畳み込みニューラルネットワークを用いた小パンチ試験からの単軸引張試験等価特性の推定

科学分野:

• 材料科学
• 機械工学
• 計算知能

背景:

• 小パンチ試験（SPT）は、最小限のサンプルを使用して構造材料の機械的特性を評価するための貴重な技術です。
• しかし、SPT測定には体系的なバイアスが含まれることが多く、単軸引張試験（UTT）特性の推定が不正確になります。
• SPTデータをUTT等価の材料挙動に正確に変換する手法上のギャップが存在します。

研究 の 目的:

• SPT測定からUTT等価の挙動を予測する上でのニューラルネットワークの有効性を調査すること。
• SPT法に関連する固有の体系的バイアスに対処し、削減すること。
• 構造用鋼特性の自動評価のための信頼性の高い方法を確立すること。

主な方法:

• 新品および使用劣化状態の3種類のボイラー鋼（10H2M、13HMF、15HM）のSPTデータとUTTデータをペアにした実験データベースを作成しました。
• 畳み込みニューラルネットワーク（CNN）を、実験データセットを使用したカーブ間予測のためにトレーニングおよび評価しました。
• 本研究では、バイアス削減のためにCNNが局所的なカーブ特徴をどの程度活用できるかに焦点を当てました。

主要な成果:

• CNNモデルは、SPTデータからUTT等価特性を予測する上で堅牢性を示しました。
• 本研究結果は、CNNがSPT測定に固有の体系的バイアスを効果的に低減できることを確認しています。
• CNNから得られたUTT特性推定値の精度は、従来のUTT測定と同等でした。

結論:

• 畳み込みニューラルネットワークは、SPTデータをUTT等価の材料特性に変換する上で大きな可能性を示しています。
• この深層学習アプローチは、SPTとUTT測定の間の方法論的なギャップを効果的に橋渡しします。
• 本研究は、信頼性の高いデータ変換方法を提供することにより、使用中の構造用鋼の自動評価をサポートします。