Preview

Advanced Engineering Research

Расширенный поиск

Нейросетевая технология идентификации размеров дефекта в полуплоскости на основе временного и позиционного сканирования

https://doi.org/10.23947/2687-1653-2020-20-3-205-215

Полный текст:

Аннотация

Введение. Актуальность выбранной темы исследования обусловлена необходимостью проведения быстрой оценки состояния и надежности материалов, применяемых в различных конструкциях. Целью работы явилось исследование параметров влияния дефекта на отклик поверхности среды на ударное воздействие. ешение обратной задачи о восстановлении радиуса дефекта базируется на основе сочетания расчетного подхода и применения искусственных нейронных сетей (ИНС). Авторами построена методика восстановления параметров дефекта на основе применения численного моделирования и ИНС.

Материалы и методы. Поставленная задача решается в плоской постановке с помощью метода конечных элементов (МКЭ). В работе использовались линейные уравнения теории упругости с учетом диссипации энергии. В качестве метода решения краевой задачи применялся метод конечных элементов, реализованный в пакете ANSYS. В качестве моделирования процесса применения (ИНС) — комплекс MATLAB.

Результаты исследования. Разработана конечно-элементная модель слоистой конструкции в плоской постановке задачи в пакете ANSYS. Решена задача определения нестационарных колебаний при импульсном нагружении для различных вариаций радиуса дефекта. Применено позиционное сканирование объекта исследований. Построены графические зависимости амплитуд колебаний точек на поверхности от радиуса дефекта.

Обсуждение и заключения. В качестве результатов исследования зависимостей откликов колебаний от радиуса дефекта был разработан подход к восстановлению данного параметра в плоской конструкции на основе сочетания метода конечных элементов и ИНС. Исследование показало, что использованного объема данных достаточно для успешного обучения построенной модели ИНС и проведения идентификации скрытого дефекта в конструкции.

Об авторах

А. Н. Соловьев
ФГБОУ ВО «Донской государственный технический университет»; ФГБОУ ВО «Южный федеральный университет»
Россия

Соловьев Аркадий Николаевич- заведующий кафедрой,  ведущий научный сотрудник лаборатории, доктор физико-математических наук, профессор.

344003,   РФ,   г.   Ростов-на-Дону,   пл. Гагарина, 1. 

344006, РФ, г. Ростов-на-Дону, ул. Б. Садовая, 105/42.

ResearcherID H-7906-2016,  ScopusID 55389991900



А. В. Черпаков
ФГБОУ ВО «Донской государственный технический университет»; ФГБОУ ВО «Южный федеральный университет»
Россия

Черпаков Александр Владимирович-старший научный сотрудник, доцент кафедры, кандидат технических наук.

344090, РФ, Ростов-на-Дону, ул. Мильчакова, 8 а.

344003,   РФ,   г.    Ростов-на-Дону, пл. Гагарина, 1.



П. В. Васильев
ФГБОУ ВО «Донской государственный технический университет»
Россия

Васильев Павел Владимирович-старший преподаватель кафедры.

344003, РФ, г. Ростов-на-Дону, пл. Гагарина, 1.

 



И. А. Паринов
ФГБОУ ВО «Южный федеральный университет»
Россия

Паринов Иван Анатольевич-ведущий научный сотрудник, доктор технических наук.

344090, РФ, Ростов-на-Дону, ул. Мильчакова, 8 а.


Е. В. Кириллова
Рейн-Майн Университет прикладных наук
Германия

Кириллова Евгения Вадимовна-профессор, кандидат физико-математических наук.

18, Kurt- Schumacher-Ring, Wiesbaden, 65197, Germany.

 ScopusID: 24402885500



Список литературы

1. Неразрушающие методы контроля / под ред. В. Я. Кершенбаума. — Москва : Наука и техника. — 1992. — 656 с.

2. Белокур, И. П. Дефектология и неразрушающий контроль / И. П. Белокур. — Киев : Выща школа. — 1990. — 208 с.

3. Интегральный диагностический признак идентификации повреждений в элементах стержневых конструкций / В. А. Акопьян, А. В. Черпаков, Е. В. Рожков, А. Н. Соловьев // Контроль. Диагностика. — 2012. — № 7. — С. 50–56.

4. Капцов, А. В. Определение параметров плоской эллиптической трещины в изотропном линейно упругом теле по результатам одного испытания на одноосное растяжение / А. В. Капцов, Е. И. Шифрин, П. С. Шушпанников // Известия Российской академии наук. Механика твердого тела. — 2012. — № 4. — С. 71– 88.

