Pulsed phase thermography inversion procedure using normalized parameters to account for defect size variations
Notice bibliographique
Résumé
Pulsed Phase Thermography (PPT) is rapidly evolving as a solid NDT&E technique. Acquisition is accomplished in a similar way as in classical Pulsed Thermography, thermal data is processed afterward using a transformation algorithm, <i>e.g</i>. the Fourier Transform (FT), providing amplitude and phase delay data. The authors have recently presented an extended review on PPT theory, as well as a new inversion technique for depth retrieval using phase. Furthermore, an automatic defect depth retrieval algorithm had also been presented. Due to the Time-Frequency Duality of the discrete FT, PPT sampling and truncation parameters should be carefully selected to produce the desired frequency response. An interactive methodology for the optimal selection of these parameters has been proposed. Nevertheless, this is not always a simple task. On one hand, there exists stored data for which sampling and truncation was performed without considering the time-frequency relationship; and on the other hand, there is not always possible to produce the desired frequency output because of equipment limitations. In this paper, two situations are considered. First, two composites plates (CFRP and GFRP), for which adequate parameters have been used. In this case, we demonstrate that depth can be directly estimated from the diffusion length equation as is done by Lock-In Thermography. Secondly, an aluminum specimen that has been incorrectly sampled is considered. In this case, we propose the normalized diffusion length <i>μ<sub>n</sub></i>, and the normalized diameter <i>D<sub>n</sub></i>, to account for defect size variation.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».