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

석유 및 가스 파이프라인은 현대 에너지 안보의 숨겨진 동맥으로서, 대륙을 가로질러 방대한 양의 연료를 운송합니다. 이 파이프들을 안전하게 유지하려면 결함이 발생했을 때 정확히 무엇이 잘못되었는지 알아야 합니다. 시간이 흐름에 따라 파이프의 금속 벽은 부식되어 구멍이나 홈을 형성하며 구조를 약화시킬 수 있습니다. 이러한 숨겨진 위험을 파이프를 절단하지 않고 찾아내기 위해, 검사관들은 자기 누설(magnetic flux leakage)이라고 불리는 기술을 사용합니다. 강력한 자석을 강철 파이프 외벽을 따라 움직인다고 상상해 보십시오. 건강한 금속을 통과할 때 자기장은 매끄럽게 흐릅니다. 하지만 자석이 결함 위를 지나갈 때, 자기장의 일부가 공기 중으로 새어 나오며 센서가 감지할 수 있는 독특한 신호를 만들어냅니다. 엔지니어들은 이 신호를 분석함으로써 손상의 크기와 모양을 추정할 수 있으며, 이는 파이프를 즉시 수리해야 할지 아니면 계속 안전하게 운영할 수 있을지를 결정하는 데 매우 중요합니다.

결함이 단일하고 깔끔한 구멍이 아니라, 하나의 결함 안에 다른 결함이 겹겹이 쌓인 복잡한 클러스터 형태일 때는 문제가 훨씬 더 어려워집니다. 현실 세계에서 부식은 종종 얕고 넓은 손상 영역 내부에 깊고 좁은 구멍이 자리 잡은 '복합' 결함을 만들어냅니다. 이러한 "복합" 결함은 혼란스러운 자기 환경을 조성하여, 서로 다른 부분에서 발생하는 신호들이 서로 뒤섞이고 왜곡되게 만듭니다. 이러한 결함의 폭을 측정하기 위한 전통적인 방식들은 이 상황에서 측정 도구를 혼란스럽게 만들기 때문에 종종 실패하곤 합니다. 상하이 전기대학교(Shanghai Dianji University)와 우후 특수 설비 검사 연구소(Wuhu Special Equipment Inspection Institute)의 연구팀은 이러한 혼합된 신호를 풀어내기 위해 설계된 일종의 인공지능을 사용하여 이 특정 문제를 해결하는 새로운 접근 방식을 개발했습니다.

연구진은 센서가 포착하는 두 가지 특정 유형의 자기 신호에 집중했습니다. 하나는 파이프의 길이를 따라 흐르는 신호이고, 다른 하나는 표면에서 수직으로 뻗어 나오는 신호입니다. 완벽하고 단순한 결함에서는 이 두 신호가 예측 가능한 방식으로 작동합니다. 그러나 결함이 중첩되어 있을 경우, 바깥쪽으로 향하는 신호는 극도로 노이즈가 심하고 불규칙해지며, 이 노이즈는 길이 방향의 신호를 오염시켜 결함이 실제로 어디서 시작되고 끝나는지 알 수 없게 만듭니다. 기존의 대부분의 컴퓨터 모델은 이 두 가지 지저치 않은 신호를 시스템에 동시에 입력하여 컴퓨터가 패턴을 파악하기를 기대합니다. 연구진은 이러한 방식이 컴퓨터를 혼란스럽게 하여, 유용한 부분과 노이즈가 섞인 부분을 혼동하게 만들고 결국 매우 부정확한 측정값으로 이어진다는 것을 발견했습니다.

