شناسايي عيب در اتصالات چسبي با استفاده از روش انتشار امواج فراصوت مبتني بر هوش مصنوعي

Use of Artificial Intelligence to Identify Adhesive Joints Defects by Using Ultrasonic

وجود عيب در اتصالات چسبي يك مسئله مهم در ساخت سازه‌هاي فضايي مي‌باشد. در اين مقاله با استفاده از امواج لمب، ويژگي‌هاي مناسب جهت شناسايي اندازه و موقعيت عيوب اتصالات چسبي به‌دست‌آمده‌ است. با استفاده از شبيه‌سازي المان محدود به بررسي اثر عيب بر انتشار امواج لمب پرداخته شده است. شبيه‌سازي براي سه ضخامت متفاوت چسب، سه سايز متفاوت عيب دايره‌اي در 9 موقعيت مختلف صورت‌گرفته است و تأثير هر يك از آنها بر موج عبوري از اتصال بررسي شده است. سيگنال‌هاي به‌دست‌آمده از اتصالات معيوب با سيگنال حاصل از اتصال سالم مقايسه گرديده و ناحيه موردنظر جهت تحليل‌هاي بعدي از كل سيگنال دريافتي جدا شد. تفكيك مناسب و صحيح عيوب نيازمند يافتن مشخصه‌هايي مناسب براي آن است به همين جهت 34 ويژگي جهت ايجاد تمايز و تفكيك عيوب بررسي گرديد. در ادامه با فراهم آمدن پايه‌هاي ايجاد الگوهايي مناسب براي تفكيك عيوب، از شبكه عصبي استفاده شد. درصد تشخيص صحيح شبكه عصبي براي تفكيك ضخامت چسب 93/8 درصد، براي تفكيك مساحت عيوب از منظر اندازه 100 درصد و براي تفكيك موقعيت عيب در دو محور افقي و عمودي به ترتيب 96/1 و 95/1 درصد به دست آمد. نتايج به‌دست‌آمده نشان‌دهنده كارايي روش تكامل فاصله بهبوديافته و ويژگي‌هاي انتخاب شده جهت تفكيك عيوب اين‌گونه از اتصالات است.

Defects in adhesive joints are an important issue in the construction of space structures. In this paper, using lamp waves, suitable properties have been obtained to identify the size and position of the defects of the adhesive joints. Using finite element simulations, the effect of the defect on the propagation of the lamp waves has been investigated. Simulations have been performed for three different adhesive thicknesses, three different sizes of circular defects in 9 different positions, and the effect of each of them on the wave passing through the joint has been investigated. The signals obtained from the faulty connections were compared with the signal obtained from the healthy connection and the desired area was isolated from the total received signal for further analysis. The proper and correct separation of defects requires finding suitable characteristics for it. Therefore, 34 features were examined to differentiate and separate defects. Then, the neural network was used to provide the basis for creating appropriate patterns for the separation of defects. The percentage of correct detection of neural network for adhesive thickness separation was 93.8%, for defect area separation in terms of size 100% and for defect position separation in X and Y axes were 96.1 and 95.1%, respectively. The obtained results show the efficiency of the improved distance evolution method and the features selected to distinguish the defects of such connections.