Search

PONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO DE JANEIRO CONSELHO NACIONAL DE DESENVOLVIMENTO CIENTÍFICO E TECNOLÓGICO A acoustoelasticidade estuda a variação da velocidade de ondas elásticas em corpos sujeitos a um estado de tensão inicial. A teoria da acoustoelasticidade consiste-se de um relação não-linear entre tensão e deformação que rege a resposta dinâmica de uma onda elástica sobreposta à pré deformação inicial. A teoria da acoustoelasticidade aplicada a ondas guiadas é um ramo de estudo extremamente novo. Seu desenvolvimento teórico para ondas de Lamb foi concluída em 2012, o que permitiu o cálculo da variação da velocidade em função da tensão. Ondas de Lamb são ondas elástica que propagam-se em placas de faces paralelas obedecendo às condições de contorno nas superfícies. Essas ondas são a princípio dispersivas. Modelagem por elementos finitos (MEF) é uma ferramenta útil para a análise das ondas ultrassônicas. A fim de abordar o efeito acoustoelástico utilizando método de elementos finitos pode-se utilizar as constantes elásticas eficazes. Por meio dessas é possível montar um tensor de rigidez anisotrópico equivalente, que por sua vez pode ser utilizado como a entrada de rigidez do material em softwares comerciais. O processo de inversão temporal é um método bem conhecido para a obtenção de ondas acústicas focalizadas no tempo e no espaço. No caso de ondas de Lamb, o uso de sinais de inversão temporal compensa a dispersão de cada modo de propagação, recomprime e focaliza a onda na posição de leitura. Nesta tese, o novo ramo da acoustoelasticidade em ondas de Lamb foi analisado e seu estado da arte revisado. A possibilidade de utilizar constantes elásticas eficazes para determinação da dependência da velocidade com a tensão e os erros nesta aproximação foram investigados. O uso do programa de elementos finitos Ansysr foi validado para propagação de ondas de Lamb monomodo em uma placa submetida a tração uniaxial. Em seguida, simulações de propagação de ondas de Lamb multimodais acoustoelásticas foram realizadas através do software e o efeito da carregamento na focalização foi analisado numericamente. Finalmente, experimentos foram realizadas em uma placa de alumínio carregada longitudinalmente. A viabilidade e limitações da utilização das características de focalização por inversão temporal a fim de medir a tensão são apontadas. The acoustoelasticity studies the variation of the elastic waves velocity in bodies subject to an initial stress state. The acoustoelastic theory consists of non-linear relationship between stress and strain that rules the dynamic response superimposed to the initial pre-deformation. The acoustoelastic theory applied to guided waves is a very new branch of study. The theoretical development of this theory for Lamb waves was completed in 2012, which enabled the calculation of velocity variation as a function of stress. Lamb waves are elastic waves that propagate in plates obeying the boundary conditions on the surface. These waves are a priori dispersive. Finite Element Method (FEM) is an useful tool for ultrasonic waves propagation analysis. In order to address the acoustoelastic effect employing FEM one can use the effective elastic constants. By these effective constants it is possible to assemble an equivalent anisotropic stiffness tensor, which can be the material stiffness input in commercial software. The time reversal process is a well-known method for obtaining focused acoustic waves in both time and space. In the case of Lamb waves, the use of time-reversed signals compensates the dispersion of each propagation mode, recompressing the wave and producing a focused signal at the reception position. In this thesis the new branch of acoustoelasticity for Lamb waves is thoroughly analyzed and its state of the art is reviewed. The possibility of using effective elastic constants for determination of the velocity dependence on stress and the errors in this approximation are investigated. The use of FEM in Ansysr is validated for single mode under uniaxial tensile stress. Then, the simulations of wideband multi-mode acoustoelastic Lamb waves is carried out in the numerical software, the time-reversal focusing ability is verified and the effect of uniaxial load on the focus is investigated. Finally, experiments were performed in an aluminum plate longitudinally loaded. The feasibility of using the time reversal focus characteristics in order to measure the strain is concluded and its limitations are pointed out.

PONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO DE JANEIRO COORDENAÇÃO DE APERFEIÇOAMENTO DO PESSOAL DE ENSINO SUPERIOR PROGRAMA DE EXCELENCIA ACADEMICA Devido ao efeito acoustoelástico, as Ondas guiadas ultrassônicas (UGWs) têm sido usadas para estimar a tensão mecânica com baixo custo de forma não destrutiva. O Aprendizado de maquina (ML) tem sido aplicado para mapear formas complexas de ondas para estimar a tensão mecânica, embora aspectos importantes como precisão e consumo computacional não tenham sido explorados. Na literatura também não há muito trabalho sobre o uso do aprendizado não supervisionado para a rotulagem automática de amostras com diferentes estados de tensão. Portanto, esta tese apresenta duas abordagens: i) a abordagem supervisionada propõe uma metodologia de modelagem de dados que otimiza a precisão e a implementação computacional, para a estimação da tensão baseada em UGWs em tempo real e ii) a abordagem não supervisionada compara estruturas não supervisionadas para rotular um pequeno conjunto de dados de acordo com o estado de tensão. Para o primeiro, foram avaliados modelos de aprendizagem superficial e profunda com redução de dimensionalidade, estes modelos são criados e testados usando um procedimento de hold-out Monte-Carlo para avaliar sua robustez. Os resultados mostram que, utilizando modelos superficiais e Análise de componentes principais (PCA), foi obtida uma melhoria de precisão e no consumo de hardware em comparação com o estado da arte com modelos de redes neurais profundas. Para o segundo, métodos de redução de dimensionalidade: PCA e t-distributed stochastic neighbor embedding (t-SNE), são usados para extrair características de sinais UGWs. As características são usadas para agrupar as amostras em estados de baixa, média e alta tensão. Uma análise qualitativa e quantitativa dos resultados foi realizada, considerando a análise de métricas para agrupamento, o PCA realizou o melhor agrupamento, qualitativamente, mostrando menos sobreposição en grupos do que t-SNE. As duas abordagens utilizadas nesta tese, conseguiram extrair características significativas que ajudam tanto na estimativa quanto tanto na rotulagem de dados, contribuindo para a criação de modelos de ML mais eficientes e no problema de interpretação de UGWs. Due to the acoustoelastic effect, Ultrasonic Guided Waves (UGWs) have been used to estimate mechanical stress in a non-expensive and nondestructively fashion. Machine Learning (ML) has been applied to map complex waveforms to stress estimates, though important aspects, such as accuracy and hardware consumption, have not been explored. Previously in the literature, there are also not many works on the use of unsupervised learning for automatic labeling of samples with different stress states. Therefore, this thesis presents two approaches, (i) the supervised approach aims to propose a data modeling methodology that optimizes accuracy and computational implementation, for real-time ultrasonic based stress estimation and (ii) the unsupervised approach aims at comparing unsupervised frameworks to label a small dataset according to the stress state. For the former, shallow and deep learning models with dimensionality reduction were evaluated, these models are created and tested using a Monte-Carlo holdout procedure to evaluate their robustness under different stress conditions. The results show that, using shallow models and Principal Component Analysis (PCA), an accuracy improvement and hardware consumption as compared to the state of the art reported with deep neural network models were obtained. For the latter, dimensionality reduction methods: PCA and t-distributed stochastic neighbor embedding (t-SNE), are used to extract features from UGWs signals with different stress levels. The features are used to group the samples into low, medium and high stress states. A qualitative and quantitative analysis of the results was performed. Considering the analysis of metrics for clustering, PCA performed the best clustering, qualitatively, showing less overlapping of clusters than t-SNE. The two approaches used in this thesis, managed to extract meaningful features which helped in both estimation and stress labeling, contributing to the creation of more efficient ML models and in the problem of interpreting UGWs.

PONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO DE JANEIRO COORDENAÇÃO DE APERFEIÇOAMENTO DO PESSOAL DE ENSINO SUPERIOR PROGRAMA DE EXCELENCIA ACADEMICA A avaliação não destrutiva ultrassônica é de extrema importância na indústria de óleo e gás, principalmente para ativos e estruturas sujeitos a condições que aceleram os mecanismos de falha. Apesar de amplamente difundidos, os métodos ultrassônicos não destrutivos dependem de uma força de trabalho especializada, sendo, portanto, suscetíveis a erros e demorados. Nesse contexto, métodos de reconhecimento de padrões, como o aprendizado de máquina, se encaixam convenientemente para solucionar os desafios da tarefa. Assim, este trabalho tem como objetivo a aplicação de técnicas de inteligência artificial para abordar a interpretação de dados adquiridos por meio de avaliação não destrutiva ultrassônica no contexto da indústria de óleo e gás. Para tanto, esta dissertação envolve três estudos de caso. Primeiramente, sinais de ondas guiadas ultrassônicas são usados para classificar os defeitos presentes em juntas soldadas de compósito termoplástico. Os resultados mostraram que, ao usar atributos extraídos com modelos autoregressivos, a acurácia do modelo de aprendizado de máquina melhora em pelo menos 72,5 por cento. Em segundo lugar, dados ultrassônicos em formato de imagens são usados para construir um sistema de diagnóstico de solda automático. A estrutura proposta resultou em um modelo computacionalmente eficiente, capaz de realizar classificações com acurácia superior à 99 por cento. Por fim, dados obtidos por simulação numérica foram usados para criar um modelo de aprendizado profundo visando estimar a severidade de defeitos semelhantes à corrosão em dutos. Resultados de R2 superiores a 0,99 foram alcançados. Ultrasonic non-destructive evaluation is of extreme importance in the oil and gas industry, especially for assets and structures subjected to conditions that accelerate failure mechanisms. Despite being widely spread, ultrasonic non-destructive methods depend on a specialized workforce, thus being errorprone and time-consuming. In this context, pattern recognition methods, like machine learning, fit conveniently to solve the challenges of the task. Hence, this work aims at applying artificial intelligence techniques to address the interpretation of data acquired through ultrasonic non-destructive evaluation in the context of the oil and gas industry. For that purpose, this dissertation involves three case studies. Firstly, ultrasonic guided wave signals are used to classify defects present in welded thermoplastic composite joints. Results have shown that, when using features extracted with autoregressive models, the accuracy of the machine learning model improves by at least 72.5 percent. Secondly, ultrasonic image data is used to construct an automatic weld diagnostic system. The proposed framework resulted in a lightweight model capable of performing classification with over 99 percent accuracy. Finally, simulation data was used to create a deep learning model for estimating the severity of corrosion-like defects in pipelines. R2 results superior to 0.99 were achieved.

PONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO DE JANEIRO COORDENAÇÃO DE APERFEIÇOAMENTO DO PESSOAL DE ENSINO SUPERIOR PROGRAMA DE EXCELENCIA ACADEMICA Atuadores baseados em materiais piezelétricos apresentam características ideais para aplicações como transmissão acústica e micromanipulação. No entanto, não-linearidades inerentes a estes atuadores, como histerese e fluência, aumentam o desafio de controla-los. Além disso, a crescente necessidade de atuadores mais precisos e rápidos aliada a frequentes mudanças nas condições ambientais e operacionais agravam ainda mais o problema. Modelagens analíticas são específicas ao sistema ao qual foram feitas, o que significa que elas não são facilmente escalonáveis e eficientes para todos os tipos de sistemas. Adicionalmente, com o aumento da complexidade, os fenômenos que regem a física do sistema não são totalmente conhecidos, tornando difícil o desenvolvimento destes modelos. Este trabalho investiga esses desafios do ponto de vista da metodologia de identificação de sistemas e modelos baseados em dados para atuadores piezelétricos. A abordagem de modelagem caixa preta foi testada com dados experimentais adquiridos em um ambiente de laboratório para os estudos de caso de micromanipulação e transmissão acústica. Sinais de uso geral foram empregados como entrada de excitação do sistema de modo a acelerar a aquisição e estimação dos parâmetros. Parte dos modelos desenvolvidos foram validados com um conjunto de dados separado. Em ambos os casos foi necessário pré-processamento para otimização da quantidade de dados. Os modelos testados incluem a Média Móvel AutoRegressiva com entradas eXógenas (ARMAX), AutoRegressiva Não Linear com entradas eXógenas (NARX) com uma estrutura de rede neural artificial e Média Móvel AutoRegressiva Não Linear com entradas eXógenas (NARMAX). Os resultados mostram uma boa capacidade de prever as não-linearidades do micro manipulador e, portanto, a histerese em diferentes frequências de entrada. O sistema de transmissão acústica foi modelado com sucesso. Embora os resultados mostrem que ainda há espaço para melhorias, eles fornecem informações importantes sobre