Defect Sizing Using Convolution Neural Network Applied to Guided Wave Imaging
Notice bibliographique
Résumé
The lightweight aluminum alloys are extensively used in the aerospace industry. These materials are used for constructing complex structures such as aircraft fuselage due to their excellent strength-to-weight ratio, stiffness, and corrosion resistance. How- ever, defects such as corrosion or fractures can appear because of thermo-mechanical aging in a hostile working environment or impact forces due to the improper use of these structures. In light of this, Guided Waves (GWs)-based Structural Health Monitoring (SHM) system can be considered as a promising solution for the structural integrity screening, maintenance costs reduction and prolongation of the service time of these materials. In general, a sparse array of PZT transducers can be used for GWs exciting and sensing, and GWs Imaging (GWI) algorithms, such as Excitelet, can be used to process the measured signals. This imaging technique allows computing high-resolution images that represent the integrity of the structure, where each pixel of the image is mapped to the elementary portion of the structure and carries a Damage Index (DI) value. While defect presence and location can be determined from visual inspection of the image by naked eye, the defect sizing is a more complex problem due to non-linear behaviour of DI values regarding the defect size and its location. This paper proposes an approach for defect size evaluation. It relies on the extensive GWI database generated by means of Spectral Finite Elements modelling method implemented in CIVA and Convolution Neural Network (CNN) trained on numerical data. The CNN is used to build an accurate inversion model that takes GWI sample as input and determines the size of the defect. The model is tested on the simulated data and validated by means of experiment in aluminum plate.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».