Aplicación de las redes neuronales convolucionales en el reconocimiento de superficies de falla por fatiga

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.

• Autores: Ariza Villamil, Job Nicolás
• Fecha de publicación: 2021
• Institución: Universidad de los Andes
• Repositorio: Séneca: repositorio Uniandes
• Idioma: spa
• OAI Identifier: oai:repositorio.uniandes.edu.co:1992/53585
• Acceso en línea: http://hdl.handle.net/1992/53585
• Palabra clave: Mecánica de fractura; Aprendizaje automático (Inteligencia artificial); Redes neuronales convolucionales; Fatiga de materiales; Ingeniería
• Rights: openAccess
• License: https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdf