Filtern
Dokumenttyp
Sprache
- Deutsch (3)
Referierte Publikation
- nein (3)
Schlagworte
- Geführte Ultraschallwellen (3) (entfernen)
Organisationseinheit der BAM
Bestimmung der Rissgeometrie bei der zerstörungsfreien Ultraschallprüfung mit geführten Wellen
(2019)
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.
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.
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.