5. Sedov, A. V. Adaptive-spectral method of monitoring and diagnostic observability of static stresses of elements of mechanical constructions / A. V. Sedov, V. V. Kalinchuk, O. V. Bocharova // IOP Conference Series: Earth and Environmental Science. — 2017. — 87(8). — P. 082043.

6. Соловьев, А. Н. Ультразвуковая локация внутренних трещи ноподобных дефектов в составном упругом цилиндре с применением аппарата искусственных нейронных сетей / А. Н. Соловьев, Б. В. Соболь, П. В. Васильев // Дефектоскопия. — 2016. — Т. 52, № 3. — С. 3–9.

7. Xia, J. Estimation of near-surface shear-wave velocity by inversion of Rayleigh waves / J. Xia, R. D. Miller, C. B. Park // Geophysics. — 1999. — Vol. 64, no. 3. — P. 691–700.

8. Esipov, Y. V. Criteria for identification of stress state of periodic rod construction based on ferroelectric sensors of deformation / Y. V. Esipov, V. M. Mukhortov, I. I. Pojda // Piezoelectrics and Related Materials: Investigations and Applications. — 2012. — P. 283−291.

9. Evtushenko, S. I. Identification of soils, grounds and lands strata using the acoustic spectral analysis / S. I. Evtushenko, V. A. Lepikhova, N. V. Lyashenko [et al.] // IOP Conf. Series: Materials Science and Engineering. — 2020. — Vol. 913. — P. 052043. DOI:10.1088/1757-899X/913/5/052043

10. Ильгамов, М. А. Диагностика повреждений балки на шарнирных опорах / М. А. Ильгамов, А. Г. Хакимов // Строительная механика инженерных конструкций и сооружений. — 2010. — № 2. — С. 42–48.

11. Park, C. B. Combined use of active and passive surface waves / C.B. Park, R.D. Miller, N. Ryden [et al.] // Journal of Environmental & Engineering Geophysics. — 2005. — Vol. 10, no. 3. — P. 323−334.

12. Brigante, M. Acoustic Methods for the Nondestructive Testing of Concrete: A Review of Foreign Publications in the Experimental Field / M. Brigante, M. A. Sumbatyan // Russian Journal of Nondestructive Testing. — 2013. — Vol. 49, no. 2. — P. 100–111.

13. Park, C. B. Roadside passive multichannel analysis of surface waves (MASW) / C. B. Park, R. D. Miller // Journal of Environmental & Engineering Geophysics. — 2008. — Vol. 13, no. 1. — P. 1–11.

14. Lyapin, A. A. Improving Road Pavement Characteristics / A. A. Lyapin, I. A. Parinov, N. I. Buravchuk [et al.] // Springer, Cham. — 2020. — 254 p. DOI: 10.1007/978-3-030-59230-1

15. Haykin, S. Neural Networks: a comprehensive foundation / S. Haykin. — 2nd ed. — Prentice Hall. — 1998. — 842 p.

16. Krasnoshchekov, A. A. Identification of crack-like defects in elastic structural elements on the basis of evolution algorithms / A. A. Krasnoshchekov, B. V. Sobol, A. N. Solov'ev [et al.] // Russian Journal of Nondestructive Testing. — 2011. — 47(6). — 412−419.

17. Waszczyszyn, Z. Neural networks in mechanics of structures and materials – new results and prospects of applications / Z. Waszczyszyn, L. Ziemianski // Computers and Structures.— 2001. — Vol. 79, iss. 22−25. — P. 2261−2276.

18. Зиновьев, А. Ю. Визуализация многомерных данных / А. Ю. Зиновьев. — Красноярск : Изд-во Красноярского государственного технического университета. — 2000. — 180 c.

19. Liu, S.W. Detection of cracks using neural networks and computational mechanics / S.W. Liu, J.H. Huang, J.C. Sung [et al.] // Computer Methods in Applied Mechanics and Engineering. — 2002. — Vol. 191, iss. 25−26. — P. 2831−2845. DOI: 10.1016/S0045-7825(02)00221-9

20. Khandetsky, V. Signal processing in defect detection using back-propagation neural networks / V. Khandetsky, I. Antonyuk // NDT&E International. — 2002. — Vol. 35, iss. 7. — P. 483−488.

21. Xu, Y.G. Adaptive multilayer perceptron networks for detection of cracks in anisotropic laminated plates / Y.G. Xu [et al.] // International Journal of Solids and Structures. — 2001. — Vol. 38. — P. 5625−5645.

22. Fang, X. Structural damage detection using neural network with learning rate improvement / X. Fang, H. Luo, J. Tang // Computers and Structures. — 2005.  Vol. 83. — P. 2150–2161.

