Applying deep learning for ultrasonic inspection of a reactor pressure vessel mock-up with artificial flaws

Abstract

This study compares defect detection performance between internal and external ultrasonic inspections of a reactor pressure vessel mock-up, with both datasets evaluated using deep learning models. The external inspection results from a prior study were analyzed using U-Net and Swin U-Net models, served as a benchmark for assessing the performance of internal inspection made in this study, visually evaluated through an adapted U-Net implementation.

A custom mechanism was developed to perform automated raster scans of a reactor pressure vessel mock-up's cladded inner surface using phased-array ultrasonic probes. Ultrasonic data was reconstructed using the Synthetic Aperture Focusing Technique and visualized with Napari-software for manual flaw labeling for model training. The trained U-Net model demonstrated moderate success in identifying surface-breaking defects in the cladding layer but struggled to detect deeper flaws. False positives occurred in cladding region. Comparison with previous inspections of the same test piece from the external surface highlighted the model’s limitations when trained with limited amount of data, and also suggested potential complementary benefits from scanning from both sides of the subject.

Tässä tutkimuksessa verrataan reaktoripaineastian koekappaleen sisä- ja ulkopuolisten ultraäänitarkastusten vikojen havaitsemisen tarkkuutta. Molemmissa tapauksissa tulokset analysoitiin syväoppimismalleilla. Aikaisemmassa tutkimuksessa ulkopuolisesta tarkastuksesta saadut tulokset analysoitiin U-Net- ja Swin U-Net -malleilla, ja ne toimivat vertailukohtana tämän tutkimuksen sisäpuolisen tarkastuksen tuloksille, jotka arvioitiin visuaalisesti U-Net -mallin avulla.

Kustomoitu mekanismi kehitettiin reaktorin paineastiaa esittävän koekappaleen pinnoitetun sisäpinnan automaattiseen rasteriskannaamiseen vaiheistetulla ultraääniluotaimella. Ultraäänidata rekonstruoitiin Synthetic Aperture Focusing -tekniikalla ja visualisoitiin Napari-ohjelmalla manuaalista vikojen merkitsemistä ja mallin koulutusta varten. Koulutettu U-Net-malli osoitti kohtalaista menestystä pinnoitteen vikojen tunnistamisessa, mutta syvemmät viat jäivät pääosin havaitsematta. Pinnoitealueella esiintyi myös vääriä positiivisia tuloksia. Vertailu saman koekappaleen aiempiin ulkopinnalta tehtyihin tarkastuksiin korosti mallin rajoitteita niukalla koulutusdatalla ja viittasi mahdollisiin hyötyihin, jos tutkimus suoritettaisiin kohteen molemmilta puolilta.