Соболь Борис Владимирович, доктор технических наук, профессор, заведующий кафедрой информационных технологий
344003, г. Ростов-на-Дону, пл. Гагарина, 1
Boris V. Sobol, D.Sc. (Eng.), Professor, Head of the Department of Information Technology
1 Gagarin Square, Rostov-on-Don, 344003
Рашидова Елена Викторов, кандидат физико-математических наук, доцент, доцент кафедры информационных технологий
344003, г. Ростов-на-Дону, пл. Гагарина, 1
Elena V. Rashidova, Cand.Sci. (Physics and Mathematics), Associate Professor, Associate Professor of the Department of Information Technology
1 Gagarin Square, Rostov-on-Don, 344003
Васильев Павел Владимирович, кандидат технических наук, заместитель руководителя по IT направлению
344000, г. Ростов-на-Дону, ул. М. Горького 205
Pavel V. Vasiliev, Cand. Sci. (Eng.), Deputy Head of IT Department
205 M. Gorky Str., Rostovon-Don
Иващенко Валерия Валерьевна, ассистент кафедры информационных технологий
344003, г. Ростов-на-Дону, пл. Гагарина, 1
Valeria V. Ivashchenko, Assistant Professor at the Department of Information Technology
1 Gagarin Square, Rostov-on-Don, 344003
Введение. Исследование посвящено разработке нового метода идентификации дефектов в строительных конструкциях с концентраторами напряжений. Метод основан на интеграции теневого ультразвукового контроля с алгоритмами глубокого обучения, что позволит достичь точной диагностики с достоверным определением геометрических характеристик дефектов.
Материалы и методы. Использовалась конечно-элементная модель области с угловой точкой и демпфирующими слоями из металла с гибким покрытием. Ультразвуковой актуатор и приемник размещались на противоположных гранях. На распределенной вычислительной системе проведены численные эксперименты с варьированием геометрии и материалов области и параметров дефектов. Полученные сигналы преобразованы в спектрограммы, которые использовались для обучения сверточной нейронной сети, устанавливающей связь между спектрограммой и параметрами дефекта.
Результаты исследования. Сформирован обширный датасет спектрограмм. Обученная нейронная сеть продемонстрировала способность с высокой точностью определять по спектрограмме ключевые параметры дефекта: размер, положение и ориентацию. Верификация метода показала, что он превосходит по точности и скорости традиционные методы анализа ультразвуковых сигналов.
Обсуждение и заключение. Подтверждена эффективность гибридного подхода для неразрушающего контроля в сложных геометрических условиях. Основное преимущество — автоматизированный и интеллектуальный анализ данных, снижающий субъективность. Практическая значимость — создание прототипа адаптивной диагностической системы. Перспективы связаны с дообучением на экспериментальных данных и интеграцией в портативные комплексы для мониторинга конструкций.
Introduction. The study is dedicated to developing a new method for identifying defects in building structures with stress concentrators. The method is based on the integration of shadow ultrasonic testing with deep learning algorithms, which would enable accurate diagnosis with reliably identifying the geometric characteristics of defects.
Materials and Methods. A finite element model of an area with an angular point and damping layers made of metal with a flexible coating was used. An ultrasonic actuator and receiver were placed on the opposite edges. Numerical experiments with changes in the geometry and materials of the area and defect parameters were conducted on a distributed computing system. The resulting signals were converted into spectrograms which were used in order to train a convolutional neural network that establishes a connection between the spectrogram and the defect parameters.
Results. An extensive dataset of spectrograms has been formed. The trained neural network has displayed the ability to accurately identify the key defect parameters based on a spectrogram such as size, position, and orientation. Verification of the method has shown that it outperforms the traditional methods of ultrasonic signal analysis in terms of its accuracy and speed.
Discussion and Conclusion. The hybrid approach for non-destructive testing in complex geometric conditions has been proven to be effective. The major advantage is automated and intelligent data analysis reducing a degree of subjectivity. The practical significance is the creation of a prototype adaptive diagnostic system. Prospects are related to further training on experimental data and integration into portable systems for monitoring structures.
The authors declare that there are no conflicts of interest present.