Artificial Neural Networks for the rapid detection of defects

Abstract

[EN] This project investigates the application of neural networks in classifying structures to determine the presence of specific features, such as defects or distinct characteristics. Working on the input data optimization, the study explores whether direct feeding of time series data into the neural network is sufficient or if preprocessing is necessary. The research involves generating 2D computational simulations of defect-free and defective rectangular samples, simulating methods from non-destructive evaluation. An artificial neural network (ANN) is created, and its performance, learning, and robustness are analyzed. The neural network was capable of reaching 100% accuracy for the base model. On the robustness analysis, it was verified that the model can be trained with noise until the amplitude of 20%. Also, a linear relation was observed between the noise amplitude that the model was trained and which test noise amplitude reached the maximum accuracy.

[ES] Laboratorio de Mecánica y Acústica (Univ. Aix-Marsella, CNRS, Med. Central), bajo la supervisión de Régis Cottereau y Cédric Bellis

En diversas ramas de la ingeniería, es esencial examinar de forma rápida y no destructiva si una estructura posee una característica específica, como un defecto, por ejemplo una inclusión con propiedades distintas o una grieta. Por ejemplo, las ondas ultrasónicas se utilizan habitualmente para inspeccionar conductos de gas con el fin de detectar grietas que podrían provocar fallos. En escenarios más complejos, como en la ingeniería petrolífera, se buscan activamente estructuras específicas como las cúpulas salinas, ya que indican la presencia de formaciones rocosas que pueden contener yacimientos de petróleo. El objetivo de este proyecto es explorar el potencial de las redes neuronales para ayudar a clasificar estructuras y determinar si poseen o no una característica determinada. Uno de los focos de atención es comprender el enfoque óptimo para introducir datos en la red neuronal, explorando si los datos de series temporales deben alimentarse directamente sin preprocesamiento o si los pasos preliminares pueden mejorar el proceso. Para lograrlo, se generó una colección de simulaciones computacionales en 2D para permitir la investigación, utilizando muestras rectangulares defectuosas y sin defectos. La excitación y las mediciones se ejecutaron en las superficies de las muestras, de forma similar a los métodos encontrados en la evaluación no destructiva. Posteriormente, se creó una RNA y se analizó su rendimiento, aprendizaje y robustez.Este proyecto se llevó a cabo en el Laboratoire de Mécanique et d'Acoustique de Marsella (Francia) y contó con el apoyo financiero del Centre National de la Recherche Scientifique (CNRS). Además de las instalaciones del laboratorio, se le proporcionó acceso al Mésocentre de la Universidad de Aix-Marsella, un servidor informático de alto rendimiento que contribuyó a realizar cálculos más eficientes en este proyecto. En este informe, se presentará inicialmente el contexto científico, seguido de la descripción de la construcción del conjunto de datos y el desarrollo de la red neuronal artificial (RNA). En la sección siguiente, se realizará un análisis del proceso de aprendizaje y la robustez.