TY - CONF A1 - Held, Mathias A1 - Rashwan, Abdalla A1 - Bulling, Jannis A1 - Lugovtsova, Yevgeniya A1 - Lauschkin, Maik A1 - Prager, Jens T1 - Inverse Bestimmung elastischer Materialparameter aus dem Ausbreitungsverhalten geführter Ultraschallwellen mittels eines Convolutional Neuronal Networks N2 - Detailliertes Wissen über die mechanischen Eigenschaften verwendeter Materialien ist Grundvoraussetzung für viele ingenieurtechnische Aufgaben und Dienstleistungen. Zur Bestimmung der elastischen Materialparameter gibt es verschiedene klassische, zerstörende Prüfverfahren. Eine Möglichkeit der zerstörungsfreien Bestimmung liegt in der Auswertung von Messergebnissen, die auf Basis des Ausbreitungsverhaltens geführter Ultraschallwellen gewonnen wurden. Das Ausbreitungsverhalten geführter Ultraschallwellen kann mittels Dispersionsabbildungen dargestellt werden. Um aus messtechnisch ermittelten Dispersionsabbildungen Rückschlüsse auf die Materialparameter zu ziehen, werden in der aktuellen Forschung verschiedene inverse Methoden diskutiert. Maschinelles Lernen und insbesondere Convolutional Neural Networks (CNNs) stellen eine Möglichkeit der automatisierten inversen Modellierung und Evaluierung von Bilddaten dar. In diesem Beitrag wird gezeigt, wie das Ausbreitungsverhalten von geführten Ultraschallwellen unter Verwendung von CNNs genutzt werden kann, um die isotropen elastischen Konstanten einer plattenförmigen Struktur zu bestimmen. Hierfür werden die verwendeten Daten analysiert, das Preprocessing erläutert und eine grundlegende CNN-Architektur gewählt. Zur Auswertung des generierten Modells werden verschiedene Verfahren wie Gradienten-Mapping und die Visualisierung der verschiedenen Schichten vorgestellt. Die Anwendbarkeit der Methode wird anhand synthetischer Daten demonstriert. T2 - DAGA 2021 CY - Vienna, Austria DA - 15.08.2021 KW - Geführte Ultraschallwellen KW - Inverse Probleme KW - Materialcharakterisierung KW - Maschinelles Lernen KW - Dispersion KW - Lamb Wellen PY - 2021 SN - 978-3-939296-18-8 VL - 47 SP - 659 EP - 662 AN - OPUS4-53492 LA - deu AD - Bundesanstalt fuer Materialforschung und -pruefung (BAM), Berlin, Germany ER - TY - CONF A1 - Held, Mathias A1 - Rashwan, Abdalla A1 - Lauschkin, Maik A1 - Bulling, Jannis A1 - Lugovtsova, Yevgeniya A1 - Prager, Jens T1 - Inverse determination of elastic material parameters from ultrasonic guided waves dispersion measurements using Convolutional Neuronal Networks N2 - In the context of Industry 4.0 and especially in the field of Structural Health Monitoring, Condition Monitoring and Digital Twins, simulations are becoming more and more important. The exact determination of material parameters is required for realistic results of numerical simulations of the static and dynamic behavior of technical structures. There are many possibilities to determine elastic material parameters. One possibility of non-destructive testing are ultrasonic guided waves. For the evaluation of the measurement results, mostly inverse methods are applied in order to be able to draw conclusions about the elastic material parameters from analysing the ultrasonic guided wave propagation. For the inverse determination of the elastic material Parameters with ultrasonic guided waves, several investigations were carried out, e.g. the determination of the isotropic material parameters through the point of zero-groupvelocity or anisotropic material parameters with a simplex algorithm. These investigations are based on the evaluation of dispersion images. Machine learning and in particular Convolutional Neural Networks (CNN) are one possibility of the automated evaluation from Image data, e.g. classification or object recognition problems. This article shows how the dispersive behavior of ultrasonic guided waves and CNNs can be used to determine the isotropic elastic constants of plate-like structures. T2 - SMSI 2021 2021-05-03 - 2021-05-06 digital CY - Online meeting DA - 03.05.2021 KW - Convolutional Neuronal Networks KW - Inverse Probleme KW - Materialcharakterisierung KW - guided waves KW - Dispersion PY - 2021 SN - 978-3-9819376-4-0 U6 - https://doi.org/10.5162/SMSI2021/A10.2 VL - 2021 SP - 239 EP - 240 AN - OPUS4-52618 LA - eng AD - Bundesanstalt fuer Materialforschung und -pruefung (BAM), Berlin, Germany ER - TY - CONF A1 - Lauschkin, Maik A1 - Bulling, Jannis A1 - Lugovtsova, Yevgeniya A1 - Wasmer, P. A1 - Prager, Jens T1 - Bestimmung von Materialparametern aus dem dispersiven Verhalten geführter Wellen mittels neuronaler Netze N2 - Damit eine Simulationsrechnung, beispielsweise mit einer FEM-Software, eine ausreichend hohe Genauigkeit erreicht, muss vorausgesetzt werden, dass die Modellparameter eine sehr hohe Güte aufweisen. Die genaue Kenntnis der Materialparameter ist dabei von besonderer Bedeutung. Um diese Parameter bestimmen zu können, müssen die verwendeten Werkstoffe messtechnisch charakterisiert werden. Neben anderen Ansätzen sind dafür akustische Verfahren im Ultraschallbereich geeignet. Für dünnwandige und plattenförmige Materialien können aus den sich ausbreitenden geführten Wellen messtechnisch Dispersionskurven bestimmt und aus diesen die Materialparameter abgeleitet werden. Da für die Signalverarbeitung und für Optimierungsaufgaben aktuell zunehmend Machine Learning Tools zum Einsatz kommen, stellt sich die Frage, ob diese Werkzeuge auch für die Ermittlung der Materialparameter aus den gemessenen Dispersionskurven eingesetzt werden können. In der vorgestellten Untersuchung soll ein Convolutional Neural Network aufgestellt werden, welches aus Dispersionsbildern Muster extrahiert und aus diesen eine Schätzung für die Materialparameter ermittelt. Um die Machbarkeit dieses Ansatzes zu prüfen, werden zunächst nur isotrope Materialien betrachtet. Für das Netz werden mit der Scaled-Boundary-Finite-Element-Methode synthetische Daten für das Trainieren und Validieren generiert. Zusätzlich werden die Hyperparameter des neuronalen Netzes variiert, um ein optimales Model für die Schätzung zu finden. Anschließend kann das Netz mit experimentellen Daten getestet und das Ergebnis hinsichtlich der Genauigkeit bewertet werden. T2 - DAGA 2020 - 46. Jahrestagung für Akustik CY - Meeting was canceled DA - 16.03.2020 KW - Machinelles Lernen KW - Geführte Ultraschallwellen KW - Materialcharakterisierung KW - Elastische Konstanten KW - Isotrope Materialien PY - 2020 SN - 978-3-939296-17-1 SP - 571 EP - 574 PB - Deutsche Gesellschaft für Akustik e.V. CY - Berlin AN - OPUS4-50765 LA - deu AD - Bundesanstalt fuer Materialforschung und -pruefung (BAM), Berlin, Germany ER -