تشخیص موقعیت و راستای ترک در لوله با استفاده از امواج هدایت شده فراصوتی و پیش‌بینی شبکه عصبی

در این تحقیق، روشی بر اساس طبقه بندی و پیش بینی شبکه عصبی برای تشخیص موقعیت و راستای ترک در لوله ها ارائه شده است. به این منظور، ابتدا از روش اجزاء محدود برای مدل‌سازی انتشار موج و مدل‌سازی ترک در موقعیت و راستا های مختلف استفاده شده است. در این راستا از دو نوع موج تحریک هدایت شده طولی و پیچشی بهره گرفته شده است. سیگنال های بدست آمده به منظور محاسبه ویژگی های مناسب پردازش شده اند. در پژوهش حاضر، اندازه-گیری پژواک‌های بازتاب انجام شده و پنج ویژگی در شش سطح از تجزیه موجک گسسته سیگنال های خام استخراج شده است. ویژگی‌های انتخاب شده از سیگنال ها پردازش شده تا اندازه مدل شبکه عصبی بدون از دست دادن اطلاعات محدود شود. به همین منظور از روش الگوریتم کرم شب تاب استفاده شده و به یک شبکه عصبی مصنوعی که موقعیت و راستای ترک را پیش‌بینی می کند، تغذیه شده است. در این مطالعه، از شبکه‌های مرسوم پس انتشار چند لایه پرسپترون استفاده شده است. با توجه به نتایج به دست آمده مشاهده می شود که روش ارائه شده دقت خوبی را در پیش‌بینی موقعیت و راستای ترک، نشان می دهد و درصد خطاهای شبکه عصبی به کار رفته کمتر از 7٪ است.

detection of crack location and orientation in pipe by ultrasonic guided waves and neural network prediction

in this research, a method based on the classification and prediction of the neural network to determine the location and orientation of cracks in the pipes is presented. for this purpose, first, the finite element method is used to model wave propagation and crack modeling in different locations and orientations. in this regard, two types of longitudinal and torsional guided excitation waves have been used. the obtained signals are processed in order to calculate the appropriate characteristics. in the present study, reflection echoes were measured and five features were extracted at six levels from discrete wavelet decomposition of raw signals. selected properties of the signals are processed to limit the size of the neural network model without losing information. for this purpose, the firefly algorithm method was used and fed to an artificial neural network that predicts the location and orientation of the crack. in this study, conventional multilayer perceptron diffusion networks have been used. according to the obtained results, it is observed that the proposed method shows good accuracy in predicting the location and orientation of the crack, and also the percentage of neural network errors is less than 7%.