Вимірювання приповерхневих радіальних профілів електрофізичних характеристик циліндричних об’єктів вихрострумовим методом із застосуванням апріорних даних

Автор(и)

  • Володимир Гальченко Черкаський державний технологічний університет, бульв. Шевченка, 460, 18006, Черкаси, Україна
  • Анатолій Сторчак Черкаський державний технологічний університет, бульв. Шевченка, 460, 18006, Черкаси, Україна
  • Володимир Тичков Черкаський державний технологічний університет, бульв. Шевченка, 460, 18006, Черкаси, Україна
  • Руслана Трембовецька Черкаський державний технологічний університет, бульв. Шевченка, 460, 18006, Черкаси, Україна

DOI:

https://doi.org/10.24027/2306-7039.1.2022.258678

Ключові слова:

електрофізичні параметри; приповерхневий профіль; вихрострумові вимірювання; апріорна інформація; нейромережева сурогатна модель; інверсія нейронної мережі

Анотація

Створено новий багатопараметровий експрес-метод вихрострумового вимірювання радіальних приповерхневих профілів електрофізичних параметрів циліндричних об’єктів контролю з апріорним накопиченням інформації щодо них. Метод поєднує в собі натурні вимірювання та модельні розрахунки із застосуванням високопродуктивних обчислювальних технологій штучного інтелекту на основі нейронних мереж, які проводяться як попередньо з метою отримання специфічних відомостей щодо об’єктів, так і безпосередньо в процесі виконання вимірювань для швидкого отримання результату. Математично метод заснований на унікальній здатності швидкого розв’язку рівнянь Максвела без його фактичного явного виконання завдяки апроксимації цього розв’язку глибокими нейронними мережами. Це дозволяє використовувати глибоко навчену нейронну мережу не тільки в прямому напрямку, але й у зворотному, тобто застосовувати для розв’язку обернених вимірювальних задач. Адекватність запропонованого методу доведено на числових експериментах, наведено приклади реалізації всіх етапів його застосування. Створені алгоритми та комплекс програм у середовищі Python 3, які дозволяють практичне застосування методу. Встановлена на модельних розрахунках точність вимірювання профілів характеризується максимальними відносними похибками, які не перевищують 0,5% за умови ідеальної безпомилкової фіксації сигналу перетворювача.

Посилання

Список літератури

Тетерко А.Я., Назарчук З.Т. Селективна вихрострумова дефектоскопія. Львів: НАН України, Фіз.-мех. ін-т ім. Г.В. Карпенка, 2004. 247 с.

Назарчук З.Т., Рыбачук В.Г., Учанин В.Н. Электромагнитная структуроскопия конструкционных материалов. Нові матеріали і технології в металургії та машинобудуванні. 2011. № 1. С. 8–16. URL: http://journal.zntu.edu.ua/nmt/files/NMT12011/NMT(1)_2011.pdf

Гальченко В.Я., Тичков В.В., Сторчак А.В., Трембовецька Р.В. Відновлення приповерхневих радіальних профілів електрофізичних характеристик циліндричних об’єктів при вихрострумових вимірюваннях із наявністю апріорних даних. Формування вибірки для побудови сурогатної моделі. Український метрологічний журнал. 2020. № 1. С. 35–50. doi: https://doi.org/10.24027/2306-7039.1.2020.204226

Гальченко В.Я., Сторчак А.В., Трембовецька Р.В., Тичков В.В. Створення сурогатної моделі для відновлення приповерхневих профілів електрофізичних характеристик циліндричних об’єктів. Український метрологічний журнал. 2020. № 3. C. 27–35. doi: https://doi.org/10.24027/2306-7039.3.2020.216824

Padmanabha G.A., Zabaras N. Solving inverse problems using conditional invertible neural networks. J. Comput. Phys., 2021, vol. 433, 110194. doi: https://doi.org/10.1016/j.jcp.2021.110194

So S., Badloe T., Noh J., Bravo-Abad J., Rho J. Deep learning enabled inverse design in nanophotonics. Nanophotonics, 2020, vol. 9, issue 5, pp. 1041–1057. doi: https://doi.org/10.1515/nanoph-2019-0474

Jiang J., Chen M., Fan J.A. Deep neural networks for the evaluation and design of photonic devices. Nature Reviews Materials, 2021, vol. 6, pp. 679–700. doi: https://doi.org/10.1038/s41578-020-00260-1

Phan A.D., Nguyen C.V., Linh P.T., Huynh T.V., Lam V.D., Le A.-T., Wakabayashi K. Deep Learning for the Inverse Design of Mid-Infrared Graphene Plasmons. Crystals, 2020, vol. 10 (2), 125. doi: https://doi.org/10.3390/cryst10020125

Santner T.J., Williams B.J., Notz W.I. The Design and Analysis of Computer Experiments. Springer, 2019. 452 p.

