تشخيص موقعيت و راستاي ترك در لوله با استفاده از امواج هدايت شده فراصوتي و پيش‌بيني شبكه عصبي

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

در اين تحقيق، روشي بر اساس طبقه بندي و پيش بيني شبكه عصبي براي تشخيص موقعيت و راستاي ترك در لوله ها ارائه شده است. به اين منظور، ابتدا از روش اجزاء محدود براي مدل‌سازي انتشار موج و مدل‌سازي ترك در موقعيت و راستا هاي مختلف استفاده شده است. در اين راستا از دو نوع موج تحريك هدايت شده طولي و پيچشي بهره گرفته شده است. سيگنال هاي بدست آمده به منظور محاسبه ويژگي هاي مناسب پردازش شده اند. در پژوهش حاضر، اندازه-گيري پژواك‌هاي بازتاب انجام شده و پنج ويژگي در شش سطح از تجزيه موجك گسسته سيگنال هاي خام استخراج شده است. ويژگي‌هاي انتخاب شده از سيگنال ها پردازش شده تا اندازه مدل شبكه عصبي بدون از دست دادن اطلاعات محدود شود. به همين منظور از روش الگوريتم كرم شب تاب استفاده شده و به يك شبكه عصبي مصنوعي كه موقعيت و راستاي ترك را پيش‌بيني مي كند، تغذيه شده است. در اين مطالعه، از شبكه‌هاي مرسوم پس انتشار چند لايه پرسپترون استفاده شده است. با توجه به نتايج به دست آمده مشاهده مي شود كه روش ارائه شده دقت خوبي را در پيش‌بيني موقعيت و راستاي ترك، نشان مي دهد و درصد خطاهاي شبكه عصبي به كار رفته كمتر از 7٪ است.

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%.