Комбинированный подход конечно-элементного анализа и искусственных нейронных сетей для диагностики сечений строительных конструкций, ослабленных концентраторами напряжений

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.

1. Александров В.М., Сметанин Б.И., Соболь Б.В. Тонкие концентраторы напряжений в упругих телах. М.: Наука; 1993. 224 с.

2. Соболь Б.В., Рашидова Е.В., Иващенко В.В. Равновесное состояние прямолинейной внутренней трещины в близи угловой точки упругой области, подкрепленной по контуру. Вестник Пермского национального исследовательского политехнического университета. Механика. 2025;2:100–110. https://doi.org/10.15593/perm.mech/2025.2.09

3. Ватульян А.О., Беляк О.А., Сухов Д.Ю., Явруян О.В. Обратные и некорректные задачи. Ростов-на-Дону: Изд-во Южного федерального университета; 2011. 232 с.

4. Liu S., Wang Y., Yang X., Lei B., Liu L., Xiang L.S. et al. Deep Learning in Medical Ultrasound Analysis: A Review. Engineering. 2019;5(2):261–275. https://doi.org/10.1016/j.eng.2018.11.020

5. Van Sloun R.J.G., Cohen R., Eldar Y.C. Deep Learning in Ultrasound Imaging. Proceedings of the IEEE. 2020;108(1):11–29. https://doi.org/10.1109/JPROC.2019.2932116

6. Алешин Н.П., Крысько Н.В., Кусый А.Г., Скрынников С.В., Могильнер Л.Ю. Исследование выявляемости поверхностных объемных дефектов при ультразвуковом контроле с применением волн Рэлея, генерируемых электромагнитно-акустическим преобразователем. Дефектоскопия. 2021;6:26–34. https://doi.org/10.31857/S0130308221060038

7. Dung C.V., Anh L.D. Autonomous concrete crack detection using deep fully convolutional neural network. Automation in Construction. 2019;99(3):52–58. https://doi.org/10.1016/j.autcon.2018.11.028

8. Ioffe S., Szegedy C. Batch normalization: Accelerating deep network training by reducing internal covariate shift. ArXiv. Computer Science. 2015. https://doi.org/10.48550/arXiv.1502.03167

9. Turco E. Tools for the numerical solution of inverse problems in structural mechanics: review and research perspectives. European Journal of Environmental and Civil Engineering. 2017;21(5):509–554. https://doi.org/10.1080/19648189.2015.1134673

10. Васильев П.В., Сеничев А.В. Применение нейросетевых технологий в задаче контроля поверхностных дефектов. Известия высших учебных заведений. Северо-Кавказский регион. Технические науки. 2020;1:33–40. http://dx.doi.org/10.17213/1560-3644-2020-1-33-40

11. Soloviev A., Sobol B., Vasiliev P. Identification of Defects in Pavement Images Using Deep Convolutional Neural Networks. In: Advanced Materials. Cham: Springer; 2019. Pp. 615–626. https://doi.org/10.1007/978-3-030-19894-7_46

12. Jiang L.L., Maskell D.L. Automatic fault detection and diagnosis for photovoltaic systems using combined artificial neural network and analytical based methods. In: International Joint Conference on Neural Networks (IJCNN). Killarney: IEEE; 2015. https://doi.org/10.1109/IJCNN.2015.7280498