Probe Standoff Optimization Method for Phased Array Ultrasonic TFM Imaging of Curved Parts
Notice bibliographique
Résumé
The reliability of the ultrasonic phased array total focusing method (TFM) imaging of parts with curved geometries depends on many factors, one being the probe standoff. Strong artifacts and resolution loss are introduced by some surface profile and standoff combinations, making it impossible to identify defects. This paper, therefore, introduces a probe standoff optimization method (PSOM) to mitigate such effects. Based on a point spread function analysis, the PSOM algorithm finds the standoff with the lowest main lobe width and side lobe level values. Validation experiments were conducted and the TFM imaging performance compared with the PSOM predictions. The experiments consisted of the inspection of concave and convex parts with amplitudes of 0, 5 and 15 λAl, at 12 standoffs varying from 20 to 130 mm. Three internal side-drilled holes at different depths were used as targets. To investigate how the optimal probe standoff improves the TFM, two metrics were used: the signal-to-artifact ratio (SAR) and the array performance indicator (API). The PSF characteristics predicted by the PSOM agreed with the quality of TFM images. A considerable TFM improvement was demonstrated at the optimal standoff calculated by the PSOM. The API of a convex specimen’s TFM was minimized, and the SAR gained up to 13 dB, while the image of a concave specimen gained up to 33 dB in SAR.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 ».