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

Автор: Васильев П. В., Сеничев А. В., Джорджо И.

Журнал: Вестник Донского государственного технического университета @vestnik-donstu

Рубрика: Механика

Статья в выпуске: 2 т.21, 2021 года.

Бесплатный доступ

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.

Еще

Ультразвуковой неразрушающий контроль, дефект, ультразвуковой отклик, сверточные нейронные сети

Короткий адрес: https://sciup.org/142229418

IDR: 142229418   |   DOI: 10.23947/2687-1653-2021-21-2-143-153

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

  • 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
  • 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
  • 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/jinfrared.2019.103151
  • Luiz Felipe Simôes Hoffmann. Detection of liner surface defects in solid rocket motors using multilayer perceptron neural networks / Luiz Felipe Simôes Hoffmann, Francisco Carlos Parquet Bizarria, José Walter Parquet Bizarria // Polymer Testing. — 2020. — Vol. 88. — 106559. https://doi.org/10.1016/j.polymertesting.2020.106559
  • 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
  • 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
  • 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.
  • 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
  • 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
  • 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
  • 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.
  • 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.L4.541 'S 13. Goodfellow, I. Deep learning. Vol. 1. /Ian. Goodfellow, Yoshua Bengio, Aaron Courville // MIT Press, Cambridge, 2016. — 800 p.
  • 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.
  • 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. 152 https://doi.org/10.1109/CVPR.2016.90
  • Glorot, X. Understanding the difficulty of training deep feedforward neural networks / Xavier Glorot, Yoshua Bengio // JMLR Proceedings. — 2010. — Vol. 9. — P. 249-256.
  • 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.
  • 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
  • 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
  • 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
  • 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.
Еще
Статья научная