이를 해결하기 위해 연구팀은 인간의 뇌를 모델로 한 컴퓨터 프로그램인 새로운 종류의 신경망을 구축하였으며, 이 시스템은 두 신호를 처음에는 완전히 분리하여 처리합니다. 신호를 즉시 섞도록 강요하는 대신, 시스템은 길이 방향의 신호는 하나의 경로로, 바깥쪽으로 향하는 신호는 별도의 독립적인 경로로 보냅니다. 각 경로에는 날카로운 가장자리나 완만한 경사와 같은 특정 패턴을 찾는 전문화된 도구들이 갖춰져 있습니다. 각 경로가 심층 분석을 마친 후에야 시스템은 최종 결정을 내리기 위해 두 결과를 하나로 합칩니다. 이러한 설계는 필터 역할을 하여, 한 신호의 혼란스러운 노이즈가 다른 신호의 명확한 정보를 망치는 것을 방지합니다. 연구진은 수천 개의 단순한 단일 결함 시뮬레이션 예시를 사용하여 이 시스템을 학습시켰으며, 학습 단계에서는 복잡한 중첩 결함을 전혀 보여주지 않았습니다.

이 시스템이 한 번도 본 적 없는 복잡한 중첩 결함에 대해 테스트했을 때, 새로운 방식은 놀라울 정도로 효과적임이 입증되었습니다. 신호들을 섞어서 처리하던 기존 모델들은 완전히 실패하여 사용할 수 없을 정도로 큰 오차를 냈던 반면, 새로운 이중 경로 시스템은 대부분의 경우 손상의 폭을 정확하게 예측했습니다. 150가지의 서로 다른 복잡한 결함 시나리오를 포함한 일련의 테스트에서, 새 모델은 높은 신뢰도로 폭을 정확히 식별해 낸 반면, 기존 방식들은 일관된 패턴을 찾지 못했습니다. 또한 연구진은 실제 중첩 결함이 있는 강철판을 제작하여 센서를 실행해 봄으로써 컴퓨터의 예측이 실제 세계에서도 유효한지 확인했습니다. 결과는 시뮬레이션과 일치했습니다. 새 시스템은 손상의 전체 크기를 성공적으로 추적한 반면, 기존 시스템은 수 밀리미터의 오차를 내며 엉뚱한 크기를 예측하는 등 큰 어려움을 겪었습니다.

하지만 이 연구는 이 기술이 도달할 수 있는 명확한 한계 또한 밝혀냈습니다. 시스템은 결함의 폭을 측정하는 데는 매우 뛰어났지만, 깊이를 정확하게 판단하는 데는 실패했습니다. 컴퓨터를 어떻게 조정하더라도 중첩된 결함의 깊이를 맞추는 데는 지속적으로 실패했습니다. 연구진은 이것이 컴퓨터 프로그램의 결함이 아니라 근본적인 물리적 한계라고 결론지었습니다. 중첩된 결함의 경우, 자기 신호가 깊이에 대한 충분히 명확한 정보를 담고 있지 않다는 것입니다. 이 발견은 엔지니어들에게 이 기술로 무엇을 할 수 있고 무엇을 할 수 없는지를 정확히 알려줌으로써, 현재의 센서로는 물리적으로 측정이 불가능한 측정에 이 기술을 의존하는 일을 방지해 줍니다.

이 접근 방식의 성공은 문제의 물리적 본질을 존중하는 능력에 달려 있습니다. 서로 다른 유형의 자기 데이터를 철저히 분석될 때까지 분리하여 유지함으로써, 시스템은 다른 방법들이 겪는 혼란을 피합니다. 이 연구는 복잡한 산업 문제에 있어서 최선의 해결책이 항상 단일 컴퓨터 모델에 더 많은 데이터를 쏟아붓는 것이 아니라, 정보를 가장 논리적인 방식으로 처리할 수 있도록 모델을 설계하는 것임을 시사합니다. 연구진은 앞으로 전체 규모의 파이프라인 검사 장비에서 시스템을 테스트하고, 깊이 측정 한계를 극복하기 위해 여러 센서의 데이터를 결합하는 방법을 탐구할 계획입니다. 현재로서는 그들이 위험하고 복잡한 결함의 폭을 신뢰성 있게 측정할 수 있는 견고한 도구를 제공함으로써, 우리 핵심 에너지 인프라의 건강 상태를 더 명확하게 볼 수 있게 해주었습니다.