Detection and classification of flaws from ultrasonic tomography images of composite materials based on deep learning
Derin öğrenme tabanlı kompozit malzemelerin ultrasonik tomografi görüntülerinden kusurların tespiti ve sınıflandırılması
- Tez No: 915876
- Danışmanlar: DOÇ. DR. BURCU GÜNGÖR, DR. BURAK KOLUKISA
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Derin öğrenme, Makine öğrenmesi, Tahribatsız muayene, Deep learning, Machine learning, Nondestructive inspection
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Abdullah Gül Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez, gelişmiş kompozit malzemelerde kusur sınıflandırma ve karakterizasyonunu iyileştirmek amacıyla, ultrasonik ve akustik emisyon muayene ortamlarında en son makine öğrenme, derin öğrenme ve federe öğrenme yaklaşımlarını bir araya getiren yenilikçi yöntemler sunmaktadır. İlk olarak, 60 farklı kompozit malzemeden elde edilen 1150 görüntüden oluşan yeni bir ultrasonik veri seti (UNDT) tanıtılmıştır. Hem UNDT hem de halka açık bir başka veri seti üzerinde uygulanan transfer öğrenimi yöntemleri, DenseNet121 ve VGG19 gibi gelişmiş sinir ağı mimarilerinin %98,8 ve %98,6'ya varan doğruluk oranlarıyla etkinliğini kanıtlamaktadır. Bunu takiben, tezin kapsamı akustik emisyon tabanlı yapısal sağlık izleme alanına genişletilerek, hasar modlarıyla güçlü ilişkisi bulunan özellikleri belirlemek amacıyla topluluk temelli bir özellik seçimi metodolojisi sunulmuştur. Genlik ve tepe frekansı etiketleme için seçilmiş, ardından uygulanan denetimsiz kümeleme analizleri, hem geleneksel akustik emisyon özelliklerinin (ör. sayılar ve enerji) hem de daha az kullanılan kısmi güçler gibi özelliklerin farklı kusur tipleriyle güvenilir biçimde ilişkili olduğunu göstermiştir. Son olarak, gerçek dünyaya uygun, halka açık ultrasonik veri setlerinin sınırlılığını gidermek amacıyla yenilikçi bir federe öğrenme yaklaşımı geliştirilmiştir. Bu dağıtık yaklaşım, merkezi yöntemlere kıyasla benzer performans seviyelerini korurken veri mahremiyetini de güvence altına alarak ölçeklenebilir ve gizliliğe duyarlı bir çözüm sunmaktadır. Genel olarak, bu katkılar tahribatsız muayene alanında önemli ilerlemeler sağlamakta, kusur sınıflandırma ve karakterizasyonunun doğruluğunu ve güvenilirliğini artırmaktadır. Böylece, daha güvenli, işbirlikçi ve verimli tahribatsız muayene sistemlerinin geliştirilmesi için kalıcı ve sağlam bir temel oluşturulmaktadır.
Özet (Çeviri)
This thesis introduces novel methodologies for enhancing defect classification and characterization in advanced composite materials by leveraging state-of-the-art machine learning (ML), deep learning (DL), and federated learning (FL) techniques within ultrasonic and acoustic emission (AE) inspection environments. First, a new ultrasonic dataset (UNDT), comprising 1,150 images from 60 distinct composite materials, is introduced. Applying transfer learning methods to both the UNDT and a publicly available dataset demonstrates the efficacy of advanced neural architectures—such as DenseNet121 and VGG19—achieving accuracy rates up to 98.8% and 98.6%, respectively. Next, the scope is extended to AE-based health monitoring by introducing an ensemble feature selection methodology to identify features strongly correlated with damage modes. By selecting amplitude and peak frequency for labeling and subsequently applying unsupervised clustering, the analysis confirms that both traditional AE features (e.g., counts and energy) and less commonly employed features (e.g., partial powers) correlate with distinct defect types. Finally, a novel FL framework is introduced to address the scarcity of publicly available, real-world ultrasonic datasets. This decentralized approach preserves data privacy while maintaining performance levels comparable to centralized methods, ensuring scalability and confidentiality in diverse data environments. Overall, these contributions significantly advance the field of NDT, offering robust defect classification and characterization. In doing so, the findings not only improve the accuracy and reliability of material integrity assessments but also lay a durable foundation for more secure, collaborative, and efficient NDT systems.
Benzer Tezler
- NaI (TI) dedektörleri için toplam verim ve tüm enerji pik duyarlığının Monte Carlo metodu ile elde edilmesi
Başlık çevirisi yok
N. REMZİYE ERGÜL
Yüksek Lisans
Türkçe
1987
Fizik ve Fizik MühendisliğiUludağ ÜniversitesiFizik Ana Bilim Dalı
PROF. DR. CİHAN ÖZMUTLU
- Çorum toprak sanayii malzeme sahası olarak Sazköy killerinin etüdü
The Investigation of the Sazköy clays as meterial deposit for Çorum brick and the industry
METİN ARSLAN
Yüksek Lisans
Türkçe
1987
İnşaat MühendisliğiGazi ÜniversitesiYapı Eğitimi Ana Bilim Dalı
YRD. DOÇ. DR. RECEP KILIÇ
- 5 Cl Pu-Be nötron kaynağı kullanarak aktivasyon analizi ile analizi mümkün olan elementlerin dedeksiyon limitlerinin tespiti
Investigation of the possibility in analysis of elements by activation analysis and determination of detection limits of proposed elements using a 5 Cl Pu-Be neutron source
İSMET ÇELENK
- Lohusalıkta anneye verilen sağlık eğitiminin annenin doğum sonrası döneme ilişkin bilgi düzeyine etkisinin incelenmesi
Başlık çevirisi yok
HANDAN GÜLER
Yüksek Lisans
Türkçe
1987
HemşirelikCumhuriyet ÜniversitesiHemşirelik Ana Bilim Dalı
Y.DOÇ.DR. MELİHA ATALAY
- Temel boyutlarıyla müziksel işitmenin incelenmesi
Research in musical audibility with it's basic dimensions
MEHLİKA DÜNDAR