワーク(DNN)により当該減肉の減肉深さを推定する手法を提案し，検証するものである。本年度は，基礎的な手法に関しての論文作成を開始している。2023年度前半中には投稿予定。本年度の新規事項としては大きく3点を実施した。1つ目は化学プラントにおける実機減肉3点に対して本手法を適用した。その結果，0.5mm許容誤差においてすべて正答することができている。これらの実施においては，要素技術としてガイド波の指向性制御を可能とするデジタル信号処理方法を提案している。アクティブ信号処理の一種である。新規2つ目として，これまでの全結合層により形成された深層ニューラルネットワークに加え，畳み込みニューラルネットワーク(CNN)による手法を提案実施している。本手法では入力層には時間周波数信号を２次元データとして与える全く新しい方法である。本手法を用いることで，従来のDNNによる手法に比べ，若干であるが正答率の向上(概ね85%程度から90%程度への向上)が確認できている。入力層への情報量の増大が大きく寄与していると考えている。3点目の新規事項は，出力層の分類数の増加を実現可能としたことである。教師あり人工知能では，必要十分な学習データの確保が，その精度や完成度に直結することは明白である。本提案の手法は，学習データに実験に頼らずとも大量の学習データを作成可能な手法としてガイド波の減肉反射率を計算できる数学モデルを用いている。このことは，短時間で大量の学習データ作成が可能であることを示している。一般にAI出力の分類数の増大には，増大に見合った学習データの増大が必要になる。本手法はこのことを可能とする。これらの実現を行なっている。