Способ оценки характера излома металла с использованием нейросетевой классификации и фрактального анализа Российский патент 2022 года по МПК G01N19/08 G06N20/00 

Изобретение относится к области научно-исследовательских методов определения причин и механизмов разрушения изделий, т.е. соотношения в изломах металлов вязкой и хрупкой составляющей при различных видах нагрузки в широком диапазоне температур.

Известен способ оценки характера излома на основе анализа в нем хрупкой и вязкой составляющей и подсчета площади каждой из них, отнесенной к общей площади излома (ГОСТ Р ИСО 148-1 Материалы металлические. Испытание на ударный изгиб на маятниковом копре по Шарпи. Часть 1. Метод испытания).

Недостатком данного способа является высокая трудоемкость и влияние человеческого фактора на результат оценки характера излома, а также в ряде случаев низкая точность распознавания доли вязкой и хрупкой составляющей с применением только оптического микроскопа.

Известен также способ оценки характера излома на основе анализа 2D и 3D электронных фотографий и модели излома и сопоставления площади поверхности, по рельефу вычисленной по 3D-модели к площади поля зрения (размера кадра) 2D-снимка. По результатам данной процедуры производиться построение гистограммы распределения полученного соотношения и определения по ней соотношения вязкой и хрупкой составляющей в изломе.

Недостатком данного способа также является высокая трудоемкость и необходимость применения электронного микроскопа для оценки характера излома металла.

Для автоматизации и повышения точности распознавания доли вязкой и хрупкой составляющей в изломе металла предлагается проведение фрактального анализа и классификации изображения излома с использованием искусственной нейронной сети.

Целью изобретения является снижение трудоемкости и автоматизация процесса распознавания характера излома металла.

Технический результат изобретения заключается в повышении точности оценки характера излома металла.

Технический результат достигается тем, что в способе оценки характера излома металла, заключающемся в получении изображения излома и его анализа, полученное изображение проходит предварительную обработку, разбивается на несколько зон и проводиться расчет фрактальной размерности изображения, после чего полученные изображения отдельных зон и значение фрактальной размерности изображения проходят классификацию с использованием обученной искусственной нейронной сети для выявления на выходе доли вязкой и хрупкой составляющей в изломе.

Результат достигается за счет использования в процессе распознавания характера излома показателя фрактальной размерности изображения излома и его классификация с использованием искусственной нейронной сети.

Принципиальная схема реализации способа показана на Фиг. 1. Последовательность выявления характера излома с использованием показателя фрактальной размерности и ИНС.

Способ выявления вида излома заключается в следующем. Проводятся испытания на ударный изгиб исследуемого металла в диапазоне температур от -100 до +20°С (1). На цифровом микроскопе получают изображения изломов для каждого исследуемого образца с высокой резкостью (2) и проводят фрактографический анализ в соответствии с ГОСТ Р ИСО 148-1 (3) для выявления вязкой и хрупкой составляющей в изломе (%). Проводят предварительную обработку изображения излома с использованием специального программного обеспечения. При этом производиться выделение зоны излома (4), выравнивание яркости изображения, вейвлет фильтрация и бинаризация выделенной зоны (5), после чего изображение разбивается на 100 одинаковых по размеру участков (6) и производиться оценка фрактальной размерности изображения (7). Полученные данные (6) и (7) служат входными данными для искусственной нейронной сети (ИНС) классификации (9), на выходе которой получают 2 класса (10), а именно вязкий (В) и хрупкий (X) излом в долях каждого класса (напр. 40 (В); 60 (X)), которые в сумме дают 100%. В процессе обучения нейронной сети (9), производиться сравнение выходных параметров ИНС (11) с результатами фрактографического анализа (3). ИНС считается обученной при достижении ошибки на этапе сравнения (11) для всех исследуемых изломов материала не более 3%.

После этого ИНС способна работать без проведения фрактографических исследований в автоматизированном режиме и получать на выходе процентное соотношение вязкой и хрупкой составляющей (12).

Для оценки погрешности предложенного способа определения характера излома были проведены испытания на сталях, полученных с использованием технологии 3D-печати электродуговой наплавкой (сталь 09Г2С и 07Х25Н13).

Проведем оценку точности прогнозирования на примере анализа излома сплава 09Г2С, полученного после испытаний на ударный изгиб в широком диапазоне пониженных температур.

Полученные изображения изломов проходили предварительную обработку, как описано выше. Пример предварительной обработки излома после ряда этапов показан на Фиг. 2. Предварительная обработка: а) полностью вязкого участка излома (сталь 09Г2С t=+20°C); б) смешанного участка излома (сталь 09Г2С t=-40°C); в) полностью хрупкого участка излома (сталь 09Г2С t=-60°C).

