1Cr5Mo管法兰焊缝在线开裂失效原因分析

石化装置因压力管道泄漏而不能正常运行,对主要影响因素管法兰开裂焊缝进行追查,并对管法兰开裂焊缝进行失效分析。经过对泄漏管法兰试件的观察与分析,管法兰焊缝热影响区出现开裂,且开裂模式为脆性延迟断裂,机理为应力腐蚀开裂。发生应力腐蚀的原因应是由于焊缝热影响区组织存在淬硬马氏体,导致硬度严重超标,在湿硫化氢作用下产生应力腐蚀开裂。淬硬马氏体的形成应与焊后热处理质量和检测质量有关。

某天然气管路阀前法兰焊缝裂纹原因分析及防范

某天然气管路阀前一只法兰焊缝处发生裂纹泄漏。为了认清裂纹产生的原因，以便有针对性地采取防范措施，消除隐患，作者们通过采取对法兰进行材料化学成分、力学性能、焊接性能、裂纹微观形貌和能谱等一系列检测和分析手段，并结合安装质量的追溯情况，得出法兰母材存在裂纹导致本次泄漏发生的结论，并提出了相应的防范建议。

基于传感技术的管道接头法兰环焊缝质量检测方法研究

管道接头法兰焊缝位于管道内部,无法直接检测。为此提出基于机器视觉及卷积神经网络的识别方法。通过机器视觉传感器采集影像,采用张氏标定法和最小二乘积法去除镜头畸变,获得管道接头法兰图像。基于卷积神经网络训练管道接头法兰的特征,引入非线性激活函数令输出结果非线性化,通过池化运算降低特征复杂度和避免多度拟合情况发生,凭借Softmax将特征结果转化为分类概率,实现管道接头法兰环焊缝识别。实验证明,所提方法识别性能好,精度高,迭代周期短,误差均没有超过2mm,仅用100迭代就达到了最小识别误差值。

基于深度学习的管道焊缝法兰组件识别方法

针对管道内检测中焊缝法兰组件的识别精度不够问题,提出了一种基于深度学习网络的智能识别方法。该方法利用漏磁检测（MFL）图像而不是MFL测量量,因此它可以跳过特征提取的过程。改进的结构主要包括2个卷积层、1个局部响应归一化层、2个池化层、1个全连接分类层和1个Softmax层。实验结果表明,提出的基于深度学习网络的焊缝法兰组件识别方法拥有良好的识别精度,所提出的3项指标均在90%以上;在信噪比小于10 d B特征不明显样本中,所提方法的识别灵敏度为85.3%,优于其他基于特征的智能识别方法,同时,改进的深度学习网络对于漏磁图像具有良好的位移和畸变鲁棒性。

对船用搭焊钢法兰焊缝高度的探讨

搭焊钢法兰作为船舶管路可拆连接件应用在船舶管路系统中。为保证管路系统功能的充分发挥,法兰固定——搭接焊形式及其焊角高度(见图1)各国标准(见表1)和各国船级社规范(见表2)