基于脉冲多频流测试和k-最近邻近方法的材料缺陷的快速识别
Jacek M Grochowalski1, Tomasz Chady1
1Faculty of Electrical Engineering, West Pomeranian University of Technology in Szczecin, 70-313 Szczecin, Poland.
Materials (Basel, Switzerland)
|October 28, 2023
概括
这项研究使用脉冲多频激发和光谱流测试 (PMFES-ECT) 与k-近邻 (k-NN) 准确估计导电材料的缺陷参数.
科学领域:
- 材料科学 材料科学 材料科学
- 非破坏性测试 不破坏性测试
- 机器学习 机器学习
背景情况:
- 厄迪电流测试 (ECT) 是一种常见的非破坏性方法.
- 准确的缺陷参数估计对于材料完整性至关重要.
- 监督学习为增强ECT分析提供了潜力.
研究的目的:
- 开发和评估一种用于估计导电材料缺陷参数的方法.
- 将脉冲式多频激发和光谱电流测试 (PMFES-ECT) 与机器学习相结合.
- 评估拟议方法的分类准确性.
主要方法:
- 为传感器样本模拟创建了一个三维有限元素方法 (FEM) 模型.
- 模拟结果被用作k-Nearest Neighbors (k-NN) 算法的训练数据.
- 应用k-NN算法对测量数据进行缺陷参数估计.
主要成果:
- 该研究成功地使用PMFES-ECT和k-NN进行缺陷参数估计.
- FEM模拟为机器学习模型提供了有效的训练数据.
- 对各种预测组合的分类准确性进行了评估.
结论:
- 组合的PMFES-ECT和k-NN方法对于缺陷表征是有效的.
- 这种方法为导电材料的自动缺陷分析提供了一个有希望的途径.
- 进一步的研究可以探索不同的机器学习算法和功能集.
更多相关视频
11:34Subsurface Defect Localization by Structured Heating Using Laser Projected Photothermal Thermography
Published on: May 15, 2017
11.2K
06:17Quantifying the Relative Thickness of Conductive Ferromagnetic Materials Using Detector Coil-Based Pulsed Eddy Current Sensors
Published on: January 16, 2020
5.8K
