액화천연가스(LNG)는 주요한 재생에너지 자원 중 하나이며, 국제 표준에 따라 설계된 저장 탱크에 저장되고 운송된다. LNG는 공기 중의 산소와 접촉하면 매우 불안정해지기 때문에, LNG 저장 탱크의 누출은 대규모 재난성 산업사고로 이어질 수 있다. 따라서 LNG가 저장 탱크에 저장되기 전에 완료해야 할 우선순위 중 하나가 LNG 저장 탱크의 점검이다. 최근 RT의 위험이 부각됨에 따라, 위상배열 초음파 탐상(Phased Array Ultrasonic Testing, PAUT)의 활용이 점차 증가하고 있다. PAUT가 RT를 대체하기 위해서는 효율과 정확도와 같은 몇 가지 극복해야 할 장애물이 있다. 특히 비용 문제가 해결되어야 한다. 이에 따라 PAUT와 인공신경망(Artificial Neural Networks, ANN)을 결합하려는 많은 시도가 이루어져 왔다. PAUT는 검사된 용접부(weldment)에 대한 다양한 유형의 2차원(2D) 영상을 제공한다. S-스캔(S-scan)은 PAUT가 제공하는 2D 영상 중 하나로, 단일 변환기(transducer)로 시편의 단면도를 표시한다. 검사자들은 S-스캔 영상 및 PAUT에서 제공되는 다른 영상들을 검토하여 용접부에 존재하는 결함을 검출, 분류, 크기(규격)화함으로써, 결함이 있는 용접부가 허용 가능한지 여부를 판단할 수 있다. 현재까지 PAUT와 ANN에 관한 대부분의 선행 연구는 B-스캔 또는 S-스캔 영상에서의 결함 검출 및 분류에 초점을 맞추고 있다. 그러나 결함의 허용성(acceptability)을 최종적으로 판단하는 마지막 단계는 아직 다루어지지 않았다. 본 연구에서는 다양한 국제 표준에서의 PAUT 결함 허용 기준을 나열하였다. EXTENDE CIVA를 사용하여 PAUT S-스캔 영상을 생성하였다. S-스캔 영상은 나열된 허용 기준에 따라 라벨링되었으며, 이후 Mask R-CNN 학습에 사용되었다. 학습 후에는 결함이 포함된 일부 새로운 S-스캔 영상을 사용해 성능을 테스트하였고, 그 결과 정밀도 96%와 재현율 87%를 보였다. 제안한 알고리즘을 통해 용접부 내 결함의 허용성을 효율적으로 판정할 수 있으며, 이는 PAUT 사용 부담을 줄이고 전 구간(full-length) 검사에 필요한 시간을 단축할 수 있다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.