Neuronets برای کمک به تشخیص نقص در پلاستیک تقویت شده با فیبر

فن آوری

URL کوتاه دریافت کنید

محققان دانشگاه پلی تکنیک تومسک و همکاران آلمانی آنها به طور مشترک روش جدیدی را برای جستجوی نقص در مواد نیمه شفاف تهیه کرده اند.

به گفته محققان دانشگاه پلی تکنیک تومسک ، دقت اندازه گیری ها هنگام استفاده از روشی مبتنی بر نورون که به تازگی طراحی شده است ، از سایر موارد پیشی خواهد گرفت. نتایج تحقیق در Journal of Nondestructive Evaluation منتشر شده است.

پلاستیک تقویت شده با الیاف کامپوزیتی (ماده ای است که از چندین جز components تشکیل شده است) ساخته شده از ماتریس پلیمر و تقویت شده توسط فایبرگلاس است. به طور گسترده ای در صنایع هوافضا و اتومبیل ، تولید انرژی و سایر حوزه ها مورد استفاده قرار می گیرد ، زیرا دارای نسبت سختی و وزن مناسبی است.

جنبه ضروری تولید و استفاده از هر نوع مواد مدرن ، از جمله پلاستیک تقویت شده با الیاف ، آزمایش غیر مخرب است – بررسی سختی ، قابلیت اطمینان و سایر پارامترها ، و همچنین تشخیص نقص ساختاری در یک شی که از دست کشیدن آن جلوگیری می کند خدمات یا تخریب آن

یکی از روشهای گسترده آزمایش غیر تخریبی ، گرماسنج مادون قرمز است که به موجب آن مواد تحت گرم شدن قرار می گیرند (معمولاً با لامپهای نوری قدرتمند) و دمای سطح با دوربین گرماسنجی کنترل می شود. محققان خاطرنشان کردند ، اگر نقصی در ماده وجود داشته باشد ، آن را کندتر یا سریعتر گرم و سرد می کند.

به گفته آنها ، این روش امکان کنترل سریع سطوح گسترده بدون تماس با ماده ، با تجسم خوب نتایج را فراهم می کند ، اما نیمه شفافیت پلاستیک تقویت شده با الیاف استفاده از روش آزمایش غیر مخرب را محدود می کند.

“در اشیا non غیر شفاف ، نور توسط سطح ماده جذب شده و به گرما تبدیل می شود. گرما از سطح و سپس به عمق مواد گسترش می یابد. با این حال ، در مواد نیمه شفاف ، بخشی از مواد از طریق آنها عبور می کند و توسط اکثر آنها جذب می شود. در نتیجه ، به جای گرم شدن سطح ، آن را به صورت ناهموار توزیع کرده ایم. از این رو ، روشهای مبتنی بر فیزیک گرمایش سطح کارساز نیستند. “

محققان روش جدید تشخیص عمق نقص در مواد نیمه شفاف را با کمک شبکه های عصبی مصنوعی طراحی کردند. آنها می گویند که کارآیی روش به کمیت و کیفیت داده ها برای “آموزش” یک سلول عصبی بستگی دارد. می توان یک نورون را به گونه ای آموزش داد که با یک ماده و تجهیزات خاص کار کند تا حدی که دقت اندازه گیری بسیار بالاتر از بقیه روش ها باشد.

نویسندگان تحقیق الگوریتم های تازه به دست آمده را در نرم افزار گنجانده اند که اکنون در آزمایشگاه در حال کار است. در آینده ، دانشمندان قصد دارند الگوریتم را مدرن کنند تا دقت آن را افزایش دهند ، در حالی که هزینه روش و بازه زمانی آن را نیز بهینه می کنند.