ƯỚC LƯỢNG ĐỘ SÂU VẾT NỨT TRÊN CÁC CẤU TRÚC KIM LOẠI SỬ DỤNG MẠNG MULTILAYER PERCEPTRON VÀ KỸ THUẬT DÒNG ĐIỆN XOÁY
336 lượt xemDOI:
https://doi.org/10.54939/1859-1043.j.mst.77.2022.3-12Từ khóa:
Đánh giá không phá hủy; Trích chọn đặc trưng; Phương pháp đa tần; Mạng Perceptron nhiều lớp (MLP).Tóm tắt
Bài báo này trình bày một phương pháp xác định độ sâu cực đại (dưới mi-ni-mét) của các vết nứt nhỏ trên bề mặt các phiến hợp kim nhôm, sử dụng trong công nghiệp hàng không. Các bức ảnh C-scan bao gồm phần ảo và phần thực của tổng trở cảm biến được phân tích nhằm trích xuất các đặc trưng phù hợp sau khi được loại bỏ các tác động bởi nhiễu, như nhiễu nền và nhiễu cạnh. Dựa vào những đặc trưng thu được như trở kháng cực đại, đặc trưng của nền, nhiễu bề mặt, loại cảm biến được sử dụng, một mạng Multilayer Perceptron (MLP) được xây dựng để ước lượng độ sâu cực đại của các vết nứt. Mô hình mạng được tối ưu hóa dựa vào các “hàm mất mát” dạng sai số tuyệt đối trung bình và sai số trung bình bình phương cực tiểu. Cấu trúc mạng tối ưu với 5 neuron ở lớp ẩn thứ nhất và 8 neuron ở lớp ẩn thứ hai được sử dụng. Kết quả thử nghiệm cho thấy sai số tương đối của các phép ước lượng nhỏ hơn 10% đối với toàn bộ dữ liệu trong tập thử nghiệm.
Tài liệu tham khảo
[1]. N. Yusa, H. Huang, and K. Miya, “Numerical evaluation of the ill-posedness of eddy current problems to size real cracks,” NDT & E International, Vol. 40, no. 3, pp. 185–191, (2007).
[2]. M. Zergoug, S. Lebailia, and G. Kamel, “Characterization of the corrosion by eddy current,” p. 7.
[3]. D. C. Copley, “Eddy-Current Imaging for Defect Characterization,” in Review of Progress in Quantitative Nondestructive Evaluation, D. O. Thompson and D. E. Chimenti, Eds. Boston, MA: Springer US, pp. 1527–1540 (1983).
[4]. L. Xie, B. Gao, G. Y. Tian, J. Tan, B. Feng, and Y. Yin, “Coupling pulse eddy current sensor for deeper defects NDT,” Sensors and Actuators A: Physical, Vol. 293, pp. 189–199, (2019).
[5]. D. Kim, L. Udpa, and S. Udpa, “Remote field eddy current testing for detection of stress corrosion cracks in gas transmission pipelines,” Materials Letters, Vol. 58, no. 15, pp. 2102–2104, (2004).
[6]. S. Xie, Z. Duan, J. Li, Z. Tong, M. Tian, and Z. Chen, “A novel magnetic force transmission eddy current array probe and its application for nondestructive testing of defects in pipeline structures,” Sensors and Actuators A: Physical, Vol. 309, p. 112030, (2020).
[7]. Z. Chu, Z. Jiang, Z. Mao, Y. Shen, J. Gao, and S. Dong, “Low-power eddy current detection with 1-1 type magnetoelectric sensor for pipeline cracks monitoring,” Sensors and Actuators A: Physical, Vol. 318, p. 112496, (2021).
[8]. Y. He et al., “Pulsed eddy current technique for defect detection in aircraft riveted structures,” NDT & E International, Vol. 43, no. 2, pp. 176–181, (2010).
[9]. J. H. Espina-Hernández, E. Ramírez-Pacheco, F. Caleyo, J. A. Pérez-Benitez, and J. M. Hallen, “Rapid estimation of artificial near-side crack dimensions in aluminium using a GMR-based eddy current sensor,” NDT & E International, Vol. 51, pp. 94–100, (2012).
