Один из наиболее опасных и трудно прогнозируемых дефектов материалов — усталостное повреждение, то есть разрушение в результате повторяющихся нагрузок. Ему подвержено большинство деталей механизмов и конструкций, от опор линий электропередач до фюзеляжей самолетов.
Один из способов проверить, насколько хорошо материалы сопротивляются разрушению, — провести испытания на скорость роста трещины усталости (СРТУ). Важный этап таких испытаний — поиск усталостной трещины на начальных этапах ее образования.
Существует несколько способов определения положения усталостной трещины по изображению поверхности исследуемого объекта. Один из самых эффективных — использование сверточных нейронных сетей. Это специальная архитектура нейросетей, разработанная на основе анализа биологических механизмов зрения. Она позволяет определить положение и размеры усталостной трещины по цифровым изображениям деформированной поверхности образца, в том числе на начальных этапах испытания на СРТУ.
— В настоящее время сверточные нейронные сети активно используются за рубежом для обнаружения трещин, в том числе и усталостных. Главная особенность предложенного нами алгоритма — использование серии последовательных снимков деформируемого образца, а не одного статичного изображения. Такой подход позволяет учитывать динамические изменения на поверхности образца в области трещины, происходящие в процессе нагружения. Это повышает точность выявления небольших трещин, — сообщил Николай Яковлев, начальник лаборатории НИЦ "Курчатовский институт" – ВИАМ.
Чтобы нейронная сеть работала корректно, необходимо правильно откалибровать видеосистему. Ученые НИЦ "Курчатовский институт" – ВИАМ предложили способ такой калибровки, основанный на нанесении реперных меток в виде штрихкодов на поверхность образца. Так видеокамеры "самонастраиваются" под каждую серию изображений и могут автоматически корректировать свое положение относительно поверхности образца в случае распространения усталостной трещины за поле контроля.
Представленную нейросетевую модель можно использовать для автоматического контроля положения и длины усталостной трещины при испытаниях на СРТУ. Это позволит автоматизировать процесс контроля за ростом трещины, а также повысит точность результатов.
Результаты работы опубликованы в журнале "Труды ВИАМ": "Применение метода глубокого обучения при исследовании характеристик трещиностойкости"
