TY - CONF A1 - Bulling, Jannis A1 - Prager, Jens T1 - Bestimmung der Rissgeometrie bei der zerstörungsfreien Ultraschallprüfung mit geführten Wellen N2 - In der zerstörungsfreien Prüfung werden in zunehmendem Maße geführte Ultraschallwellen zur Lokalisation von Fehlstellen genutzt. Geführte Ultraschallwellen zeichnen sich dadurch aus, dass sie große Distanzen innerhalb des zu prüfenden Bauteiles zurücklegen können. Das Ultraschallwellenfeld setzt sich dabei aus verschieden Moden zusammen. Etablierte Prüfverfahren mit geführten Wellen ermitteln häufig nur die Position der Fehlstelle, wobei die Laufzeiten der reflektierten Signale ausgewertet wird. Modenumwandlung bleibt dabei zumeist unberücksichtigt. Die Charakterisierung der Fehlstelle, zum Beispiel hinsichtlich der Länge eines Risses, ist dagegen herausfordernd. Aussagekräftige Zusammenhänge zwischen der Dimension oder Geometrie der Fehlstelle und ihrer Interaktion mit der Ultraschallwelle zu finden, ist Teil aktueller Forschung. Insbesondere eine Betrachtung der Moden höherer Ordnung und deren Amplitudenverhältnisse kann beim Aufspüren dieser Zusammenhänge hilfreich sein. Im Beitrag werden zunächst die Zusammenhänge zwischen den beiden fundamentalen Moden in einer isotropen Platte und der Länge eines Risses untersucht. Aus den Ergebnissen wird ein inverses Verfahren motiviert. Ein Algorithmus wird vorgestellt, der die Risslänge im Modell solange variiert, bis er die modalen Zusammenhänge einer Vorgabe oder einer Messung rekonstruiert. Die eingesetzte Scaled Boundary Finite Element Method ermöglicht dabei eine sehr kurze Rechenzeit in jeden Optimierungsschritt. Zusätzlich ermöglicht die Methode eine Auswertung der modalen Zusammenhänge ohne Postprocessing, was die Rechenzeiten weiter verkürzt. T2 - DAGA 2019 - 45. Jahrestagung für Akustik CY - Rostock, Germany DA - 18.03.2019 KW - Geführte Ultraschallwellen KW - Zerstörungsfreien Prüfung KW - Scaled Boundary Finite Element Method PY - 2019 VL - 45 SP - 1063 PB - Deutsche Gesellschaft für Akustik e.V. AN - OPUS4-47783 LA - deu 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 - 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 -