隨著石油、化工等工業(yè)領域中管道輸送系統(tǒng)的廣泛應用，管道腐蝕問題已成為一個關鍵的安全隱患，故需要定期對其進行檢測[1-2]。而對于帶有包覆層的管道，由于其外層材料的保護，傳統(tǒng)的無損檢測技術難以準確評估其內部腐蝕狀況。因此，開發(fā)出一種高效、精確的壁厚檢測和反演方法，試驗結果表明該方法能有效反演管道壁厚。 

脈沖渦流檢測技術（PEC）因其無需拆除保溫層、無需進行表面處理、無需停機檢測、采樣速度快等優(yōu)點，成為管道腐蝕在役檢測中的重要工具[3-4]。該技術通過在管道表面放置激勵線圈，施加脈沖電流，并探測所產生磁場隨時間的衰減特性，進而分析管道材料的電導率、厚度和缺陷情況。然而，包覆層的存在使得渦流信號的衰減更加復雜，這給腐蝕深度的反演帶來了較大挑戰(zhàn)。 

文章旨在通過有限元仿真和機器學習方法，針對不同鋁層厚度、保溫層厚度和管道壁厚條件下的腐蝕深度進行精確反演。通過使用COMSOL Multiphysics軟件進行多參數(shù)化模擬，生成相應的渦流信號，并基于提取的特征值進行管道壁厚的反演，有望為帶包覆層管道的無損檢測提供一定參考。 

1.   脈沖渦流檢測原理

脈沖渦流檢測技術（PEC）是一種基于瞬態(tài)電磁響應的無損檢測方法。與傳統(tǒng)的交流渦流不同，PEC通過施加瞬態(tài)脈沖電流，在導電材料中產生瞬時渦流。渦流的強度和擴散速率受到材料電導率、磁導率以及幾何尺寸的影響[5-7]。對于帶有包覆層的管道，渦流首先在鋁層中產生，并逐漸擴展到包覆層和管道壁內部。當管道存在減薄時，渦流的擴散路徑和強度會發(fā)生變化，導致檢測信號的特征發(fā)生改變[8]。 

PEC信號的時間衰減特性反映了材料的電磁參數(shù)和幾何結構，衰減速率與材料厚度、導電性和磁導性相關[9-10]。由于包覆層的存在，渦流在材料內部的傳播變得更加復雜，尤其是較厚的包覆層會減緩渦流向管壁內部的擴展，影響檢測的靈敏度和精度。因此，管道壁厚的準確反演不僅依賴于渦流信號的特征，還需要充分考慮鋁層厚度、保溫層厚度等參數(shù)對渦流擴散的影響。通過結合多層結構的物理模型與精確的數(shù)值仿真，可以實現(xiàn)對壁厚的精確反演。 

2.   有限元仿真建模

筆者利用有限元仿真對帶包覆層管道的腐蝕減薄進行建模，以研究不同參數(shù)對脈沖渦流檢測信號的影響。仿真使用COMSOL Multiphysics軟件中的電磁場與渦流模塊，采用平板模型代替實際的管道模型，簡化模型以減少仿真計算量，從而獲取大量數(shù)據(jù)以支持后續(xù)的機器學習模型訓練。 

2.1   仿真模型

管道結構的復雜性增加了仿真的運算時間與計算量，為了提高仿真的效率，該研究選擇采用二維平板模型代替三維管道模型。平板模型通過合理的幾何設計，能夠較好地反映管道結構的局部電磁響應，同時簡化計算過程，減少對硬件資源的要求。仿真模型結構示意如圖1所示。 

圖  1  仿真模型結構示意

仿真過程中，利用脈沖電流作為激勵源激發(fā)渦流信號，直接提取線圈中心位置的磁通密度用于模擬磁傳感器采集信號，取代傳統(tǒng)檢測線圈的方案。每組仿真均輸出時間-磁場衰減信號，模擬不同參數(shù)組合下的脈沖渦流響應。 

2.2   參數(shù)設置

仿真模型中的主要幾何參數(shù)包括鋁層厚度、保溫層厚度、管道壁厚和減薄深度。為了全面了解這些參數(shù)對渦流信號的影響，分別設定了多種不同取值范圍，管道仿真參數(shù)設置如表1所示。 

通過仿真生成了1 568組不同參數(shù)的有減薄數(shù)據(jù)以及245組不同參數(shù)的無減薄數(shù)據(jù)，每組組合均輸出對應的磁場信號，供后續(xù)特征提取和機器學習模型訓練使用。 

