2021年7月14日星期三
TWI团队经理chana Nageswaran发表了一篇新论文，研究了机器学习在疲劳裂纹检测和尺寸调整方面的应用。
疲劳裂纹对各种工业部件、结构和资产的完整性构成重大威胁。利用超声波检测这些裂纹是解决这一问题的经济可行的方法，但疲劳裂纹的形貌限制了某些技术的有效性。
除了检测裂纹，还需要测量裂纹的大小，通常是在材料的体积内。虽然超声波技术非常适合于此，但实现对裂纹尖端所需的灵敏度是困难的。不能有效地定位裂纹尖端造成了测量裂纹大小的问题。
机器学习技术的发展正在帮助应对这一挑战，本文详细介绍了一种新的方法，将超声波数据调节到机器学习设置中，以便它可以有效地、自信地检测和测量疲劳裂纹。
新的方法，使用称为参数空间的图像，也可以用于常规检查，因为它们能够向操作人员提供关于这些危险裂缝是否存在的信息。
本文所强调的发展将导致未来超声技术在工业检测中的进一步创新。
你可以阅读这篇论文，“利用参数空间辅助机器学习的疲劳裂纹超声成像斯诺克算法”下面这个链接．