• Treffer 1 von 3
Zurück zur Trefferliste

Inverse Bestimmung elastischer Materialparameter aus dem Ausbreitungsverhalten geführter Ultraschallwellen mittels eines Convolutional Neuronal Networks

  • 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 vonDetailliertes 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.zeige mehrzeige weniger

Volltext Dateien herunterladen

  • daga21_Inverse_Bestimmung_elastischer_Materialparameter.pdf
    deu
  • daga21_Inhaltsverzeichnis.pdf
    deu

    Inhaltsverzeichnis des Tagungsbandes

Metadaten exportieren

Weitere Dienste

Teilen auf Twitter Suche bei Google Scholar Anzahl der Zugriffe auf dieses Dokument
Metadaten
Autor*innen:Mathias Held, Abdalla Rashwan, Jannis BullingORCiD, Yevgeniya LugovtsovaORCiD, Maik Lauschkin, Jens PragerORCiD
Dokumenttyp:Beitrag zu einem Tagungsband
Veröffentlichungsform:Graue Literatur
Sprache:Deutsch
Titel des übergeordneten Werkes (Deutsch):Tagungsband DAGA 2021 - 47. Jahrestagung für Akustik
Jahr der Erstveröffentlichung:2021
Organisationseinheit der BAM:8 Zerstörungsfreie Prüfung
8 Zerstörungsfreie Prüfung / 8.4 Akustische und elektromagnetische Verfahren
Jahrgang/Band:47
Erste Seite:659
Letzte Seite:662
DDC-Klassifikation:Naturwissenschaften und Mathematik / Chemie / Analytische Chemie
Freie Schlagwörter:Dispersion; Geführte Ultraschallwellen; Inverse Probleme; Lamb Wellen; Maschinelles Lernen; Materialcharakterisierung
Themenfelder/Aktivitätsfelder der BAM:Chemie und Prozesstechnik
Veranstaltung:DAGA 2021
Veranstaltungsort:Vienna, Austria
Beginndatum der Veranstaltung:15.08.2021
Enddatum der Veranstaltung:18.08.2021
ISBN:978-3-939296-18-8
Verfügbarkeit des Dokuments:Datei im Netzwerk der BAM verfügbar ("Closed Access")
Datum der Freischaltung:11.10.2021
Referierte Publikation:Nein
Einverstanden
Diese Webseite verwendet technisch erforderliche Session-Cookies. Durch die weitere Nutzung der Webseite stimmen Sie diesem zu. Unsere Datenschutzerklärung finden Sie hier.