保溫層下腐蝕智慧評估系統：材料世界網

黃挺瑋、郭泰良、林佑儒 / 工研院材化所

保溫層下腐蝕(CUI)是指當水分積聚於保溫層下時所發生的外部腐蝕，若發生在保溫管線可能使保溫失效，輕則耗費能源，重則可能引發工安意外。CUI被保溫層包覆，不容易由外表檢測，目前最有效的檢測方法是目視檢查，但檢測時首先需移除設備表面的蒙皮以及保溫層，雖然此法能有效地找到CUI，但過程耗時費力且成本高，無法大範圍檢測。目前主流的非破壞性檢測方法，如放射線檢測法、中子散射檢測法、導波檢測法等，雖然無需移除保溫層，但因其檢測方法之特性限制，無法檢測較長距離，若檢測高空管線時還需要搭設鷹架，因此檢測時間和成本也較高。紅外線檢測法也是一種非破壞性檢測法，其原理是利用管線表面的紅外線熱影像搜尋保溫層可能含水的區域，找到CUI發生的高風險區域，但熱影像容易受到環境等因素影響，導致辨識率較低，因此無法成為主流的檢測方法。本技術透過人工智慧以及影像處理等方法，提高辨識準確率，提供一種新的CUI檢測方法。

【內文精選】

CUI檢測技術

防止CUI的主要方法是阻止液體滲入保溫層，除了設備的設計與塗層的選用外，平時的維護與檢測才是能避免發生事故的唯一方法。目前主要的CUI檢測方法是直接移除蒙皮以及保溫層的目視檢測法，雖然這種方法能最有效地找到CUI發生的位置，但大多無法由外觀發現，僅能透過風險基準進行抽樣檢查，因此檢測的準確率與效率低下，且檢測過程耗時費力，若還原保溫層時不慎，更有可能造成蒙皮或保溫層損壞。檢測CUI的方法，除了上述的目視檢測法外，非破壞性的檢測方法，如：放射線檢測法(Radiography)、中子散射法(Neutron Backscatter)、導波(Guided Wave)等亦經常被使用。

CUI好發區智慧診斷技術

本技術透過開發新的演算法，強化熱影像上CUI好發區的特徵，建立智慧診斷技術。為了獲取CUI好發區的特徵，本技術首先針對以岩棉作為保溫材、100˚C作為內部高溫流體的保溫管線進行熱傳數值模擬和熱傳實驗，探討當保溫層的含水率不同時，保溫管線蒙皮表面的溫度分布。模擬和實驗的結果均顯示，當含水率越高時，蒙皮表面的溫度越高，流失越多熱量。為了降低熱影像受到背景和其他因素的干擾，並找到低含水率的CUI好發區，本技術建立相關流程如圖三所示，輸入資料由IR熱影像開始，擷取熱影像中設備管線的位置，並透過AI學習CUI好發區的特徵，尋找CUI好發區。

圖三、CUI好發區智慧診斷技術流程

高溫管線內保溫層的作用在於阻絕管線內部溫度向外逸散，如管線沒有與其他高溫設備連接，且不計其他外部熱源之影響，管線表面熱量的來源主要是由內部高溫流體向外部傳輸，因此內部流體的溫度將直接影響蒙皮表面的溫度分布；也就是說，當內部流體的溫度較高時，蒙皮表面的溫度相對也較高，反之則較低。雖然管線表面的溫度主要由內部流體的溫度所貢獻，但每個管段受到的環境影響不同，且蒙皮、保溫層、管線以及流體組成的系統複雜並非均勻，因此即使內部流體的溫度相同，管線表面的溫度也不盡相同，所以無法僅憑溫度高低辨識保溫層是否含水，需找到管線基礎溫度分布(Baseline)作為判斷的依據。

卷積神經網路(Convolutional Neural Network; CNN)是由卷積層(Convolution Layer)、池化層(Pooling Layer)、全連接層(Fully Connected Layer)等組成。卷積層使用卷積核(Kernel)在資料區間進行移動，同時計算小區域的乘積，將特徵萃取出來，並產生Feature Map。CNN透過數個大小不同的卷積層可萃取出不同尺寸、不同抽象度的特徵，以獲得不同層次的特徵，使得模型能夠更好地辨識目標物。如圖五，在相同管線配置下，保溫層中含水率不同將使其異常溫度曲線和CDF不同，因此本技術使用上述兩種資料作為學習資料，藉由CNN模型強大的特徵萃取能力，尋找CUI好發區的特徵，以找到管線上CUI好發區的位置。