Как видно из приведенных участков излома (Фиг. 2) визуально легко различимы участки вязкого, хрупкого и смешанного разрушения. В качестве количественного критерия оценки вида излома был использован показатель фрактальной размерности обработанного изображения D_F, результаты оценки которого приведены в табл. 1.

Как видно из табл. 1, показатель фрактальной размерности излома D_F имеет связь с количеством вязкой составляющей в изломе, и данный показатель может быть использован при оценке характера излома. Области хрупкой составляющей имеют значения фрактальной размерности изображения порядка D_F=1,75±0,02, а области вязкой составляющей порядка D_F=1,84±0,02 для изломов стали 09Г2С, область между полученными значениями может характеризоваться как смешанный излом.

На основе полученных фотографий фрактограмм с использованием оптического микроскопа в режиме сканирования производилось обучение ИНС распознавания доли вязкого разрушения, как описано ранее. Метод обучения - с учителем, на заранее подготовленных данных. С учетом большого объема поступающих данных, возникает необходимость постоянного переучивания нейронной сети, в связи, с чем были применены подходы параллельных вычислений с использованием графических процессоров (GPU) и технологии nVidia CUD А, в частности специализированная библиотека cuDNN.

Качество распознавания ИНС доли вязкой составляющей в изломе оценивалась на изломах образцов из стали 09Г2С, испытанной на ударный изгиб при промежуточных температурах испытания, а именно при температурах t=-10°C, t=-30°C и t=-50°C (табл. 2).

Показано (табл. 2), при распознавании с использованием ИНС вязкой составляющей в изломах стали 09Г2С, полученной с использованием технологии 3D-печати электродуговой наплавкой, погрешность распознавания не превышает 7%, а при распознавании с использованием оценки фрактальной размерности излома не превышает 10%. Наибольшую точность прогноза имеет предложенный способ, учитывающий показатель фрактальной размерности излома на входе ИНС классификации. При этом погрешность распознавания на тестовых сплавах не превышала 1…2%.

Изобретение относится к области научно-исследовательских методов определения причин и механизмов разрушения изделий, т.е. соотношения в изломах металлов вязкой и хрупкой составляющей при различных видах нагрузки в широком диапазоне температур. Сущность: предварительно проводятся испытания на ударный изгиб исследуемого металла в диапазоне температур от -100°С до +20°С. Получают изображения изломов для каждого исследуемого образца с высокой резкостью и проводят фрактографический анализ для выявления вязкой и хрупкой составляющей в изломе. Проводят предварительную обработку изображения излома, при этом производится выделение зоны излома, выравнивание яркости изображения, вейвлет фильтрация и бинаризация выделенной зоны, после чего изображение разбивается на 100 одинаковых по размеру участков, и производится оценка фрактальной размерности изображения. Полученные данные служат входными данными для искусственной нейронной сети (ИНС) классификации, на выходе которой получают 2 класса, а именно вязкий и хрупкий излом в долях каждого класса, которые в сумме дают 100%. В процессе обучения нейронной сети производится сравнение выходных параметров ИНС с результатами фрактографического анализа, причем ИНС считается обученной при достижении ошибки на этапе сравнения для всех исследуемых изломов материала не более 3%. После этого ИНС работает в автоматизированном режиме и получает на выходе процентное соотношение вязкой и хрупкой составляющей в изломе для полученных исследуемых изображений изломов путем их предварительной обработки, разбивки на несколько зон и расчета фрактальной размерности изображения. Технический результат: повышение точности оценки характера излома металла. 2 ил., 2 табл.

Способ оценки характера излома металла, заключающийся в получении изображения излома и его анализа, отличающийся тем, что предварительно проводятся испытания на ударный изгиб исследуемого металла в диапазоне температур от -100°С до +20°С, получают изображения изломов для каждого исследуемого образца с высокой резкостью и проводят фрактографический анализ для выявления вязкой и хрупкой составляющей в изломе, проводят предварительную обработку изображения излома, при этом производится выделение зоны излома, выравнивание яркости изображения, вейвлет фильтрация и бинаризация выделенной зоны, после чего изображение разбивается на 100 одинаковых по размеру участков и производится оценка фрактальной размерности изображения, полученные данные служат входными данными для искусственной нейронной сети (ИНС) классификации, на выходе которой получают 2 класса, а именно вязкий и хрупкий излом в долях каждого класса, которые в сумме дают 100%, в процессе обучения нейронной сети производится сравнение выходных параметров ИНС с результатами фрактографического анализа, причем ИНС считается обученной при достижении ошибки на этапе сравнения для всех исследуемых изломов материала не более 3%, после этого ИНС работает в автоматизированном режиме и получает на выходе процентное соотношение вязкой и хрупкой составляющей в изломе для полученных исследуемых изображений изломов путем их предварительной обработки, разбивки на несколько зон и расчета фрактальной размерности изображения.