Васильев Павел Владимирович, старший преподаватель кафедры «Информационные технологии»
Scopus ID: 57193327081
Researcher ID: P-8366-2017
344003, РФ, г. Ростов-на-Дону, пл. Гагарина, 1
Сеничев Александр Вадимович, аспирант кафедры «Информационные технологии»
344003, РФ, г. Ростов-на-Дону, пл. Гагарина, 1
Джорджо Иван, профессор кафедры «Гражданское, строительно-архитектурное и экологическое проектирование», исследователь в Международном исследовательском центре математики и механики сложных систем кандидат наук
Scopus ID: 24757867200
Researcher ID: E-9341-2010
Via Camponeschi, 19 Piazza Santa Margherita, 2 Palazzo Camponeschi, 67100 L'Aquila AQ, Italy
Introduction. The development of machine learning methods has given a new impulse to solving inverse problems in mechanics. Many studies show that along with well-behaved techniques of ultrasonic, magnetic, and thermal nondestructive testing, the latest methods are used, including those based on neural network models. In this paper, we demonstrate the potential application of machine learning methods in the problem of two-dimensional ultrasound imaging.
Materials and Methods. We have developed an experimental model of acoustic ultrasonic non-destructive testing, in which the probing of the object under study takes place, followed by the recording of the response signals. The propagation of an ultrasonic wave is modeled by the finite difference method in the time domain. An ultrasonic signal received at the internal points of the control object is applied to the input of the convolutional neural network. At the output, an image that visualizes the internal defect is generated.
Results. In the course of the performed complex of numerical experiments, a data set was generated for training a convolutional neural network. A convolutional neural network model, which is developed to solve the problem of visualizing internal defects based on methods of ultrasonic nondestructive testing, is presented. This model has a small size, which is 3.8 million parameters. Its simplicity and versatility provide high-speed learning and a wide range of applications in the class of related problems. The presented results show a high degree of information content of the ultrasonic response and its correspondence to the real form of an internal defect located inside the test object. The effect of geometric parameters of defects on the accuracy of the neural network model is investigated.
Discussion and Conclusion. The results obtained have established that the proposed model shows a high operating accuracy (F1 > 0.95) in cases when the wavelength of the probe pulse is tens of times less than the size of the defect. We believe that the combination of the proposed methods in this approach can serve as a good starting point for future research in solving flaw defection problems and inverse problems in general.
Введение. Развитие методов машинного обучения дало новый толчок в области решения обратных задач механики. Многие работы показывают, что наряду с хорошо зарекомендовавшими себя техниками ультразвукового, магнитного, теплового неразрушающего контроля, применяются новейшие методы, в том числе на основе нейросетевых моделей. В данной работе продемонстрирован потенциал применения методов машинного обучения в задаче двумерной ультразвуковой визуализации.
Материалы и методы. Авторами построена тестовая модель акустического ультразвукового неразрушающего контроля, в которой происходит зондирование исследуемого объекта с последующей фиксацией сигналовоткликов. Распространение ультразвуковой волны моделируется методом конечных разностей во временной области. На вход сверточной нейронной сети подается ультразвуковой сигнал, полученный во внутренних точках объекта контроля. На выходе генерируется изображение, визуализирующее внутренний дефект.
Результаты исследования. В ходе проведенного комплекса численных экспериментов был создан набор данных, предназначенный для обучения сверточной нейронной сети. Представлена сверточная нейросетевая модель, разработанная для решения задачи визуализации внутренних дефектов на основе методов ультразвукового неразрушающего контроля. Данная модель имеет небольшой размер, который составляет 3,8 миллиона параметров. Её простота и универсальность обеспечивают высокую скорость обучения и широкие возможности применения в классе смежных задач. Представленные результаты показывают высокую степень информативности ультразвукового отклика и его соответствия реальной форме внутреннего дефекта, находящегося внутри объекта контроля. Исследовано влияние геометрических параметров дефектов на точность работы нейросетевой модели.
Обсуждение и заключение. На основе полученных результатов выявлено, что предлагаемая модель показывает высокую точность работы (F1 > 0,95) в случаях, когда длина волны зондирующего импульса в десятки раз меньше размера дефекта. Авторы полагают, что комбинация предложенных методов в данном подходе может послужить хорошей отправной точкой для будущих исследований в области решения задач дефектоскопии и обратных задач в целом.
The authors declare that there are no conflicts of interest present.