عنوان پایان‌نامه
مانتیورینگ و تعیین محل عیوب پوشش در خطوط لوله زیرمینی
- رشته تحصیلی
- مهندسی مواد-خوردگی‌وحفاظ‌ت‌ازمواد
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 40475;کتابخانه مرکزی پردیس 2 فنی شماره ثبت: TN 753
- تاریخ دفاع
- ۱۷ آذر ۱۳۸۷
- دانشجو
- حمیدرضا زبردست
- استاد راهنما
- محسن صارمی
- چکیده
- چکیده دراین پژوهش با استفاده از تکنیک به کارگیری امپدانس الکتروشیمیاییAC (EIS) در محدوده وسیع فرکانس و استفاده از شبکه های عصبی مصنوعی سعی بر آن شد، محل دقیق، اندازه وتعداد عیوب موجود در پوشش و همچنین سطح حفاظت کاتدی در یک خط لوله مدفون مشخص گردد. بدین منظور ابتدا شبیه سازی یک خط لوله در محیط خاک بوسیله لوله ای با ابعاد مشخص و پوشش داده شده در آزمایشگاه صورت گرفت و متغیر های متعدد و تاثیر گذار در شرایط واقعی، از قبیل مقاومت ویژه خاک، سطح حفاظت کاتدی، محل عیوب در پوشش، مساحت و تعداد عیوب مورد بررسی و آزمایش قرارگرفتند. تمامی نتایج بدست آمده از طیف سنجی امپدانس الکتروشیمیایی که شامل منحنی های نایکوئیست بودند توسط نرم افزار مخصوص شبیه سازی، و پارامتر های لازم پس از انطباق منحنی ها، استخراج شدند. در نهایت اطلاعات بدست آمده در قالب داده های خام در سیستم شبکه عصبی مصنوعی مورد آنالیز قرار گرفتند. با توجه به قدرت شبکه های عصبی مصنوعی در تحلیل روابط پیچیده غیر خطی و طبقه بندی دقیق داده ها، پارامترهایی از قبیل محل عیوب، میزان حفاظت کاتدی، اندازه وتعداد تقریبی عیوب با دقت بالایی بدست آمد. مزایای عمده این روش از قبیل دقت و سرعت بالا، عدم نیاز به حفاری، تعیین محل عیوب در مسافت های طولانی و عدم نیاز به حجم زیاد اطلاعات، عامل اصلی به کارگیری و استفاده از این روش می باشد.
- Abstract
- Abstract In this investigation explored use of electrochemical AC impedance spectroscopy (EIS) in the wide range of frequencies in conjunction with an ANN (Artificial Neural Network) as means of locating and measuring underground pipeline coating defect size and position also level of catodic protection. A laboratory setup of buried pipeline close to a real condition including different field variables such as soil resistivity, level of cathodic protection level, defect position on the coating, defect area and size has been established for this work. All of the EIS results including nyquist curve have been simulated and important parameters extract after fitting. Finally all of results used as input data for the ANN and to analysis thoroughly. ANN is very powerful tool for pattern matching, recognition, classification of complex data. So a back propagation ANN in the classification mode apply to relevant information from the experimental results that obtained in field-simulated conditions. The main advantage of this technique such as high accuracy and speed in the long distance measuring, no need to removing the soil and very low costs was the important reason for using this method
