Dual-Stream Network for Width Inversion of Composite Defects and Experimental Validation

Les pipelines de pétrole et de gaz sont les artères cachées de la sécurité énergétique moderne, transportant de vastes quantités de carburant à travers les continents. Pour maintenir la sécurité de ces tuyaux, il est nécessaire de savoir exactement ce qui ne va pas lorsqu'ils développent des défauts. Avec le temps, les parois métalliques de ces tuyaux peuvent se corroder, formant des piqûres et des rainures qui affaiblissent la structure. Pour déceler ces dangers cachés sans avoir à découper le tuyau, les inspecteurs utilisent une technique appelée fuite de flux magnétique. Imaginez que vous fassiez passer un aimant puissant le long de l'extérieur d'un tuyau en acier ; le champ magnétique circule de manière fluide à travers le métal sain. Mais lorsque l'aimant passe au-dessus d'un défaut, une partie de ce champ magnétique s'échappe dans l'air, créant un signal unique que les capteurs peuvent détecter. En analysant ces signaux, les ingénieurs peuvent estimer la taille et la forme des dommages, ce qui est crucial pour décider si un tuyau nécessite une réparation immédiate ou peut continuer à fonctionner en toute sécurité.

Le défi devient beaucoup plus difficile lorsque le dommage n'est pas une piqûre unique et nette, mais un groupe complexe de défauts imbriqués les uns dans les autres. Dans le monde réel, la corrosion crée souvent une zone de dommage large et peu profonde avec un trou étroit et profond situé juste au milieu. Ce défaut « composite » crée un environnement magnétique chaotique où les signaux des différentes parties du dommage se mélangent et se déforment mutuellement. Les méthodes traditionnelles pour mesurer la largeur de ces défauts échouent souvent dans cette situation car les signaux désordonnés confondent les outils de mesure. Une équipe de chercheurs de l'Université de Shanghai Dianji et de l'Institut d'inspection des équipements spéciaux de Wuhu a développé une nouvelle approche pour résoudre ce problème spécifique, en utilisant un type d'intelligence artificielle conçue pour démêler ces signaux mélangés.

Les chercheurs se sont concentrés sur deux types spécifiques de signaux magnétiques captés par les capteurs : l'un qui court le long de la longueur du tuyau et un autre qui pointe directement vers l'extérieur de la surface. Dans un défaut simple et parfait, ces deux signaux se comportent de manière prévisible. Cependant, lorsque les défauts sont imbriqués, le signal pointant vers l'extérieur devient extrêmement bruyant et erratique, et ce bruit a tendance à corrompre le signal courant le long de la longueur, rendant impossible de déterminer où le défaut commence et se termine réellement. La plupart des modèles informatiques existants tentent d'injecter ces deux signaux désordonnés dans le système en même temps, espérant que l'ordinateur puisse comprendre le schéma. Les chercheurs ont découvert que cette approche provoque la confusion de l'ordinateur, mélangeant les parties bruyantes avec les parties utiles, ce qui conduit à des mesures extrêmement imprécises.

Pour corriger cela, l'équipe a construit un nouveau type de réseau neuronal, un programme informatique modélisé d'après le cerveau humain, qui traite les deux signaux de manière complètement séparée au début. Au lieu de forcer les signaux à se mélanger immédiatement, le système envoie le signal longitudinal sur un chemin et le signal pointant vers l'extérieur sur un chemin différent et indépendant. Chaque chemin possède ses propres outils spécialisés pour analyser les données, recherchant des motifs spécifiques comme des bords tranchants ou des pentes graduelles. Ce n'est qu'après que chaque chemin a effectué sa propre analyse approfondie que le système réunit les deux résultats pour prendre une décision finale. Cette conception agit comme un filtre, empêchant le bruit chaotique d'un signal de ruiner l'information claire de l'autre. Les chercheurs ont entraîné ce système à l'aide de milliers d'exemples simulés de défauts simples, sans jamais lui montrer de défauts complexes et imbriqués pendant la phase d'apprentissage.

Lorsqu'ils ont été testés sur ces défauts complexes et imbriqués que le système n'avait jamais vus auparavant, la nouvelle méthode s'est révélée remarquablement efficace. Alors que les anciens modèles mélangeant les signaux échouaient complètement, produisant des erreurs trop importantes pour être utiles, le nouveau système à double voie a prédit avec précision la largeur des dommages dans la plupart des cas. Dans une série de tests impliquant 150 scénarios de défauts complexes différents, le nouveau modèle a correctement identifié la largeur avec un haut degré de fiabilité, alors que les anciennes méthodes ne parvenaient pas à trouver de schéma cohérent. Les chercheurs ont également fabriqué des plaques d'acier physiques présentant de réels défauts imbriqués et ont passé leurs capteurs dessus pour voir si les prédictions de l'ordinateur tenaient la route dans le monde réel. Les résultats étaient cohérents avec les simulations : le nouveau système a réussi à suivre la taille globale du dommage, tandis que les anciens systèmes ont éprouvé des difficultés majeures, prédisant souvent une taille erronée de plusieurs millimètres.

Cependant, l'étude a également révélé une limite stricte à ce que peut accomplir cette technologie. Bien que le système soit devenu très performant pour mesurer la largeur des défauts, il ne pouvait pas déterminer avec précision leur profondeur. Peu importe les ajustements apportés à l'ordinateur, il échouait systématiquement à deviner la profondeur des trous dans les défauts imbriqués. Les chercheurs ont conclu qu'il ne s'agissait pas d'un défaut du programme informatique, mais d'une limitation physique fondamentale. Les signaux magnétiques ne transportent simplement pas assez d'informations claires sur la profondeur lorsque les défauts sont imbriqués de cette manière spécifique. Cette conclusion est importante car elle indique aux ingénieurs ce qu'ils peuvent et ne peuvent pas attendre de cette technologie, les empêchant de s'appuyer sur elle pour des mesures physiquement impossibles à réaliser avec les capteurs actuels.

Le succès de cette approche réside dans sa capacité à respecter la nature physique du problème. En gardant les différents types de données magnétiques séparés jusqu'à ce qu'ils aient été analysés en profondeur, le système évite la confusion qui frappe les autres méthodes. Ce travail suggère que, pour les problèmes industriels complexes, la meilleure solution n'est pas toujours d'injecter plus de données dans un seul modèle informatique, mais de concevoir le modèle pour qu'il gère les différents types d'informations de la manière la plus logique possible. Les chercheurs prévoient de poursuivre ce travail en testant le système sur des bancs d'inspection de pipelines à pleine échelle et en explorant des moyens de combiner les données de plusieurs capteurs pour surmonter la limite de la mesure de la profondeur. Pour l'instant, ils ont fourni un outil robuste capable de mesurer de manière fiable la largeur de défauts complexes et dangereux, offrant une vision plus claire de l'état de santé de nos infrastructures énergétiques critiques.