Идентификация круговых трещин, выходящих на поверхности труб с помощью сочетания метода конечных элементов и искусственных нейронных сетей
УДК
539.3:534.1Аннотация
В работе рассматривается задача идентификации трещиноподобного дефекта на внешней и внутренних поверхностях труб. Дефекты представляют собой круговые поперечные трещины, выходящие на поверхность. Предполагается что границы трещины не взаимодействуют между собой. Проблема определения глубины трещины сводится к обратной геометрической задаче теории упругости, которая решается на основе сочетания конечно-элементного анализа и искусственных нейронных сетей. Дополнительной информацией для решения обратной задачи являются амплитудно-временные характеристики компонентов вектора смещений. При решении прямой задачи рассматривается конечный фрагмент трубы, поэтому радиальное и осевое смещения измеряются в течение времени, когда волны, отраженные от концов отрезка трубы, не успевают прийти на приемник. Процесс измерения смещений в работе моделируется нестационарным расчетом в конечноэлементном пакете ANSYS. В приведенном численном примере исследуются вопросы точности определения глубины трещины в зависимости от вида входных данных, архитектуры нейронной сети, длительности процесса ее обучения и погрешности входных данных.
Ключевые слова:
трещина, дефект трубы, конечно-элементный анализ, формы колебаний, быстрое преобразование Фурье, искусственные нейронные сетиФинансирование
Библиографические ссылки
- Haykin S. Neural networks — a comprehensive foundation. Prentice Hall. 1998. 842 p.
- Краснощёков А.А., Соболь Б.В., Соловьёв А.Н., Черпаков А.В. Идентификация трещиноподобных дефектов в упругих элементах конструкций на основе эволюционных алгоритмов // Дефектоскопия. 2011. №6. C. 67-78.
- Waszczyszyn Z., Ziemianski L. Neural networks in mechanics of structures and materials, new results and prospects of applications // Computers and Structures. 2001. Vol. 79. No. 22. P. 2261-2276.
- Соловьев A.H., Курбатова П.С., Сапрунов Н.И., Шевцов С.Н. Об использовании нейронных сетей в задачах определения дефектов в упругих телах. Материалы X международной конференции "Современные проблемы механики сплошной среды". Ростов-на-Дону, 2006. С. 175-180.
- Liu S.W., Huang J. H., Sung J.C., Lee C.C. Detection of cracks using neural networks and computational mechanics // Computer methods in applied mechanics and enginerring. 2002. Vol. 191. P. 2831-2845.
- Khandetsky V., Antonyuk I. Signal processing in defect detection using back-propagation neural networks // NDT&E International. 2002, Vol. 35. No. 7. P. 483-488.
- Xu Y.G., Liu G.R., Wu Z.P., Huang X.M. Adaptive multilayer perceptron networks for detection of cracks in anisotropic laminated plates // International journal of solids and structures. 2001. Vol. 38. P. 5625-5645.
- Fang X., Luo Н., Tang J. Structural damage detection using neural network with learning rate improvement // Computers and Structures. 2005. Vol. 85. P. 2151-2152.
- Ватульян А.О. Обратные задачи в механике деформируемого твердого тела. М.: Физматлит, 2007. 224 с.
- David W. K. A First Course in Fourier Analysis. Cambridge University Press. 2007. 864 p.
- Снеддон И.Н., Берри Д.С. Классическая теория упругости. М.: Наука, 1961. 219 с.
- Красильников В.А., Крылов В.В. Введение в физическую акустику. М.: Наука, 1984. 400 с.
Загрузки
Выпуск
Страницы
Отправлено
Опубликовано
Как цитировать
Copyright (c) 2014 Соловьёв А.Н., Нгуен З.З.
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