Koziel S., Bekasiewicz A. Multi-Objective Design of Antennas Using Surrogate Models. World Scientific Publishing Europe Ltd, 2016. 362 p.

Halchenko V., Trembovetska R., Tychkov V. Surrogate synthesis of frame eddy current probes with uniform sensitivity in the testing zone. Metrology and measurement systems, 2021, vol. 28, no. 3, pp. 551–564. doi: https://doi.org/10.24425/mms.2021.137128

References

Teterko A.Ja., Nazarchuk Z.T. Selektyvna vyhrostrumova defektoskopija [Selective eddy current flaw detection]. Lviv, 2004. 247 p. (in Ukrainian).

Nazarchuk Z.T., Rybachuk V.G., Uchanin V.N. Elektromagnitnaya strukturoskopiya konstrukcionnyh materialov [Electromagnetic structuroscopy of structural materials]. Innovative materials and technologies in metallurgy and mechanical engineering, 2011, no. 1, pp. 8–16 (in Russian). Available at: http://journal.zntu.edu.ua/nmt/files/NMT12011/NMT(1)_2011.pdf

Halchenko V., Tychkov V., Storchak A., Trembovetska R. Vidnovlennia prypoverkhnevykh radialnykh profiliv elektrofizychnykh kharakterystyk tsylindrychnykh obiektiv pry vykhrostrumovykh vymiriuvanniakh iz naiavnistiu apriornykh danykh. Formuvannia vybirky dlia pobudovy surohatnoi modeli [Reconstruction of surface radial profiles of the electrophysical characteristics of cylindrical objects during eddy current measurements with a priori data. The selection formation for the surrogate model construction]. Ukrainian Metrological Journal, 2020, no. 1, pp. 35–50 (in Ukrainian). doi: https://doi.org/10.24027/2306-7039.1.2020.204226

Halchenko V., Storchak A., Trembovetska R., Tychkov V. Stvorennia surohatnoi modeli dlia vidnovlennia prypoverkhnevykh profiliv elektrofizychnykh kharakterystyk tsylindrychnykh obiektiv [The creation of a surrogate model for restoring surface profiles of the electrophysical characteristics of cylindrical objects]. Ukrainian Metrological Journal, 2020, no. 3, pp. 27–35 (in Ukrainian). doi: https://doi.org/10.24027/2306-7039.3.2020.216824

Padmanabha G.A., Zabaras N. Solving inverse problems using conditional invertible neural networks. J. Comput. Phys., 2021, vol. 433, 110194. doi: https://doi.org/10.1016/j.jcp.2021.110194

So S., Badloe T., Noh J., Bravo-Abad J., Rho J. Deep learning enabled inverse design in nanophotonics. Nanophotonics, 2020, vol. 9, issue 5, pp. 1041–1057. doi: https://doi.org/10.1515/nanoph-2019-0474

Jiang J., Chen M., Fan J.A. Deep neural networks for the evaluation and design of photonic devices. Nature Reviews Materials, 2021, vol. 6, pp. 679–700. doi: https://doi.org/10.1038/s41578-020-00260-1

Phan A.D., Nguyen C.V., Linh P.T., Huynh T.V., Lam V.D., Le A.-T., Wakabayashi K. Deep Learning for the Inverse Design of Mid-Infrared Graphene Plasmons. Crystals, 2020, vol. 10(2), 125. doi: https://doi.org/10.3390/cryst10020125

Santner T.J., Williams B.J., Notz W.I. The Design and Analysis of Computer Experiments. Springer, 2019. 452 p.

Koziel S., Bekasiewicz A. Multi-Objective Design of Antennas Using Surrogate Models. World Scientific Publishing Europe Ltd, 2016. 362 p.

Halchenko V., Trembovetska R., Tychkov V. Surrogate synthesis of frame eddy current probes with uniform sensitivity in the testing zone. Metrology and measurement systems, 2021, vol. 28, no. 3, pp. 551–564. doi: https://doi.org/10.24425/mms.2021.137128

##submission.downloads##

Опубліковано

2022-03-31

Номер

Розділ

Статті