超声波粗裂特征使用飞行时间衍射与自我注意神经网络
IEEE transactions on ultrasonics, ferroelectrics, and frequency control
|September 12, 2024
概括
这项研究引入了一种自我注意深度学习方法,用于准确的超声波飞行时间衍射 (ToFD) 缺陷大小. 与传统方法相比,这种方法在描述粗缺陷时显著减少了错误.
科学领域:
- 材料科学 材料科学 材料科学
- 非破坏性评估 (NDE) 是一种非破坏性评估.
- 在工程领域的人工智能.
背景情况:
- 飞行时间衍射 (ToFD) 对于超声波非破坏性评估 (NDE) 是至关重要的,它擅长测量光滑裂的尺寸,但难以处理粗,不规则的缺陷.
- 来自自然发生的粗缺陷的复杂衍射波挑战了传统的ToFD分析,影响了准确的表征和尺寸.
- 开发先进的方法对于克服目前用于不规则缺陷几何体的ToFD技术的局限性至关重要.
研究的目的:
- 提出和验证一种新的自我注意 (SA) 深度学习方法,用于解释ToFD A扫描信号,以准确大小粗略的缺陷.
- 通过使用模拟和实验数据的转移学习 (TL) 来提高模型在现实缺陷上的性能.
- 将深度学习方法的准确性与传统的希尔伯特峰值对峰值大小测量方法进行比较.
主要方法:
- 开发了一个自我注意 (SA) 深度学习模型来解释ToFD A扫描信号以粗略描述缺陷.
- 使用Pogo软件生成的合成数据集进行高保真有限元 (FE) 模拟,用于模型训练和测试.
- 应用转移学习 (TL) 来微调模型,将其从高斯粗缺陷调整为现实的热疲劳缺陷.
主要成果:
- 通过SA深度学习方法,在描述粗缺陷时,不确定性和错误率显著降低.
- 使用增材制造的2D粗裂纹样本进行实验验证,证实了该模型的有效性.
- 深度学习方法在准确性方面超过了传统的希尔伯特峰值到峰值大小测量方法.
结论:
- 提出的自我注意深度学习方法提供了一个强大的和准确的解决方案,用于大小粗的缺陷使用ToFD.
- 转移学习有效地提高了模型对现实世界缺陷特征的概括能力.
- 这种由人工智能驱动的方法代表了超声波NDE的重大进步,用于改进缺陷评估.
