在域随机模拟上训练神经网络,用于超声波检查

科学领域:

• 材料科学 材料科学 材料科学
• 人工智能的人工智能
• 非破坏性测试是指非破坏性测试.

背景情况:

• 针对非破坏性测试 (NDT) 的机器学习面临着数据稀缺性挑战.
• 仅仅在模拟数据上的训练往往会导致由于现实差距而导致不良的概括.
• 域随机化是一个有希望的技术来弥合这个差距.

研究的目的:

• 开发一种专门用于NDT模拟数据的神经网络训练的方法.
• 为了解决在模拟数据上训练的模型的概括问题.
• 在碳纤维增强塑料的超声波测试中应用域随机化.

主要方法:

• 模拟超声波相位阵列数据,使用射线跟踪进行声音传播.
• 样品和缺陷的多种几何模型,以及模拟参数.
• 应用域随机化来弥合现实差距.

主要成果:

• 在没有域调整的情况下实现对现实世界数据的概括.
• 成功地在模拟数据上专门训练神经网络.
• 训练有素的网络准确地区分了幽灵文物和实际缺陷.

结论:

• 域随机化使强大的机器学习模型能够用于仅在模拟数据上训练的NDT.
• 拟议的方法克服了数据稀缺性,并提高了超声波测试中的概括性.
• 该方法适用于超声波相位阵列检查以外的各种NDT方法.