[10]. Y. Le Diraison, P.-Y. Joubert, and D. Placko, “Characterization of subsurface defects in aeronautical riveted lap-joints using multi-frequency eddy current imaging,” NDT & E International, Vol. 42, no. 2, pp. 133–140, (2009).
[11]. D. J. Pasadas, A. L. Ribeiro, T. J. Rocha, and H. G. Ramos, “Open crack depth evaluation using eddy current methods and GMR detection,” in 2014 IEEE Metrology for Aerospace (MetroAeroSpace), pp. 117–121, (2014).
[12]. R. Menezes, A. L. Ribeiro, and H. G. Ramos, “Evaluation of crack depth using eddy current techniques with GMR-based probes,” in 2015 IEEE Metrology for Aerospace (MetroAeroSpace), Benevento, Italy, pp. 335–33, (2015).
[13]. K. Kwon and D. M. Frangopol, “Bridge fatigue assessment and management using reliability-based crack growth and probability of detection models,” Probabilistic Engineering Mechanics, Vol. 26, no. 3, pp. 471–480, (2011).
[14]. D. G. Park, C. S. Angani, and Y. M. Cheong, “Differential Pulsed eddy current probe to detect the sub surface Cracks in a Stainless Steel Pipe,” p. 6.
[15]. K. Demachi, T. Hori, and S. Perrin, “Crack depth estimation of non-magnetic material by convolutional neural network analysis of eddy current testing signal,” Journal of Nuclear Science and Technology, Vol. 57, no. 4, pp. 401–407, (2020).
[16]. E. Mohseni, D. R. França, M. Viens, W. F. Xie, and B. Xu, “Finite Element Modelling of a Reflection Differential Split-D Eddy Current Probe Scanning Surface Notches,” J Nondestruct Eval, Vol. 39, no. 2, p. 29, (2020).
[17]. M. Jesenik and M. Trlep, “Finding a Crack and Determining Depth in a Material,” Przegląd Elektrotechniczny, Vol. 89, no. 2b, pp. 64–67, (2013).
[18]. Z. Wang and Y. Yu, “Traditional Eddy Current–Pulsed Eddy Current Fusion Diagnostic Technique for Multiple Micro-Cracks in Metals,” Sensors (Basel), Vol. 18, no. 9, (2018).
[19]. L. Tian, C. Yuhua, Y. Chun, H. Xuegang, Z. Bo, and B. Libing, “Data-Driven Method for the Measurement of Thickness/Depth Using Pulsed Eddy Current,” Sensors and Materials, p. 1325, (2017).
[20]. F. Nafiah, A. Sophian, M. R. Khan, S. B. Abdul Hamid, and I. M. Zainal Abidin, “Image-Based Feature Extraction Technique for Inclined Crack Quantification Using Pulsed Eddy Current,” Chin. J. Mech. Eng., Vol. 32, no. 1, p. 26, (2019).
[21]. M. Smetana, L. Behun, D. Gombarska, and L. Janousek, “New Proposal for Inverse Algorithm Enhancing Noise Robust Eddy-Current Non-Destructive Evaluation,” Sensors (Basel), Vol. 20, no. 19, (2020).
[22]. L. T. Cung, T. D. Dao, P. C. Nguyen, and T. D. Bui, “A model-based approach for estimation of the crack depth on a massive metal structure,” Measurement and Control, Vol. 51, no. 5–6, pp. 182–191, (2018).
[23]. S. Jiao, J. Li, F. Du, L. Sun, and Z. Zeng, “Characteristics of Eddy Current Distribution in Carbon Fiber Reinforced Polymer,” Journal of Sensors, Vol. 2016, p. e4292134, (2016).
[24]. B. H. Shekar and G. Dagnew, “Grid Search-Based Hyperparameter Tuning and Classification of Microarray Cancer Data,” in 2019 Second International Conference on Advanced Computational and Communication Paradigms (ICACCP), pp. 1–8, (2019).
[25]. J. Brownlee, “Use Early Stopping to Halt the Training of Neural Networks At the Right Time,” Machine Learning Mastery, (2018).
