Deep learning methods for acoustic emission evaluation

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F61388998%3A_____%2F21%3A00549679" target="_blank" >RIV/61388998:_____/21:00549679 - isvavai.cz</a>

Nalezeny alternativní kódy

RIV/68407700:21340/21:00353114

Výsledek na webu

—

DOI - Digital Object Identifier

—

Jazyk výsledku

angličtina

Název v původním jazyce

Deep learning methods for acoustic emission evaluation

Popis výsledku v původním jazyce

The goal of this paper is to show the possibilities of state-of-the-art deep learning methods for ultrasound signals evaluation. Several neural network architectures are applied tonacoustic emission signals measured during the tensile tests of metallic specimen to determine the beginning of plasticity in the material. Plastic deformation is accompanied by microscopicnevents such as a slip of atomic plane dislocations which is hardly detectable by other methods. The potential of machine learning is demonstrated on two tensile tests where the material isnstrained until it collapses. The examined networks proved well to reliably predict the risk of collapse together with changes in the ultrasound emission signals.

Název v anglickém jazyce

Deep learning methods for acoustic emission evaluation

Popis výsledku anglicky

The goal of this paper is to show the possibilities of state-of-the-art deep learning methods for ultrasound signals evaluation. Several neural network architectures are applied tonacoustic emission signals measured during the tensile tests of metallic specimen to determine the beginning of plasticity in the material. Plastic deformation is accompanied by microscopicnevents such as a slip of atomic plane dislocations which is hardly detectable by other methods. The potential of machine learning is demonstrated on two tensile tests where the material isnstrained until it collapses. The examined networks proved well to reliably predict the risk of collapse together with changes in the ultrasound emission signals.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

20501 - Materials engineering

Projekt

—

Návaznosti

I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Rok uplatnění

2021

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

SPMS 2020/21 Stochastic and Physical Monitoring Systems

ISBN

978-80-01-06922-6

ISSN

—

e-ISSN

—

Počet stran výsledku

8

Strana od-do

111-118

Název nakladatele

Czech Technical University in Prague

Místo vydání

Praha

Místo konání akce

Malá Skála

Datum konání akce

24. 6. 2021

Typ akce podle státní příslušnosti

EUR - Evropská akce

Kód UT WoS článku

—