《RELIABILITY ENGINEERING & SYSTEM SAFETY》:Dual-domain probabilistic fusion for UGW-based wall-thickness estimation in underwater corrosion monitoring with uncertainty quantification
编辑推荐:
•时间域与时频域UGW预测的分布级融合。•用于UGW波形分析的多粒度、多尺度Transformer。•用于壁厚估计的高斯混合预测分布。•基于分支预测方差的可信度感知加权。•利用加速水下腐蚀测量进行实验验证。引言海底钢质管道是海上能源开采、海洋运输和海水淡化系统中的关键部件。然
- •
时间域与时频域UGW预测的分布级融合。
- •
用于UGW波形分析的多粒度、多尺度Transformer。
- •
用于壁厚估计的高斯混合预测分布。
- •
基于分支预测方差的可信度感知加权。
- •
利用加速水下腐蚀测量进行实验验证。
引言
海底钢质管道是海上能源开采、海洋运输和海水淡化系统中的关键部件。然而,长期暴露于高盐度、潮湿、静水压力和循环载荷环境可能会引发渐进性劣化,包括点蚀、缝隙腐蚀和应力腐蚀相关损伤[1]。此类劣化逐渐降低壁厚和承载能力,在严重情况下可能导致泄漏、破裂甚至灾难性失效,从而威胁结构完整性[2]、[3]。结构健康监测(SHM)提供了一种实用的原位无损状态评估手段,可实现面向风险的完整性管理和维护规划,以保障安全关键管道系统的运行[4]。因此,准确的剩余壁厚估计以及量化的预测不确定性对于完整性评估和可靠性驱动维护规划至关重要[5]。
在各种SHM技术中,包括振动分析[6]、声发射[7]和热成像[8],超声导波(UGW)传感因具有长传播范围、对早期壁厚损失的敏感性以及对管道结构的分布式检测能力,特别适合应用于管道类结构[9]、[10]。当腐蚀改变局部材料和几何特性,如弹性模量、密度和厚度时,会引起反射和散射行为的变化,导致群速度和相速度偏移以及能量衰减加剧[11]。特别是,时间域波形保留了传播相关的特征,如延迟和衰减,而时频表示则揭示了与模式相互作用和能量再分配相关的非平稳频谱模式。后者在保留时间演化的同时隐式地捕获了频域信息。这种互补性促使将时间域和时频表示联合用于壁厚估计。
此外,UGW信号中的腐蚀相关信息分布在多个时间尺度上[12]。局部壁厚损失缺陷往往通过局部散射和波形畸变引发短持续时间扰动[13]、[14]。相反,分布性厚度变化在更长的时间跨度内影响传播过程,导致延迟、衰减和波形演化的累积变化[15]。因此,有效的壁厚估计需要同时捕获局部信号异常和长程时间依赖关系。
现有的基于UGW的腐蚀估计方法可大致分为物理方法和数据驱动方法。物理方法通过分析基准和响应信号特征来表征退化[16],但它们通常依赖于强先验假设,在复杂环境中可能计算量较大[17]。相比之下,数据驱动方法,尤其是深度学习,在捕获腐蚀引起的非线性和高维信号变化方面表现出强大的能力。卷积[18]、[19]、循环[20]、[21]、图[22]以及基于注意力[11]的模型均已被探索用于UGW分析,其中Transformer架构在建模长程依赖关系方面尤为有效。然而,尽管取得了这些进展,大多数现有方法仍然是确定性的,仅提供点估计,未能显式地表征预测不确定性。
近期研究探索了双域策略,以利用时间域和时频表示中关于腐蚀相关退化的互补信息。然而,大多数这些方法在潜在特征空间中执行融合,在形成各分支预测分布之前组合时间域和时频特征,因此分支特异的不确定性和跨域不一致性未被显式保留。一些工作强调通过注意力机制实现域间的双向交互[23]、[24],包括用于特征交互的交叉注意力[25]和用于异构信息交换的互交叉注意力[26]。其他研究侧重于跨通道或变量的结构化依赖建模,例如双通道时空超图框架[27]以及集成信号分解与神经网络的混合架构[28]。
