Desarrollo de una red neuronal profunda para la extracción de campos de esfuerzos en imágenes multipolarizadas de fotoelasticidad

La fotoelasticidad digital es una técnica experimental utilizada en el análisis y cuantificación de esfuerzos en materiales isótropos y birrefringentes sometidos a una carga, debido a que este tipo de materiales experimentan índices de refracción dobles cuando son cargados, lo que permite estimar la diferencia entre los esfuerzos principales en cada elemento del cuerpo, gracias a un retardo de fase en la luz que lo atraviesa, que puede ser demodulado para extraer un campo de esfuerzos completo. Tradicionalmente, los procedimientos de extracción de campos de esfuerzos en imágenes de fotoelasticidad eran difíciles de representar con simples regresiones matemáticas, además de que necesitaban montajes costosos, con altos requerimientos de precisión y en ocasiones, algoritmos complicados. En los últimos años, se han desarrollado unas primeras aproximaciones a la automatización de estos procesos por medio del uso de redes neuronales convolucionales para el procesamiento de imágenes isocromáticas en un solo estado de polarización. En esta tesis, se propone el uso de redes neuronales convolucionales profundas para procesar cuatro imágenes de diferentes estados de polarización. Para ello, se construye una colección de más de setenta mil imágenes analíticas en modelos clásicos de fotoelasticidad, utilizando las propiedades ópticas del material simulado, de la fuente de iluminación y de dos cámaras polarizadas encontradas en la literatura y en cuatro estados de polarización: 0°, 45°, 90° y 135°. Estas imágenes son utilizadas para el entrenamiento, validación y testeo de diferentes modelos de red neuronal, basados en arquitecturas clásicas encontradas en la literatura para el desenvolvimiento de fase. Con ello, se realiza un rediseño en las capas, funciones, filtros e hiper-parámetros de las redes estudiadas, en un proceso de optimización de una única arquitectura que alcance las mejores métricas para el problema desarrollado. La evaluación de los modelos se realiza por medio de métricas de calidad de imagen tales como MSE, SSIM, PSNR, entre otras consideradas. Finalmente, se desarrolla y explica la MultipolarNet, una red neuronal especializada en la extracción de campos de esfuerzos en imágenes multipolarizadas de fotoelasticidad. Los resultados abren la posibilidad de procesar imágenes reales generadas por una cámara multipolarizada, lo que representa una gran oportunidad para desarrollar evaluaciones de esfuerzo en tiempo real, predecir problemas de desenvolvimiento de fase en geometrías complejas, cargas dinámicas, o inconsistencias debidas a isoclínicos. (texto tomado de la fuente)

• Autores: Eusse Naranjo, Diego
• Fecha de publicación: 2023
• Institución: Universidad Nacional de Colombia
• Repositorio: Universidad Nacional de Colombia
• Idioma: spa
• OAI Identifier: oai:repositorio.unal.edu.co:unal/85422
• Acceso en línea: https://repositorio.unal.edu.co/handle/unal/85422; https://repositorio.unal.edu.co/
• Palabra clave: 000 - Ciencias de la computación, información y obras generales; 000 - Ciencias de la computación, información y obras generales::004 - Procesamiento de datos Ciencia de los computadores; 000 - Ciencias de la computación, información y obras generales::005 - Programación, programas, datos de computación; 000 - Ciencias de la computación, información y obras generales::006 - Métodos especiales de computación; Fotoelasticidad; Redes Neuronales Convolucionales; Aprendizaje Profundo; Desenvolvimiento de Fase; Análisis de Franjas; Polarización; Photoelasticity; Convolutional Neural Networks; Deep Learning; Phase Unwrapping; Fringe analysis; Polarization; Aprendizaje profundo; Red neuronal; Procesamiento digital de imágenes
• Rights: openAccess
• License: Atribución-NoComercial 4.0 Internacional