基于CNN-Transformer的管道缺陷三维重构方法

文章对基于漏磁信号的长输油气管道缺陷重构方法进行了研究。由于反向求解具有不适定性,而深度学习模型具有强大的非线性映射能力以及特征提取能力,因此搭建CNN-Transformer混合架构模型作为量化模型来预测缺陷尺寸;并对仿真漏磁信号的修正方法进行研究,以减小仿真数据与实验数据之间误差。经验证,修正后仿真轴向分量数据与实验数据峰值之间误差平均下降了83.73%,而径向分量峰值误差平均下降了28.25%,解决了深度学习模型训练样本不充足的问题;并且修正后的数据集作为训练集训练的混合架构模型在预测缺陷尺寸时具有较好的预测精度,模型在预测缺陷长度、宽度与深度时平均相对误差分别降低了21.35%、22.58%和21.55%,具有较高的准确性与鲁棒性。