Chemie und Prozesstechnik
Filtern
Dokumenttyp
- Beitrag zu einem Tagungsband (2)
- Vortrag (2)
- Zeitschriftenartikel (1)
Schlagworte
- Dispersion (5) (entfernen)
Organisationseinheit der BAM
Eingeladener Vortrag
- nein (2)
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.
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.
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.
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.
Pulse and flash thermography are experimental techniques which are widely used in the field of non-destructive testing for materials characterization and defect detection. We recently showed that it is possible to determine quantitatively the thickness of semitransparent polymeric solids by fitting of results of an analytical model to experimental flash thermography data, for both transmission and reflection configuration. However, depending on the chosen experimental configuration, different effective optical absorption coefficients had to be used in the model to properly fit the respective experimental data, although the material was always the same. Here, we show that this effect can be explained by the wavelength dependency of the absorption coefficient of the sample material if a polychromatic light source, such as a flash lamp, is used. We present an extension of the analytical model to describe the decay of the heating irradiance by two instead of only one effective absorption coefficient, greatly extending its applicability. We show that using this extended model, the experimental results from both measurement configurations and for different sample thicknesses can be fitted by a single set of parameters. Additionally, the deviations between experimental and modeled surface temperatures are reduced compared to a single optimized effective absorption coefficient.