Lokalizace zdrojů AE neuronovými sítěmi nezávisle na změnách materiálu a měřítka

0351373 - ÚT 2011 RIV CZ cze C - Konferenční příspěvek (zahraniční konf.)
Chlada, Milan - Převorovský, Zdeněk
Lokalizace zdrojů AE neuronovými sítěmi nezávisle na změnách materiálu a měřítka.
[AE source location by neural networks independent on material scale changes.]
Defektoskopie 2010 NDE for Safety. Brno: University of Technology Brno, 2010 - (Mazal, P.; Pazdera, L.), s. 317-324. ISBN 978-80-214-4182-8.
[NDE for Safety / DEFEKTOSKOPIE 2010 /40./. Plzeň (CZ), 10.11.2010-12.11.2010]
Grant CEP: GA MPO(CZ) FR-TI1/274; GA MPO(CZ) FR-TI1/198
Výzkumný záměr: CEZ:AV0Z20760514
Klíčová slova: acoustic emission * arrival time profiles * source localization * artificial neural networks
Kód oboru RIV: BI - Akustika a kmity

Lokalizace zdrojů akustické emise (AE) procedurami využívajícími umělé neuronové sítě (ANN) je vysoce efektivní alternativou ke klasickým triangulačním algoritmům. Mezi hlavní problémy patří především sběr dostatečného množství reprezentativních tréninkových dat a nepřenositelnost konkrétní naučené sítě na jiné úlohy. Jako řešení obou problémů se v poslední době osvědčila metoda na bázi ANN, využívající tzv. časové profily. Tento způsob charakterizace časů příchodů signálů k jednotlivým snímačům umožňuje učení ANN na numerických modelech s následnou aplikací na reálné konstrukce různých měřítek a materiálů. V příspěvku je tato metoda dále zdokonalena a demonstrována na experimentálních datech, získaných při pen-testech na modelovém střešním nosníku a součásti letecké konstrukce. Diskutovány jsou rovněž obecné možnosti aplikace jednotlivých variant metody pro různé konfigurace snímačů.

The localization of acoustic emission (AE) sources by procedures using artificial neural networks (ANN) represents today highly effective alternative approach to classical triangulation algorithms. The main problems are in the collecting sufficiently extensive training and testing data sets together with the non portability of particular trained network to any other object. Recently, the ANN based AE source location method has been improved by using so-called signal arrival time profiles to overcome both limitations. This way of signal arrival time characterization enables ANN training on numerical models and allows the application of learned ANN on real structures of various scales and materials. In this paper, the method is upgraded and localization results are illustrated on experimental data obtained during pen-tests on a model roof I-beam and an aircraft structure part. General application possibilities of the method variations for different sensor configurations are also discussed.
Trvalý link: http://hdl.handle.net/11104/0191139