펄스 와전류 시계열 데이터 딥러닝을 통한 배관 두께 추정 (Pipe Thickness Estimation by Deep Learning of Pulsed Eddy Current Time-Series Data)

서지정보

· 발행기관 : 한국비파괴검사학회
· 수록지 정보 : 비파괴검사학회지 / 41권 / 3호 / 164 ~ 171페이지
· 저자명 : 서호건, 전지현, 신정우, 박덕근

초록

와전류 탐상법은 전도성이 있는 검사체에 대한 비파괴평가에 효과적이지만, 신호를 판독함에 있어 검사자의 높은 숙련도를 요구한다. 본 연구는 펄스 와전류 탐상으로 획득한 시계열 데이터 기반 딥러닝을 통해 배관 두께를 추정함으로써 검사자의 의존성이 보완될 수 있음을 확인하였다. 이를 위해, 9단계의 배관 두께에 대해 각 배관 두께별로 8개 동경 지점에서 10회씩 측정하여 총 720개 데이터를 수집하였다. 이를 9:1 비율로 분리해 각각 학습과 평가에 사용하였다. 심층신경망은 2차원 이미지 데이터 분류에 활용되는 인셉션 모델을 1차원 시계열 데이터를 입력 받아 연산하도록 구성했다. 평균 절대 오차를 평가지표로 삼았고, 샘플링 길이와 이동 평균 적용 여부, 학습 시의 배치 크기에 따른 평균 절대 오차를 비교했다. 이로부터 시계열 데이터 기반 딥러닝을 통해 펄스 와전류 신호로부터 배관 두께를 추정할 수 있음을 확인했다.

영어초록

Eddy current testing is effective in the nondestructive evaluation of conductive specimens; however, high proficiency of an inspector is required in signal interpretation. This study confirmed that the dependence of the inspector can be complemented by estimating the pipe thickness via deep learning based on time series data acquired by pulse eddy current detection. In this study, a total of 720 data were collected by measuring ten times at eight longitude points for each of nine pipe thicknesses. They were separated by a 9:1 ratio and used for learning and evaluation, respectively. A deep neural network was built by modifying the Inception model used for classifying two-dimensional image data to input and operate one-dimensional time series data. Mean absolute error (MAE) was used as an evaluation index, and MAE values ​​were compared according to the sampling length, moving averaging, and batch size in deep learning. Consequently, it was confirmed that the pipe thickness could be estimated from the pulsed eddy current signal by deep learning based on time series data.

참고자료

· 없음