尽管时间域和时频表示提供了互补信息,但在存在不确定性和域不一致性的情况下,有效整合其预测输出仍然具有挑战性。当域特定的预测器捕获了互补但不完美的信息时,它们的组合可以提高可靠性[29]。这促使了保留分支特异不确定性的概率融合方法。对于面向可靠性的腐蚀评估,决策不仅需要准确的点估计,还需要量化的预测不确定性[30]、[31]、[32],因为它直接影响检查风险以及误报与漏检之间的权衡[33]。预测不确定性可能是复杂且非单峰的,在双域设置中会被进一步放大,因为不确定性既来源于各预测器内部,也来源于跨域不一致性。在基于UGW的腐蚀监测中,这种复杂性还受到测量变异性及波传播效应的影响,导致异质且可能非单峰的预测行为[34]。因此,关键问题在于:当两个分支预测器具有不同可靠性且可能不一致时,如何组合互补的时间域和时频UGW证据,同时保留相关的预测不确定性。
不确定性量化(UQ)技术,包括深度集成[35]、[36]、贝叶斯神经网络[37]和蒙特卡洛dropout[38],已被广泛用于表征数据驱动预测模型中的预测不确定性[39]、[40]。然而,这些方法主要为单一预测分布而设计,不适于组合来自不同域的异构预测分布。特别是,它们未考虑域可靠性的样本特定变化,即对于给定输入各域的相对贡献。它们也未区分组件内不确定性、组件间变异和跨域不一致性。这些局限性促使了在预测分布层面进行概率融合。
为解决上述局限性,本文提出了一种双域概率融合框架,用于水下腐蚀钢质管道的基于UGW信号的壁厚估计。在时间域中,采用具有自适应注意力加权的 多粒度多尺度Transformer(MMTA)以捕获局部波形扰动和长程传播模式,同时时频编码器提取互补的时频特征。两个分支分别参数化基于高斯混合模型(GMM)的壁厚预测分布。这些分支级分布通过样本相关的可信度感知加权机制进行融合,从而产生点预测、预测区间以及结构化的预测方差分解。本文的主要贡献总结如下:
- •
提出了一种双域概率融合框架,在预测分布层面通过可信度感知加权将时间域和时频表示进行组合,以建模分支特异的不确定性和跨域不一致性,同时实现结构化的不确定性分解。
- •
设计了一种基于MMTA的时间域编码器,用于捕获与腐蚀引起的传播效应相关的多尺度波形特征。
- •
通过带有重复超声测量的加速腐蚀实验验证了所提框架在估计准确性和概率预测质量方面的性能。
本文其余部分组织如下。第2节提出了所提的双域概率融合框架,包括时间域和时频编码器以及分布级融合机制。第3节描述了实验验证。最后,第4节总结全文。
章节摘要
所提双域概率融合框架
图1展示了所提的双域概率融合框架。在数据采集和预处理之后,时间域UGW波形及其对应的时频表示作为配对输入。该框架包含两个主要阶段:阶段一,双域概率编码;阶段二,在预测分布层面的可信度感知融合。在阶段一中,时间域和时频输入分别由两个域特定的但在结构上
腐蚀实验
使用16根矩形空心钢管(编号R-1至R-16)作为实验室尺度的模拟试样,用于研究管道类钢结构中的腐蚀问题。试样采用低碳钢制造,符合EN 10219-2:2006标准,名义尺寸为60×30×2 mm,长度为300 mm。
为了在有限的实验时间内模拟长期海洋腐蚀,在总容量为200 L的玻璃水箱中进行了加速腐蚀测试,
结论
本文提出了一种用于基于UGW的壁厚估计的双域概率融合框架。时间域和时频表示被建模为分支级高斯混合预测分布,并通过可信度感知的分布级融合进行组合,从而实现壁厚联合估计和不确定性量化。
带有重复超声测量的加速腐蚀实验结果表明,所提框架仍然
CRediT作者贡献声明
Peng Li:撰写——原稿,方法论,概念化。Houyu Lu:撰写——审阅与编辑,数据整理。Konstantinos Gryllias:监督。Min Xie:撰写——审阅与编辑。Dimitrios Chronopoulos:撰写——审阅与编辑,监督。
利益冲突声明
作者声明不存在可能影响本文所报告工作的已知竞争性经济利益或个人关系。
Peng Li|Houyu Lu|Konstantinos Gryllias|Min Xie|Dimitrios Chronopoulos