Aplicación de las redes neuronales convolucionales en el reconocimiento de superficies de falla por fatiga
PDF 
VER Citas bibliográficas
Gestores Bibliográficos
Indexadores
Enlace de Referencia
Autores
Autor corporativo
Recolector de datos
Otros/Desconocido
Director audiovisual
Editor/Compilador
Fecha
Resumen en español
Actualmente, los análisis de falla se realizan de forma manual por equipos multidisciplinarios. A pesar del arduo esfuerzo que se ha realizado para disminuir la subjetividad de estos análisis, este problema se sigue considerando como uno de los retos más importantes en el área del análisis de falla, de allí surge el interés por automatizar y estandarizar estos procesos. En el presente documento se presenta un método de deep learning basado en redes neuronales convoluciones para el reconocimiento y segmentación de las etapas características en superficies de falla por fatiga. Para ello, se construyó una base de datos compuesta por 136 casos de falla con sus correspondientes anotaciones. Luego, se entrenó, optimizó y validó el ajuste de la red con métricas de desempeño, para la segmentación generalizada de superficies de falla por fatiga. Finalmente, se cuantificó el tamaño de grieta crítico midiendo las zonas segmentadas. El modelo presentó un ajuste medio de 0.63, de acuerdo con la métrica mean Intersection over Union (mIoU), que representa un alto desempeño del modelo en general, teniendo en cuenta la cantidad de datos disponibles. Las métricas individuales se encuentran correlacionadas con el tamaño del área en cuestión, de manera que las áreas menos representativas presentaron valores inferiores de Intersection over Union (IoU). El valor del mIoU aun dista de lo ideal, lo cual se debe principalmente a la dificultad de lograr altos niveles de ajuste en la zona de nucleación. En cuanto a la medición del tamaño de grieta critica, se obtuvieron errores que oscilan entre 3.85% y 25.53%, los cuales se encuentran relacionados con un bajos índices de IoU de la segmentación en la zona de nucleación para cada caso de falla. Aun así, el modelo demostró ser capaz de segmentar y cuantificar tamaño de grieta crítico exitosamente en casos con altos índices de IoU en la zona de nucleación, lo que hace de esta aproximación un referente para la consolidación futura de un modelo.
Resumen en inglés
Nowadays, failure analyzes are performed manually by multidisciplinary teams. Despite the arduous effort that has been made to reduce the subjectivity of these analyzes, this problem is still considered one of the most important challenges in the area of failure analysis, hence the interest in automating and standardizing these processes. This document presents a deep learning method based on convolutional neural networks for the recognition and segmentation of the characteristic stages in fatigue failure surfaces. For that, a database consisting of 136 failure cases with their corresponding annotations was built. Then, the network fit with performance metrics was trained, optimized, and validated for the generalized segmentation of fatigue failure surfaces. Finally, the critical crack size was quantified by measuring the segmented zones. The model presented a mean fit of 0.63, according to the mean Intersection over Union (mIoU) metric, which represents a high performance of the model in general, taking into account the amount of data available. The individual metrics are correlated with the size of the area in question so that the less representative areas presented lower Intersection over Union (IoU) values. The mIoU value is still far from ideal, which is mainly due to the difficulty of achieving high levels of fit in the nucleation zone. Regarding the measurement of the critical crack size, errors ranging between 3.85% and 25.53% were obtained, which are related to low IoU indices of segmentation in the nucleation zone for each failure case. Even so, the model proved to be able to segment and quantify critical crack size successfully in cases with high IoU indices in the nucleation zone, which makes this approach a reference for the future consolidation of a more robust and reliable model.