Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Phân loại các sự kiện phát xạ âm thanh đã định vị bằng mạng nơ-ron
Tóm tắt
Vị trí của các sự kiện phát xạ âm thanh (AE) là một trong những công cụ đánh giá chính trong phân tích AE. Việc xác định vị trí các nguồn AE một cách đáng tin cậy cho phép điều tra chính xác các cơ chế dẫn đến sự nứt trong vật liệu. Đã biết rằng các lỗi định vị bị ảnh hưởng bởi nhiều yếu tố, bao gồm độ chính xác của việc đọc thời gian đến của sóng đàn hồi, phân bố hình học của các cảm biến AE và quan trọng nhất là các đặc tính vật lý của môi trường truyền sóng. Mục tiêu của nghiên cứu này là ứng dụng một mạng nơ-ron để phân loại các sự kiện AE cụm, được phát hiện trong sáu thử nghiệm nứt thủy lực trên đá muối khối. Một mạng nơ-ron chuyên sâu hoàn toàn đã được sử dụng cho việc nhận dạng mẫu và phân loại các sự kiện đầu vào theo các lớp mục tiêu. Đối với dữ liệu đầu vào, các hồ sơ thời gian đến của sóng đàn hồi dọc (L) và ngang (T) đã được sử dụng để đào tạo, kiểm tra và xác thực mạng nơ-ron. Tổng cộng, 765 sự kiện AE đã được phân loại vào các lớp mục tiêu khác nhau. Phân tích đặc điểm vận hành của bộ thu (ROC) đã được áp dụng để phân tích kết quả của phương pháp mạng nơ-ron. Mạng nơ-ron đã phân loại chính xác các sự kiện cụm, trong khi một số sự kiện rải rác về không gian bên ngoài vùng của một cụm không thể được ghép với bất kỳ cụm nào. Phân tích Bootstrap cho thấy rằng các kết quả là đáng tin cậy và cho thấy tiềm năng cao của các phương pháp Học sâu (DL) trong việc định vị các sự kiện AE.
Từ khóa
#phát xạ âm thanh #mạng nơ-ron #nứt thủy lực #phân loại sự kiện #học sâuTài liệu tham khảo
Grosse, C.U., Ohtsu, M., Aggelis, D.G., Shiotani, T. (eds.): Acoustic Emission Testing. Springer Nature Switzerland AG, (2022). https://doi.org/10.1007/978-3-030-7936-1
Grabec, I., Sachse, W.: Synergetics of Measurement, Prediction and Control. Springer-Verlag, Berlin Heidelberg (1997). https://doi.org/10.1007/978-3-642-60336-5
Sause, M.G.R.: In situ Monitoring of fiber-reinforced Composites: Theory, Basic Concepts, Methods, and Applications. Springer Series in Materials Science, vol. 242. Springer, Cham (2016). DOI: https://doi.org/10.1007/978-3-319-30954-5
Prevorovsky, Z., Landa, M., Blahacek, M., Varchon, D., Rousseau, J., Ferry, L., Perreux, D.: Ultrasonic scanning and acoustic emission of composite tubes subjected to multiaxial loading. Ultrasonics (1998). https://doi.org/10.1016/S0041-624X(97)00097-8
Chlada, M., Prevorovsky, Z., Blahacek, M.: Neural network AE source location apart from structure size and material. J. Acoust. Emiss. 28, 99–108 (2010)
Chlada, M., Prevorovsky, Z.: Remote AE Monitoring of Fatigue Crack Growth in Complex Aircraft Structures. In: 30th European Conference on Acoustic Emission Testing & 7th International Conference on Acoustic Emission, www.ndt.net/EWGAE-ICAE2012/ (2012)
Blahacek, M., Chlada, M., Prevorovsky, Z.: Acoustic emission source location based on signal features. Adv. Mater. Res. 13–14, 77–82 (2006)
Ma, K., Sun, X., Zhang, Z., Hu, J., Wang, Z.: Intelligent Location of microseismic events based on a fully convolutional neural network (FCNN). Rock. Mech. Rock. Eng. 55, 4801–4817 (2022). https://doi.org/10.1007/s00603-022-02911-x
Song, Z.L., Zhang, Z.G., Zhang, G.H., Huang, J., Wu, M.Y.: Identifying the types of Loading Mode for Rock Fracture via Convolutional neural networks. J. Geophys. Res. Sol Ea. 127(2) (2022). https://doi.org/10.1029/2021JB022532
Gumpfer, N., Grün, D., Hannig, J., Keller, T., Guckert, M.: Detecting myocardial scar using electrocardiogram data and deep neural networks. Biol. Chem. (2021). https://doi.org/10.1515/hsz-2020-0169
Manthei, G., Plenkers, K.: Review on in situ Acoustic Emission Monitoring in the context of Structural Health Monitoring in Mines. Appl. Sci. (2018). https://doi.org/10.3390/app8091595
Manthei, G., Eisenblätter, J., Dahm, T.: Moment Tensor evaluation of Acoustic Emission sources in Salt Rock. Constr. Build. Mater. 15, 297–309 (2001)
Dahm, T., Manthei, G., Eisenblätter, J., Tectonophysics: (1999). https://doi.org/10.1016/S0040-1951(99)00041-4
Allen, R.: Automatic phase pickers: their present use and future prospects. Bull. Seismol. Soc. Am. 72, 225–242 (1982)
Plenkers, K., Manthei, G., Kwiatek, G.: Underground In-situ Acoustic Emission in Study of Rock Stability and Earthquake Physics. In: Grosse CU, Ohtsu M, Aggelis DG, Shiotani T (eds) Acoustic Emission Testing, Springer Tracts in Civil Engineering, Springer Nature Switzerland (2022). https://doi.org/10.1007/978-3-030-67936-1_16
Goodfellow, I., Bengio, J., Courville, A.: Deep Learning. MIT Press, Cambridge MA USA (2016)
Fawcett, T.: An introduction to ROC analysis. Pattern Recognit. Lett. (2006). https://doi.org/10.1016/j.patrec.2005.10.010
Bradley, A.P.: The use of the area under the ROC curve in the evaluation of machine learning algorithms. Pattern Recognit. https://doi. (1997). https://doi.org/10.1016/S0031-3203(96)00142-2
Hanley, J.A., McNeil, B.J.: The meaning and use of the area under a receiver operating characteristic (ROC) curve. Radiology. 143, 29–36 (1982)
Efron, B.: Bootstrap Methods: Another Look at the Jackknife. Ann Statist (1979). https://doi.org/10.1214/aos/1176344552
van der Maaten, L.J.P., Hinton, G.E.: Visualizing data using t-SNE. J. Mach. Learn. Res. 9, 2579–2605 (2008)
van der Maaten, L.J.P.: Accelerating t-SNE using tree-based algorithms. J. Mach. Learn. Res. 15, 3221–3245 (2014)