Redes Neuronales para la Detección y Caracterización de Defectos en Ensayo Termográfico No Destructivo

Abstract

The possible applications of Themographic Nondestructive Testing (TNDT) have been limited due to nonlinear nature of inverse problems such as the calculation of defect’s depths in a material. The Neural Networks have been applied to extract quantitative information in TNDT where the presence of noise and the inverse nature of the characterization problem makes difficult the precise estimation of defect’s parameters. In this paper, it is shown the design and application of a Neural Network system to detect and quantify defects in Plastic Fiber Glass by using TNDT. C:/img1.eps Fig. 1. cccc 1 Introducción Durante varios años, las mediciones infrarojas y las técnicas de inspección han sido empleadas para evaluar defectos que se encuentran bajo la superficie de la muestra de un material. Basándose en el estudio de la propagación de las ondas térmicas y de su atenuación se puede determinar como un defecto o inhomogeneidad altera la propagación del calor y cambia la distribución de temperatura en la superficie de la muestra del material. La perturbación térmica es grabada por una cámara infrarojo con el fin analizarla en una etapa de posprocesamiento [1]. La termograf́ıa permite una inspección rápida y no invasiva de superficies y materiales mejorando la interpretación de resultados obtenidos a partir de la inspección [8]. Aunque por otro lado, la presencia de ruido y una resolución limitada se encuentran entre las desventajas de esta técnica. En la termograf́ıa activa, la muestra inspeccionada se calienta por un periodo de tiempo de ms ó 2 s dependiendo del espesor y de las propiedades termof́ısicas del material evaluado. Usualmente el análisis de la evolución de la temperatura se hace en el dominio del tiempo, aunque también se efectúa en el dominio de la frecuencia mediante la técnica Pulsed Phase Thermography (PPT)[9]. La parametrización de defectos en ETND es un problema que aún se encuentra en la agenda de investigación de la comunidad cient́ıfica de ETND [7]. Esto es debido a que es muy importante conocer con precisión la severidad de un daño y además es un problema inverso,no lineal y con presencia de ruido en varias manifestaciones: óptico,electrónico,estructural y ambiental. Las Redes Neuronales Artificiales han sido empleadas en los últimos años como detectores, clasificadores y estimadores de parámetros de defectos en el Ensayo Térmico No Destructivo ETND [1-6]. En estos estudios se han empleado arquitecturas Perceptron Multicapa y Kohonen utilizando como entradas para estas redes curvas de evolución del contraste térmico respecto al tiempo ó el valor máximo del contraste térmico junto con el instante de tiempo en que este valor máximo se da para cada pixel. Este art́ıculo estudia el diseño y aplicación de una Red Neuronal en la detección y caracterización de defectos en un material isotrópico como el plástico de fibra de vidrio. Se utilizan datos simulados tanto para la fase de entrenamiento como para la fase de validación. 1.1 Especificación del material Inspeccionar El material a inspeccionar es el plástico de fibra de vidrio. La muestra tiene un espesor L3 de 2 mm y un ancho y largo de L1 =100 mm y L2 = 100 mm respectivamente. Se simulan 5 defectos de aire al interior de esta muestra. Existen 2 clases de defectos cuyas dimensiones son 8mm x 8mm x 0.2mm (A,B,D) y 16mm x 16mm x 0.2mm (C,E). La distribución de los defectos sobre la muestra se ilustra en la Figura 1. En la Tabla 1 se describen las propiedades termof́ısicas del Caraterı́sticas Termofı́sicas Plástico de Fibra de Vidrio Aire Conductividad (k) 0.3 W/(m.K) 0.07 W/(m.K) Difusividad (α) 1.3 m/s 10 m/s 58 m2/s Densidad(ρ) 1400 k/m 1.2 k/m Calor Espećıfico (C ) 1648 J/(kg.K) 1005 J/(kg.K) Table 1. Propiedades termof́ısicas del plástico de fibra de vidrio y del aire material y de los defectos simulados en la muestra del material. Los coeficientes de transferencia de calor para ambas caras de la muestra se definen como hc = 10 W/(m.K).

Extracted Key Phrases

9 Figures and Tables

Cite this paper

@inproceedings{Benitez2005RedesNP, title={Redes Neuronales para la Detecci{\'o}n y Caracterizaci{\'o}n de Defectos en Ensayo Termogr{\'a}fico No Destructivo}, author={Hernan Benitez and Jes{\'u}s A. L{\'o}pez and Humberto Loaiza and Eduardo Caicedo Bravo}, booktitle={CIIC}, year={2005} }