СУЧАСНІ ТЕХНОЛОГІЇ ТА ПЕРСПЕКТИВИ РОЗВИТКУ ДИСТАНЦІЙНОЇ ІНСПЕКЦІЇ СТРУКТУРНОЇ ЦІЛІСНОСТІ СУДЕН У ПІДВОДНОМУ СЕРЕДОВИЩІ

Анотація

Регулярна інспекція корпусу судна дозволяє виявляти пошкоджені ділянки та оцінювати ступінь деградації матеріалу корпусу, що дозволяє підтримувати необхідний ступінь міцності шляхом відповідного технічного обслуговування та забезпечує безпеку судноплавства. Традиційні методи інспекції корпусу значною мірою залежать від роботи водолазів, які оглядають весь корпус та проводять заплановані перевірки. Цей процес залежить від експертної оцінки та піддається загрозам безпеці, а також є частково суб'єктивним та дорогим заходом. Останні технологічні розробки такі як роботизовані підводні апарати та штучний інтелект пропонують перспективні альтернативи для вирішення цих проблем та підвищення ефективності та безпеки підводних інспекцій.

У статті розглядаються основні знання про інспекцію корпусу судна, дано класифікацію засобів дистанційного контролю, вивчено технології візуалізації та позиціонування у підводному середовищі, а також деякі методи дистанційної підтримки та передачі даних. Визначено шляхи удосконалення та розвитку підводних інспекцій.

Reference

1. Mietkiewicz, R. (2023). Inspection and maintenance of industrial infrastructure with autonomous underwater robots. Frontiers in Robotics and AI.

  2. Edilson Gabriel Veruz, Alécio Julio Silva, Miguel Angelo de Carvalho Michalski, Renan Favarão da Silva, Gilberto Francisco Martha de Souza, Anderson Takehiro Oshiro A framework for planning underwater hull inspections based on computer vision and degradation assessment https://doi.org/10.1016/j.oceaneng.2024.120053

3. Joseph Davies, Huy Truong-Ba, Michael E. Cholette, Geoffrey Will, Optimal inspections and maintenance planning for anti-corrosion coating failure on ships using non-homogeneous Poisson Processes https://doi.org/10.1016/j.oceaneng.2021.109695

4. Ellard, K. E., (2022). Review and Enhancement of Remotely Operated Vehicles for Marine pest Surveillance: Phase 2. Invasive Species Branch, Biosecurity Tasmania, Department of Natural Resources and Environment Tasmania. https://www.researchgate.net/publication/371783768_Review_and_Enhancement_of_Remotely_Operated_Vehicles_for_Marine_Pest_Surveillance_Phase_2_Project_Report

5. Akyildiz, Ian & Pompili, Dario & Melodia, Tommaso. (2005). Underwater Acoustic Sensor Networks: Research Challenges. Ad Hoc Networks. 3. 257-279. 10.1016/j.adhoc.2005.01.004.

6.  Kaizer, Adam & Lednicka, Barbara & Tessmer, Agnieszka & Freda, Wlodzimierz & Soszynska-Budny, Joanna & Ziajka, Ewelina. (2025). Use of an ROV with Modulated Lighting for Diagnosing the Technical Condition of Submerged Port Wharf Structures. TransNav the International Journal on Marine Navigation and Safety of Sea Transportation. 19. 477-482. 10.12716/1001.19.02.17.

7. Lednicka B, Otremba Z, Piskozub J. Light Penetrating the Seawater Column as the Indicator of Oil Suspension Monte Carlo Modelling for the Case of the Southern Baltic Sea. Sensors. 2023;23(3):1175.

8. Deep Trekker Report (2024). Underwater Vessel Inspections: A New Perspective. Marlow Offshore.

9. Elaine Rowan (UK), January 19, 2008, LBL Underwater Positioning, Электронный ресурс, URL: https://www.hydro-international.com/content/article/lbl-underwater-positioning, access date 03.01.2026

10. Fiveable. (2024, July 30). 7.1 Acoustic positioning systems – Underwater Robotics. https://fiveable.me/underwater-robotics/unit-7/acoustic-positioning-systems/study-guide/bkm1QFSPtc4TtzyC, access date 03.01.2026

11. Yuan, R.; Zhang, T.; Li, C.; Gao, H.; Hu, L. Laser Transmission Characteristics of Seawater for Underwater Wireless Optical Communication. Sensors 2025, 25, 3057. https://doi.org/10.3390/s25103057

12. Tabacchiera, Marco & Moriconi, Claudio & Cupertino, Giacomo & Betti, Silvello. (2015). Hybrid Acoustic Optic Communications in Underwater Swarms. 10.1109/OCEANS-Genova.2015.7271401.

13. Velazquez J.C., Caleyo F., Valor, A., Hallen J. M. Predictive model for pitting corrosion in buried oil and gas pipelines // Corrosion. 2002. № 65. Cс. 332–342.

14. Coelho, L.B., Zhang, D., Van Ingelgem, Y. et al. Reviewing machine learning of corrosion prediction in a data-oriented perspective // npj Mater Degrad.  2022.  № 6. https://doi.org/10.1038/s41529-022-00218-4.

15. Bhowmik, Subrata. (2019). Digital Twin of Subsea Pipelines: Conceptual Design Integrating IoT, Machine Learning and Data Analytics. 10.4043/29455-MS.

16. Markopoulos, E., et al. (2024). The Impact of Digital Twins Technology in Maritime Fleet and Safety Management. UCL Discovery.

17. Bachelor, et al. (2025). A Review of the Applications of Digital Twin Technology in Marine Research. ResearchGate.

18. MDPI Water (2025). Underwater Digital Twin Sensor Network-Based Maritime Communication and Monitoring.

19. MDPI Remote Sensing (2022). A Technique to Navigate Autonomous Underwater Vehicles Using a Virtual Coordinate Reference Network during Inspection of Industrial Subsea Structures.

20. Xu, Jiajie & Irigoien, Xabier & Alouini, Mohamed-Slim. (2024). State-of-the-Art Underwater Vehicles and Technologies Enabling Smart Ocean: Survey and Classifications. 10.48550/arXiv.2412.18667.

21. APL-UW Report (2020/2024 updated). Resident AUV: Maintenance and Operation of Installations.