23. Hernandez-Gomez, L. H. Locating defects using dynamic strain analysis and artificial neural networks / L. H. Hernandez-Gomez, J. F. Durodola, N. A. Fellows [et al.] // Applied Mechanics and Materials. — 2005. — Iss. 3−4. — P. 325−330.

24. Soloviev, A. Identification of crack-like defect and investigation of stress concentration in coated bar / A. Soloviev, B. Sobol, P. Vasiliev // In: Springer Proceedings in Physics. — 2019. — Iss. 4. — P. 165−174.

25. Pozharskii, D.A. Periodic crack system in a layered elastic wedge / D.A. Pozharskii, V.N. Sobol’, P.V. Vasil’ev // Mechanics of Advanced Materials and Structures. — 2020. — Vol. 27(4). — P. 318−324.

26. Cherpakov, A.V. The Study of Stratification of Multilayer Structures Based on Finite Element Modeling and Neural Network Technologies / A. V. Cherpakov, P. V. Vasiliev, A. N. Soloviev [et al.] // Advanced Materials. Proc. Int. Conf. on Physics and Mechanics of New Materials and Their Applications, PHENMA 2019. — 2020. — P. 439−447. DOI: 10.1007/978-3-030-45120-2

27. Ватульян, А. О. Обратные задачи в механике деформируемого твердого тела / А. О. Ватульян. — Москва : Физматлит. — 2007. — 224 с.

28. Многократное рассеяние ультразвуковых волн на системе пространственных дефектов канонической формы (теория и эксперимент) / Н. В. Боев, Х. М. Эль-Мараби, В. А. Вдовин, В. М. Зотов // Вестник Донского государственного технического университета. — 2012. — № 12 (3). — С. 5–10.

29. Lyapin, A. Structural Monitoring of Underground Structures in Multi-Layer Media by Dynamic Methods / A. Lyapin, A. Beskopylny, B. Meskhi // Sensors. — 2020. — 20(18). — P. 5241. DOI: 10.3390/s20185241

30. Идентификация параметров повреждений в упругом стержне с использованием конечноэлементного и экспериментального анализа мод изгибных колебаний / А. В. Черпаков, В. А. Акопьян, А. Н. Соловьев [и др.] // Вестник Донского государственного технического университета. — 2011. — Т. 11, № 3 (54). — С. 312–318.

31. Cherpakov, A.V. Simulation of wave processes in the multilayer structure surface layer properties identification by the finite element method / A. V. Cherpakov, O. V. Shilyaeva, M. N. Grigoryan [et al.] // IOP Conf. Ser.: Mater. Sci. Eng. — 2019. — Vol.698. — P. 066021.

32. Cogranne, R. Statistical detection of defects in radiographic images using an adaptive parametric model / R. Cogranne, F. Retraint // Signal Processing. — 2014. — Vol. 96, part B. — P. 173−189.

33. Ватульян, А. О. Поперечные колебания балки с локализованными неоднородностями. / А. О. Ватульян, А. В. Осипов // Вестник Донского государственного технического университета. — 2012. — №12(8). — С. 34–40.

34. Shevtsov, S. N. Piezoelectric Actuators and Generators for Energy Harvesting / S. N. Shevtsov, A. N. Soloviev, I. A. Parinov [et al.] // Heidelberg, Springer. — 2018. — 182 p.

35. Васильченко, К. Е. К расчету амплитудно-частотных характеристик задач об установившихся колебаниях на основе кластерных технологий в ACELAN / К. Е. Васильченко, А. В. Наседкин, А. Н. Соловьев // Вычислительные технологии. — 2005. — Т. 10, № 1. — С. 10–20. 36.

36. Krasil’nikov, V.A. Introduction to Physical Acoustics / V.A. Krasil’nikov, V.V. Krylov // Moscow: Nauka, 1984. — 400 p.

37. Kingma, D. P. Adam: A Method for Stochastic Optimization / D. P. Kingma, J. Ba // Proc. 3rd International Conference for Learning Representation, San Diego. 2015.


Для цитирования:


Соловьев А.Н., Черпаков А.В., Васильев П.В., Паринов И.А., Кириллова Е.В. Нейросетевая технология идентификации размеров дефекта в полуплоскости на основе временного и позиционного сканирования. Advanced Engineering Research. 2020;20(3):205-215. https://doi.org/10.23947/2687-1653-2020-20-3-205-215

For citation:


Solov'ev A.N., Cherpakov A.V., Vasil’ev P.V., Parinov I.A., Kirillova E.V. Neural network technology for identifying defect sizes in half-plane based on time and positional scanning. Advanced Engineering Research. 2020;20(3):205-215. (In Russ.) https://doi.org/10.23947/2687-1653-2020-20-3-205-215

Просмотров: 96


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 2687-1653 (Online)