Classification and characterization of coexisting defects from magnetic flux leakage data using deep learning method
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Ferromagnetic materials are widely used in infrastructure, such as steam generators, storage tanks, and gas pipelines. During their service time, ferromagnetic materials are subject to deterioration and defects are prone to generate which could damage infrastructures and cause catastrophic accidents. Magnetic flux leakage (MFL) is one of the widely used nondestructive evaluation (NDE) methods to detect and characterize defects in ferromagnetic materials to ensure infrastructure safety. However, many research works have been carried out on the modeling, classification, and characterization of a single defect, while the scenario of coexisting defects is ignored. In practical field, the coexistence of surface and subsurface defects within an overlapping area can cause much earlier than expected deterioration or even penetration, the result of which is more damaging. Here, we propose a convolutional neural network (CNN) based deep learning method to differentiate between single defect and coexisting defects scenarios and estimate the defect sizes including length, width, and depth. Finite-element-method (FEM) simulation models are developed to investigate the effect of coexisting defects on the measured MFL data. The models with different defect parameters are calculated to generate 354 MFL data for the training and testing of deep learning method. The experimental results show that the classification accuracy of deep learning method is over 94% and higher than the traditional machine learning methods, and the defect size estimation errors are within 0.97 mm, 0.59 mm, and 3.67% of wall thickness, respectively, which are validated to be a good classification and characterization tool for the coexisting defects scenario.
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.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 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) | 0,000 | 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 découle