Preview

Advanced Engineering Research

Расширенный поиск

Визуализация внутренних дефектов с применением глубокой генеративной нейросетевой модели и ультразвукового неразрушающего контроля

https://doi.org/10.23947/2687-1653-2021-21-2-143-153

Полный текст:

Аннотация

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. 

Об авторах

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

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



А. В. Сеничев
ФГБОУ ВО «Донской государственный технический университет»
Россия

Сеничев Александр Вадимович, аспирант кафедры «Информационные технологии»

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



И. Джорджо
Университет Л’Акуилы
Италия

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

 



Список литературы

1. Steel crack depth estimation based on 2D images using artificial neural networks / Yasser S. Mohamed, Hesham M. Shehata, Mohamed Abdellatif [et al.] // Alexandria Engineering Journal. — 2019. — Vol. 58 (4). — P. 1167—1174. https://doi.org/10.1016/j.aej.2019.10.001

2. A deep transfer learning model for inclusion defect detection of aeronautics composite materials / Yanfeng Gong, Hongliang Shao, Jun Luo, Zhixue Li // Composite Structures. — 2020. — Vol. 252. — 112681. https://doi.org/10.1016/j.compstruct.2020.112681

3. Three-dimensional subsurface defect shape reconstruction and visualisation by pulsed thermography / Adisorn Sirikham, Yifan Zhao, Haochen Liu [et al.] // Infrared Physics & Technology. — 2020. — Vol. 104. — 103151. https://doi.org/10.1016/j.infrared.2019.103151

4. Luiz Felipe Simões Hoffmann. Detection of liner surface defects in solid rocket motors using multilayer perceptron neural networks / Luiz Felipe Simões Hoffmann, Francisco Carlos Parquet Bizarria, José Walter Parquet Bizarria // Polymer Testing. — 2020. — Vol. 88. — 106559. https://doi.org/10.1016/j.polymertesting.2020.106559

5. Artificial Neural Networks and Fuzzy Logic in Nondestructive Evaluation / Ryszard Sikora, Piotr Baniukiewicz, Tomasz Chady [et al.] // Studies in Applied Electromagnetics and Mechanics. — 2014. — Vol. 38. — P.137−151. https://doi.org/10.3233/978-1-61499-354-4-137

6. Puzyrev, V. Deep learning electromagnetic inversion with convolutional neural networks / Vladimir Puzyrev // Geophysical Journal International. — 2019. — Vol. 218 (2). — P. 817–832. https://doi.org/10.1093/gji/ggz204

7. Soloviev, A. N. Ultrasonic and Magnetic Flow Inspection Methods of Identification of Cracks in the Pipe Coupled with Artificial Neural Networks / A.N. Soloviev, B.V. Sobol, P. V. Vasiliev // Advanced Materials. Springer Proceedings in Physics. — 2017. — Vol. 193. — P. 381−395.

8. Generative Artificial Neural Network Model for Visualization of Internal Defects of Structural Elements / A. Soloviev, B. Sobol, P. Vasiliev, A. Senichev // Advanced Materials. Springer Proceedings in Materials. — 2020. — Vol. 6. — P. 587−595. https://doi.org/10.1007/978-3-030-45120-2_48

9. Identification of crack-like defect and investigation of stress concentration in coated bar / B.V. Sobol, A.N. Soloviev, E. V. Rashidova P. V. Vasiliev // PNRPU Mechanics Bulletin. — 2019. — No. 4. — P. 165−174. https://doi.org/10.15593/perm.mech/2019.4.16

10. Yee, K. Numerical solution of initial boundary value problems involving Maxwell's equations in isotropic media / Kane Yee // IEEE Transactions on Antennas and Propagation. — 1966. — Vol. 14 (3). — P. 302−307. https://doi.org/10.1109/TAP.1966.1138693

11. Berenger, J.-P. A perfectly matched layer for the absorption of electromagnetic waves / Jean-Pierre Berenger // Journal of Computational Physics. — 1994. — Vol. 114 (2). — P. 185−200.

12. Backpropagation applied to handwritten zip code recognition / Y. LeCun, B. Boser, J.S. Denker [et al.] // Neural Computation. — 1989. — Vol. 1 (4). — P. 541−551. https://doi.org/10.1162/neco.1989.1.4.541

13. Goodfellow, I. Deep learning. Vol. 1. /Ian. Goodfellow, Yoshua Bengio, Aaron Courville // MIT Press, Cambridge, 2016. — 800 p.

14. Krizhevsky, A. ImageNet classification with deep convolutional neural networks / A. Krizhevsky, I. Sutskever, G. E. Hinton // Advances in Neural Information Processing Systems. — 2012. — Vol. 25. — P. 1097– 1105.

15. Deep residual learning for image recognition / Kaiming He, Xiangyu Zhang, Shaoqing Ren, Jian Sun // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. — 2016. — P. 770−778. https://doi.org/10.1109/CVPR.2016.90

16. Glorot, X. Understanding the difficulty of training deep feedforward neural networks / Xavier Glorot, Yoshua Bengio // JMLR Proceedings. — 2010. — Vol. 9. — P. 249−256.

17. Ioffe, S. Batch normalization: accelerating deep network training by reducing internal covariate shift. / S. Ioffe, Ch. Szegedy // Proceedings of the 32nd International Conference on International Conference on Machine Learning. — 2015. — Vol. 37. — P. 448–456.

18. Kingma, D. P. Adam: A method for stochastic optimization / D. P. Kingma, J. Ba // In: Proc. 3rd International Conference for Learning Representations. — 2014. arXiv preprint arXiv:1412.6980

19. Puzyrev, V. Deep learning electromagnetic inversion with convolutional neural networks / Vladimir Puzyrev // Geophysical Journal International. — 2019. — Vol. 218 (2). — P. 817–832. https://doi.org/10.1093/gji/ggz204

20. Two-dimensional Ultrasound Imaging Technique based on Neural Network using Acoustic Simulation / Y. Nagatani, S. Okumura, S. Wu, T. Matsuda // Medical Physics. — 2020. arXiv:2004.08775v1

21. Solov’ev, A. N. Ultrasonic Location of Inner Crack Defects in a Compound Elastic Cylinder Using an Artificial Neural-Network Apparatus / A. N. Solov’ev, B. V. Sobol’, P. V. Vasil’ev // Russian Journal of Nondestructive Testing. — 2016. — Vol. 52 (3). — P. 119–124.


Для цитирования:


Васильев П.В., Сеничев А.В., Джорджо И. Визуализация внутренних дефектов с применением глубокой генеративной нейросетевой модели и ультразвукового неразрушающего контроля. Advanced Engineering Research. 2021;21(2):143-153. https://doi.org/10.23947/2687-1653-2021-21-2-143-153

For citation:


Vasiliev Р.V., Senichev А.V., Giorgio I. Visualization of internal defects using a deep generative neural network model and ultrasonic nondestructive testing. Advanced Engineering Research. 2021;21(2):143-153. https://doi.org/10.23947/2687-1653-2021-21-2-143-153

Просмотров: 192


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


ISSN 2687-1653 (Online)