possíveis otimizações para o sistema uma vez que os modelos apresentados são uteis para janelas de predição curtas. Actuators based on piezoelectric materials have ideal characteristics for applications such as acoustic transmission and micromanipulation. However, the inherent nonlinearities of those actuators, such as hysteresis and creep, greatly increase the challenge to control such devices. Furthermore, the increasing need for more precise and faster actuators, allied with frequent changes in the environmental and operational conditions, further worsens the problem. Analytical models are application-specific, meaning that they are not easily and efficiently scalable to all systems. Also, with increased complexity, the understating of underlying phenomena is not fully documented, making it difficult to develop such models. This work investigates those challenges from the perspective of the system identification methodology and data-driven models for piezoelectric actuators. The black-box approach is tested with experimental data acquired in a laboratory setting for micromanipulator and acoustic transmission case studies. In some datasets, general-purpose signals were employed as the excitation input of the system to accelerate the data acquisition of the whole system dynamic and estimation process. Additionally, some models were validated on a separate dataset. In both cases, preprocessing was employed to optimize the amount of data. The tested models include the AutoRegressive Moving Average with eXogenous inputs (ARMAX), Nonlinear AutoRegressive with eXogenous inputs (NARX) with an artificial neural network structure, and Nonlinear AutoRegressive Moving Average with eXogenous inputs (NARMAX). The results show a good ability to predict the nonlinearities of the micromanipulator and, therefore, the hysteresis at different input frequencies. The acoustic transmission system was successfully modeled. Although the results show that there is still room for improvements, it provides insights into possible optimizations for the setup as the models here devised are useful for short prediction windows.

PONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO DE JANEIRO CONSELHO NACIONAL DE DESENVOLVIMENTO CIENTÍFICO E TECNOLÓGICO Recentemente, ondas guiadas por ultrassom têm mostrado grande potencial para ensaios não destrutivos e monitoramento de integridade estrutural (SHM) em um cenário de avaliação de danos. As medições obtidas por meio de ondas elásticas são particularmente úteis devido a sua capacidade de se propagarem em diferentes materiais, como meios sólidos e fluidos e, também, a capacidade de abrangerem áreas amplas. Ao possuir suficientes medições oriundas de ondas guiadas, técnicas avançadas baseadas em dados, como aprendizado de máquina, podem ser aplicadas ao problema, tornando o procedimento de avaliação de danos ainda mais poderoso e robusto. Com base nessas circunstâncias, o presente trabalho trata da aplicação de modelos de aprendizado de máquina para fornecer inferências de avaliação de falhas baseadas em informações de ondas guiadas por ultrassom. Dois principais estudos de caso são abordados. Primeiramente, uma placa de polímero reforçado com fibra de carbono (PRFC) é avaliada, utilizando dados da literatura de sinais de onda guiada do tipo Lamb na detecção de defeitos pontuais. Os resultados demonstraram que uma abordagem que utiliza um sinal de referência foi capaz de obter excelentes acurácias ao usar a extração de características baseadas em técnicas de identificação de sistemas. Em um segundo momento, defeitos semelhantes à corrosão em uma placa de alumínio são classificados de acordo com sua gravidade. A metodologia é auxiliada por um esquema de separação de modos em sinais de ondas guiadas do tipo SH pré-adquiridos. Os resultados obtidos mostraram que a adoção da separação de modos pode, de fato, melhorar os resultados do aprendizado de máquina. Recently ultrasonic guided waves have shown great potential for nondestructive testing and structural health monitoring (SHM) in a damage evaluation scenario. Measurements utilizing elastic waves are particularly useful due to their capability to propagate in different materials such as solid and fluid bounded media, and, also, the ability to cover broad areas. When enough guided waves measurements are available and advanced data-driven techniques such as machine learning can be applied to the problem, the damage evaluation procedure becomes then even more powerful and robust. Based on these circumstances, the present work deals with the application of machine learning models to provide fault evaluation inferences based on ultrasonic guided waves information. Two main case studies are tackled in the mentioned subject. Firstly, a carbon fiber reinforced polymer (CFRP) plate is assessed using open data of Lamb guided wave signals in the detection of dot type defects. Results demonstrated that a baseline dependent approach can obtain excellent results when using system identification feature extraction. Secondly, corrosion-like defects in an aluminium plate are classified according to their severity. The methodology is assisted by a mode separation scheme of SH guided waves signals of pre-acquired data. Results have shown that the adoption of mode separation can in fact improve the machine learning results.

PONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO DE JANEIRO COORDENAÇÃO DE APERFEIÇOAMENTO DO PESSOAL DE ENSINO SUPERIOR CONSELHO NACIONAL DE DESENVOLVIMENTO CIENTÍFICO E TECNOLÓGICO PROGRAMA DE EXCELENCIA ACADEMICA A maioria dos métodos e algoritmos para estimação de direção é pouco precisa em cenários formados por fontes próximas, pequenos lotes de amostras e sinais correlatados. Nos últimos anos, alguns métodos para superar tais óbices utilizaram conhecimento prévio de direções de sinais oriundos de usuários estáticos. Porém, este conceito está limitado a direções de chegada conhecidas. Esta tese apresenta várias contribuições para superar os problemas mencionados anteriormente. Introduz-se um novo conceito de conhecimento a priori aplicado à estimação de direção, substituindo-se as tradicionais direções de chegada disponíveis por estimativas preliminares obtidas on-line. Tal ideia é incorporada aos algoritmos propostos e suas extensões. Também é introduzido um conceito para a estimação da matriz de covariância de dados reduzindo-se iterativamente os seus subprodutos que ocorrem na região finita de amostras. Esta abordagem é complementada por uma análise da matriz de covariância modificada, que mostra que, após a primeira iteração, o Mean Squared Error (MSE) da matriz de covariância de dados livre desses subprodutos é menor ou igual ao MSE da matriz de covariância de dados original. Combinando-se os dois conceitos anteriormente descritos, obtém-se um novo método denominado Multi-Step Knowledge-Aided Iterative (MS-KAI) que eleva a precisão de algoritmos existentes. Inicialmente, o método MS-KAI é usado com Uniform linear Arrays (ULAs) e é combinado com o algoritmo Estimation of Signal Parameters via Rotational Invariance Techniques, resultando no algoritmo proposto MS-KAI-ESPRIT. O método é então ampliado para uso com um número arbitrário de iterações e combinado com o algoritmo Gradiente Conjugado, resultando no algoritmo MS-KAI-CG. Finalmente, ele é usado com arranjos aninhados e combinado com o algoritmo Multiple Signal Classification, resultando no algoritmo proposto MS-KAI-MUSIC. Simulações mostram que o método MS-KAI eleva a precisão de algoritmos baseados em subespaços, empregando modelos de sinais baseados em ULAs e non-ULAs. Most conventional methods and algorithms for direction finding suffer from poor accuracy when subjected to scenarios characterized by closely spaced sources, short data records and correlated source signals. In the last few years, some approaches to overcoming these problems have exploited prior knowledge of signal directions coming from static users. However, this concept is restricted to known directions of arrival. This thesis presents several contributions to dealing with the aforementioned problems. A novel concept of a priori knowledge applied to direction finding is first presented, which replaces the traditional available known DOAs so far employed with previous estimates obtained on line. This idea is then incorporated into the proposed algorithms and their extensions. Another approach is also introduced to estimating the data covariance matrix by iteratively reducing its by-products, which occurs in the finite sample region. This concept is complemented by a reshaped covariance matrix analysis, which shows that after the first iteration the Mean Squared Error of the data covariance matrix free of these side effects is less than or equal to the MSE of the original one. A novel method, termed Multi-Step Knowledge-Aided Iterative (MS-KAI), for increasing the accuracy of existing algorithms based on the combination of the previous concepts is then developed. The MS-KAI method is initially employed with Uniform Linear Arrays (ULAs) and is combined with the Estimation of Signal Parameters via Rotational Invariance Techniques algorithm, resulting in the proposed MS-KAI-ESPRIT algorithm. Then, MS-KAI is extended for use with an arbitrary number of iterations and combined with the Conjugate Gradient algorithm, resulting in the MSKAI- CG algorithm. Finally, the MS-KAI method is considered with nested arrays and combined with the Multiple Signal Classification algorithm, resulting in the proposed MS-KAI-MUSIC algorithm. Simulation results show that MS-KAI method enhances the accuracy of subspace based algorithms employing ULA and non-ULA based system models.