2.3   數(shù)據(jù)處理

為了去除仿真中可能存在的背景噪聲和材料特性干擾，文章不僅對有減薄的管道進行了仿真，還對無減薄工況進行了模擬。將無減薄信號作為基準信號，與有減薄信號進行差分處理[11]，差分前后曲線如圖2，3所示，可見，差分后的信號大幅降低了背景噪聲的影響，明顯突出了腐蝕減薄造成的電磁響應變化，處理后的信號更有利于后續(xù)的特征提取與分析。 

圖  2  差分前渦流檢測信號曲線

圖  3  差分后渦流檢測信號曲線

由于脈沖渦流信號呈現(xiàn)指數(shù)衰減特性，直接使用信號難以有效提取出線性特征。因此，在差分處理之后，進一步對信號進行對數(shù)處理。對數(shù)處理將非線性衰減信號轉換為近似線性信號，使得斜率成為易于提取的關鍵特征值。脈沖渦流信號下降沿對數(shù)處理后的曲線如圖4所示，可見，該斜率的大小與腐蝕減薄深度密切相關[12-14]。 

圖  4  脈沖渦流信號下降沿對數(shù)處理后的曲線

通過差分和對數(shù)處理后的信號，成功提取出了具有高度相關性的特征值，為后續(xù)的機器學習模型提供了高質量的訓練數(shù)據(jù)。 

3.   機器學習模型及壁厚反演

筆者認為基于有限元仿真提取的斜率特征，采用機器學習方法，通過訓練模型學習幾何參數(shù)（如鋁層厚度、保溫層厚度、管道壁厚）與減薄深度之間的復雜非線性關系，可以實現(xiàn)對未知工況下減薄深度的準確反演。為此，文章選擇了梯度提升樹（GBT）算法，并通過超參數(shù)調優(yōu)提高模型的反演性能。 

3.1   特征選擇及其物理意義

在脈沖渦流檢測過程中，檢測信號的變化主要受到以下三方面因素的影響：保溫層的厚度、鋁層的厚度以及管道壁厚。因此，選擇此三者作為模型的輸入特征，結合從渦流檢測信號中提取出的斜率，構建四維輸入特征空間。這些特征物理意義明確，能夠很好地反映腐蝕減薄深度對管道材料的電磁特性所產生的影響，確保模型能夠捕捉到腐蝕減薄區(qū)域對信號變化的敏感度。 

3.2   數(shù)據(jù)集構建

為了建立管道腐蝕減薄深度的機器學習反演模型，首先需要構建訓練數(shù)據(jù)集。每組數(shù)據(jù)由以下特征組成。 

（1）輸入特征：鋁層厚度x1；保溫層厚度x2；管道壁厚x3；提取的斜率特征b。 

（2）標簽：腐蝕減薄深度y，即仿真中實際設定的腐蝕減薄深度值。 

為了提高模型的穩(wěn)定性和泛化能力，數(shù)據(jù)集在構建過程中進行了歸一化處理，確保不同量綱的特征值不會因差異影響模型學習。該數(shù)據(jù)集中包含多個參數(shù)組合下的不同工況，以確保模型能夠適應不同的幾何特征，并具有良好的泛化能力。 

3.3   梯度提升樹（GBDT）算法

梯度提升樹（GBDT）是一種基于決策樹的集成學習算法，通過組合多個弱學習器（通常是決策樹）來提升模型的預測精度。每棵樹的生成都基于前一棵樹的預測殘差，以逐步減少誤差。其目標是最小化損失函數(shù)，過程可寫為 

式中：yi為真實標簽；F(xi)為模型的預測值；n迭代次數(shù)。 

每一輪迭代通過擬合殘差，更新預測模型，最終得到一個更強的預測模型，該研究中筆者采用平方損失函數(shù)（LSBoost）作為模型的優(yōu)化目標。 

3.4   模型訓練與評估

在模型訓練階段，設置梯度提升樹的基學習器為最小葉節(jié)點數(shù)為5的回歸樹，并采用100棵樹的集成方式，學習率設為0.1。通過以下公式控制學習率 

式中：η為學習率；hm(x)為第m輪學習器；Fm(x)為第m輪迭代模型預測值。 

訓練完成后，對模型的反演精度進行了評估，采用均方誤差（MSE）和決定系數(shù)（R2）作為主要評價指標。均方誤差用于衡量模型的整體誤差大小，決定系數(shù)用于表示模型對數(shù)據(jù)的擬合優(yōu)度。 

