Evaluación no destructiva de materiales mediante métodos de reconstrucción tomográfica basados en redes neuronales de base radial

Abstract

[ES] Se presenta un nuevo método de reconstrucción tomográfica de materiales inspeccionados por ultrasonidos. Los siguientes parámetros son extraídos de la señal ultrasónica medida: velocidad de propagación, atenuación y frecuencia centroide de la señal. Estos parámetros proporcionan unos pocos valores para la tomografía del material (valores en la superficie o en determinadas localizaciones del interior del material). Los demás valores de la tomografía se obtienen a partir de un algoritmo propuesto basado en una red neuronal de funciones de base radial (RBFNN, radial basis function neural network) que utiliza como entrada los parámetros ultrasónicos. Las variables consideradas para definir la RBFNN son: ancho, peso y localización de las funciones de base radial, y número de neuronas utilizadas. La configuración óptima de las variables de la RBFNN para diferentes casos de estudio se ha obtenido mediante entrenamiento previo. Estos casos incluyeron los siguientes materiales con uno o múltiples defectos: probetas de duraluminio; y probetas de hormigón autocompactante. Los resultados fueron evaluados estimando las probabilidades de detección y falsa alarma, teniendo en cuenta el diseño original de los materiales y las tomografías obtenidas. Se ha demostrado que el método propuesto permite obtener imágenes precisas del interior de los materiales a partir de simulaciones y de experimentos reales.

[EN] A new method for tomographic reconstruction of materials inspected by ultrasounds is presented. The following parameters are extracted from the measured signals: propagation velocity, signal attenuation and centroid frequency. These parameters provide a few values for the material tomography (values at the surface or at specific locations inside the material). The rest of the tomography values are obtained by means of a proposed algorithm based on radial basis function neural networks (RBFNN), which uses the ultrasonic parameters as input. The variables considered for defining the RBFNN are: width, weight and location of the RBF centers, and neuron numbers. Optimum setup of the RBFNN variables for different case studies was obtained by previous training. These cases included the following one-defect or multiple-defect materials: simulated models using finite differences; specimens of an aluminium alloy; and specimens of selfcompacting concrete. The results were evaluated by estimating the detection and false alarm probabilities taking into account the material original design and the tomography obtained. It was demonstrated in simulations and real experiments that the proposed method allows precise images of the material inside to be obtained.