A novel hybrid method for automatic visual inspection of oil plant facilities using uav and ai-based sensor fusion

Petrol ve doğalgazla ilgili tesisler, dünyadaki her iş ve sanayi bölgesinin coğrafyasının temel bileşenlerinden biridir. Coğrafyanın bu yönü hayati önem taşımaktadır. Ticaret ve sanayinin çeşitli alanlarındaki sürekli büyüme ile birlikte, enerjiye ve dolayısıyla petrol rafinerilerine olan talep de artmaktadır. Petrol taşıma ağında bir kırılma olduğunda, öncelikli endişeler kamu ve ekosistem güvenliğinin yanı sıra sistemin bütünlüğünü korumak ve muhafaza etmektir. Bu tez, üç koordineli tekniği entegre eden yeni bir boru hattı kırılma tespit sistemi önermektedir: bir DCAMFL algoritması, bir Evrişimsel Sinir Ağı ve gerçek zamanlı, üç boyutlu sanal bir drone. Bu çok yönlü yaklaşım, aksi takdirde fark edilmeden ilerleyecek olan küçük kırıkların sınırlarını bulmak ve izlemek için tasarlanmıştır. Üstün görsel keskinlikleriyle bilinen DCAMFL ve CNN çiftleri, yüksek performans sağlamak için optimize edilmiştir. Bu tamamlayıcı özellikler, dengeye daha yakın ve dolayısıyla kendi tespit eşiklerini aşmaya daha yatkındır. ANSYS Fluent içindeki modelin karşılaştırmalı analizi ve iyileştirmeleri, yaklaşımın sağlam temellere dayandığını ve simüle edilmiş çıktıların fiziksel modelin çıktılarıyla yüksek derecede uyum gösterdiğini, bu da çeşitli performans parametrelerinin kesinlik ve güven aralığında azalmaya yol açtığını göstermiştir. Boru hattı sisteminin içindeki akışkan dinamiği ANSYS Fluent'te simüle edilmiştir. Bu bilgiler kullanılarak, sıcaklık, basınç ve akış hızının çatlak oluşumu ve çatlakların tespit edilmesiyle ilgili etkileşimleri belirlenebilmiştir. Daha kapsamlı bir analiz için, algoritmanın sistemdeki potansiyel olarak atlanmış çatlaklardan kaynaklanan sızıntıları tespit etme yeteneğine de bakılmıştır. Ardından, tekniği geniş bir kırık petrol boru hattı setine uyguladık ve sonuçlar dikkat çekiciydi. Çatlak tespiti için F1 puanı %95,6, geri çağırma %97,3 ve hassasiyet %96,5 olmuştur. Bu performans ölçütleri, sistemin kırıkları doğru ve güvenilir bir şekilde tespit edip sınıflandırdığına dair kanıt sağlamaktadır. Araştırma çalışmalarımız sırasında, derin öğrenme, bulanık mantık ve gelişmiş modelleme tekniklerinin uygulanmasıyla dizel boru hatlarındaki çatlak tespitinde önemli ilerlemeler sağlanabileceğini gösterdik. Tanımlanan yaklaşım, boru hattı izlemesinin iyileştirilmesi, daha fazla güvenlik ve operasyonel ve yapısal ömrün uzatılması gibi çeşitli sonuçlar doğurabilir. Algoritmadaki gelişmeleri desteklemeye devam etmek için, bu çalışma, aracın değerini ve verimliliğini belirlemenin yanı sıra, işlenen veri aralığının daha büyük ve karmaşık bir boru hattına genişletilmesiyle birlikte, evrimsel sinir ağlarının mimarisini değerlendirip yeniden optimize etmeyi amaçlayacaktır.