Analytische Chemie
Filtern
Erscheinungsjahr
- 2021 (5)
Dokumenttyp
- Beitrag zu einem Tagungsband (3)
- Vortrag (2)
Referierte Publikation
- nein (5)
Schlagworte
- Inverse Probleme (5) (entfernen)
Organisationseinheit der BAM
Eingeladener Vortrag
- nein (2)
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.
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.
Eine zentrale Aufgabe der zerstörungsfreien Prüfung und der Strukturüberwachung (engl. Structural Health Monitoring - SHM) mit Ultraschallwellen ist die Bewertung von Schäden in Bauteilen. In vielen Bauteilen, wie zum Beispiel platten- und schalenförmigen Strukturen, Rohrleitungen oder Laminaten, breitet sich der Ultraschall in Form geführter Wellen aus. Zwar haben geführte Wellen eine relativ große Reichweite innerhalb des Bauteils und ermöglichen so eine großflächige Prüfung, ihre multimodalen und dispersiven Eigenschaften erschweren jedoch die Analyse der vom Schaden kommenden Reflexionen. Eine Möglichkeit, die Messsignale zu interpretieren und die Schäden zu charakterisieren, ist deren Vergleich mit der Wellenausbreitung in einem digitalen Modell. Hierbei stellt sich die Aufgabe, den Schaden im digitalen Modell anhand der Messdaten zu rekonstruieren. Diese Rekonstruktion beschreibt ein inverses Problem, das mehrere Vorwärtsrechnungen braucht, um das Schadensmodell an die Messdaten anzupassen. Durch die kleine Wellenlänge von Ultraschallwellen sind klassische Vorwärtsmethoden wie die Finte Elemente Methode rechenintensiv, weshalb die Autoren die semi-analytische Scaled Boundary Finite Element Method (SBFEM) benutzen, um den Rechenaufwand zu verringern. Im Beitrag wird ein inverses Verfahren basierend auf dem Automatischen Differenzieren in Kombination mit der SBFEM vorgestellt und an verschiedenen Schadenstypen in 2D-Querschnittmodellen von Wellenleitern getestet. In der präsentierten Vorstudie werden dafür „Messdaten“ aus unabhängigen Simulationen verwendet.
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.