Filtern
Dokumenttyp
- Vortrag (4) (entfernen)
Sprache
- Englisch (4)
Referierte Publikation
- nein (4)
Schlagworte
- Convolutional Neuronal Networks (2)
- Dispersion (2)
- Guided waves (2)
- Inverse Probleme (2)
- Maschinelles Lernen (2)
- Materialcharakterisierung (2)
- Dispersionsabbildungen (1)
- Elastische Konstanten (1)
- Guided Waves (1)
- Lamb Wellen (1)
Organisationseinheit der BAM
Eingeladener Vortrag
- nein (4)
Um aus messtechnisch ermittelten Dispersionsabbildungen geführter Ultraschallwellen 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 Vortrag wird anhand synthetischer Daten gezeigt, wie das Ausbreitungsverhalten von geführten Ultraschallwellen unter Verwendung von CNNs genutzt werden kann, um die isotropen elastischen Konstanten einer plattenförmigen Struktur zu bestimmen.
This presentation shows how the dispersive behavior of ultrasonic guided waves in isotropic materials can be used by means of Convolutional Neural Networks to determine the elastic parameters. For this purpose, the preprocessing, the training, the chosen architecture and the results are evaluated on the basis synthetic image data. This presentation was given at the SMSI 2021.
Geführte Ultraschallwellen sind für die Materialcharakterisierung hervorragend geeignet, da ihr Ausbreitungsverhalten abhängig von den Materialeigenschaften des untersuchten Werkstoffs ist.
Um aus dem messtechnisch ermittelten Ausbreitungsverhalten geführter Ultraschallwellen Rückschlüsse auf die Materialparameter zu ziehen, werden in der aktuellen Forschung verschiedene inverse Methoden diskutiert. Dispersionsabbildungen im Frequenz-Wellenzahl-Bereich repräsentieren das Ausbreitungsverhalten geführter Ultraschallwellen. Maschinelles Lernen und insbesondere Convolutional-Neural-Networks (CNNs) sind eine Möglichkeit der automatisierten inversen Bestimmung der Materialparameter aus den Dispersionsabbildungen.
In diesem Beitrag wird anhand synthetischer Daten gezeigt, wie das Ausbreitungsverhalten von geführten Ultraschallwellen unter Verwendung von CNNs und Dispersionsabbildungen genutzt werden kann, um die elastischen Konstanten einer isotropen plattenförmigen Struktur zu bestimmen. Anhand dieses Beispiels wird das generelle Vorgehen zur Anwendung maschineller neuronaler Lernverfahren aufgezeigt. Hierfür werden die verwendeten Daten analysiert, das Preprocessing erläutert und eine einfache CNN-Architektur gewählt. Im Rahmen der Auswertung wird insbesondere Wert auf die Erklärbarkeit und Zuverlässigkeit des verwendeten CNNs gelegt und so Grenzen und Möglichkeiten aufgezeigt.
Detaillierte Kenntnisse der elastischen Materialeigenschaften sind in vielen ingenieurtechnischen Bereichen von grundlegender Bedeutung. Insbesondere für die Anwendung von Predictive Maintenance und Structural- Health-Monitoring Methoden mit Ultraschall ist die genaue Kenntnis der elastischen Materialkonstanten eine Grundvoraussetzung. Die von den Herstellern zur Verfügung gestellten Angaben zu den elastischen Materialkonstanten, insbesondere für Polymere und faserverstärkte Kunststoffe, sind jedoch oft unzureichend, da diese vom Produktionsprozess abhängig sind und sich zusätzlich aufgrund von Materialabbauprozessen oder Ermüdung ändern können. In der Praxis liegen polymere Werkstoffe, faserverstärkte Kunststoffe und Metalle oft als dünne, plattenförmige Strukturen vor, in welchen sich geführte Ultraschallwellen (UGWs) ausbreiten können. In der aktuellen Forschung sind bereits verschiedene Neuronale Modelle zur Bestimmung der elastischen Konstanten und der Materialcharakterisierung mittels UGWs bekannt. Ein einfaches neuronales Netz, mit aus Dispersionsbildern extrahierten Werten für Frequenz und Wellenzahl ausbeutungsfähiger Moden als Eingabe, zur Vorhersage der elastischen Konstanten wird in verwendet. Ein rekurrentes Neuronales Netz mit einem Zeit-Frequenz Vektor als Eingabe wird in angewandt, während in ein 1D- Convolutional-Neuronal-Networks (CNN) unter Verwendung der zeitlichen Auslenkung der Grundmoden und in ein 2D-CNN unter Verwendung einer polaren Gruppengeschwindigkeitsdarstellung zur Bestimmung der elastischen Konstanten verwendet wird. In diesem Vortrag wird ein Ansatz zur Bestimmung der isotropen elastischen Konstanten von dünnen Platten auf der Grundlage von UGWs unter Verwendung von Dispersionsbildern und 2D-CNNs vorgestellt. Dispersionsabbildungen aus numerischen Simulationen werden mithilfe verschiedener Methoden vorverarbeitet, um realistische Messdaten zu simulieren. Mit den modifizierten Daten wird das Modell trainiert und die Architektur optimiert. Anschließend wird die Genauigkeit des erzeugten Modells mit realen Messdaten validiert. Es wird gezeigt, dass 2D-CNNs in der Lage sind, die isotropen elastischen Konstanten anhand multimodaler Merkmale aus Dispersionsbildern vorherzusagen, ohne dass eine anfängliche Schätzung der Parameter oder manuelle Merkmalsextraktion erforderlich ist.