3.5   結果與分析

通過模型訓練，得到了腐蝕深度的反演值與實測值，展示了模型的反演性能。反演值與實測值之間的擬合曲線如圖5所示，其均方誤差為0.004 5，決定系數(shù)R2為0.999 3，表明模型在大部分測試集上的反演誤差較小，具有較好的擬合效果。 

圖  5  反演值與實測值的擬合曲線

為了進一步了解各輸入特征對模型反演的影響，對模型進行了特征重要性分析。特征重要性通過決策樹的分裂節(jié)點對目標變量的影響程度計算得出。特征值重要性分析結果如圖6所示，以斜率作為特征的情況下，管道壁厚是最重要的特征，對反演結果影響最大，保溫層厚度次之，而鋁層厚度對反演結果的影響相對較小。 

圖  6  特征值重要性分析結果

綜上所述，通過有限元仿真生成數(shù)據(jù)集，結合梯度提升樹算法的機器學習模型成功實現(xiàn)了帶包覆層管道腐蝕減薄的深度反演。 

4.   試驗驗證與反演-實測結果對比

為了驗證梯度提升樹（GBDT）算法在壁厚反演中的性能，搭建了脈沖渦流檢測平臺，并對不同包覆層厚度的階梯管樣本進行檢測。 

脈沖渦流檢測平臺結構示意及試驗現(xiàn)場如圖7，8所示。檢測平臺主要包括上位機、脈沖信號發(fā)生模塊、激勵線圈、階梯管、磁傳感器、數(shù)據(jù)采集模塊等。其采用激勵線圈和磁傳感器作為檢測探頭的核心部分。激勵線圈高度為30 mm，內徑為10 mm，匝數(shù)為800 mm，激勵脈沖峰值電壓為25 V，頻率為4 Hz。磁傳感器放置在激勵線圈的中心位置，檢測由管道內渦流產生的磁場變化信號。 

圖  7  脈沖渦流檢測平臺結構示意

圖  8  脈沖渦流檢測試驗現(xiàn)場

樣本管道由多段不同壁厚的階梯管組成，每段階梯管外覆蓋不同厚度的包覆層（見圖8）。試驗時，傳感器固定在每個階梯段的表面，并逐步對各階梯段進行檢測，以保證數(shù)據(jù)的完整性和可重復性。 

檢測時，激勵線圈通過脈沖信號發(fā)生器施加電流脈沖，激發(fā)管道內渦流。渦流在導電管道內部擴散，其衰減特性受到管道壁厚、包覆層厚度及材料電導率等因素的影響。磁傳感器連接采集卡負責采集管道表面附近的磁場衰減信號，再將信號傳輸至上位機，上位機對接收的信號進行濾波、降噪等處理后，提取特征值，最后代入反演模型中進行厚度反演。壁厚為9.5 mm帶包覆層管道的部分反演結果和誤差如表2所示。 

在不同包覆層厚度下，對比GBDT反演模型的反演結果與實際測量結果，可知，該模型在各類樣本中的反演誤差總體較小，具有較為穩(wěn)定的檢測表現(xiàn)。尤其是在包覆層較厚的條件下，模型依然能夠有效反演管道壁厚。 

試驗條件下，檢測平臺的傳感器靈敏度、數(shù)據(jù)采集精度及環(huán)境干擾都可能對檢測結果產生影響。此外，仿真與實際檢測環(huán)境之間的差異也可能帶來誤差。仿真模型中對材料特性和幾何參數(shù)的簡化假設，與試驗中真實管道材料或復雜結構也存在差異，進一步加劇了試驗與仿真結果的偏差。然而，誤差值保持在合理范圍內，表明該方法可用于多種工況下的腐蝕減薄深度檢測。 

5.   結論

（1）通過構建不同鋁層厚度、包覆層厚度、管道壁厚及腐蝕深度的參數(shù)化模型，利用COMSOL軟件進行仿真，可知，渦流信號下降沿對數(shù)據(jù)處理后曲線的晚期斜率與減薄深度密切相關，可作為特征值對壁厚進行反演。 

（2）采用梯度提升樹（GBDT）算法對仿真數(shù)據(jù)進行訓練，建立壁厚反演模型。通過搭建脈沖渦流檢測平臺，采集實際渦流信號以驗證模型的反演效果。結果表明，在試驗條件下，其壁厚反演誤差均在5%以內。

文章來源——材料與測試網(wǎng)