아음속 수송체 알루미늄 프레임의 비선형 유도초음파 주파수 응답 – 합성곱 신경망 분석 기반 미세 감육 진단 가능성 연구 (Assessing Micro Wall-Thinning Damage in Aluminum Frames of Subsonic Speed Vehicles: A Comprehensive Approach Integrating Higher - Order Harmonic Nonlinear Guided Wave Analysis and Convolutional Neural)

서지정보

· 발행기관 : 한국비파괴검사학회
· 수록지 정보 : 비파괴검사학회지 / 44권 / 2호 / 132 ~ 141페이지
· 저자명 : 이용희, 홍지영, 이재선

초록

고속철도 차량은 성능 향상에 따라, 구조물에 미치는 응력 상승 및 차체에 피로도를 증가시키는 양상이 지속되어 왔다. 이는 초기 미세 감육이 대형 사고로 직결될 수 있는 가능성이 증대되었음을 시사한다. 본연구는 유도초음파를 통해 측정된 주파수 응답 이미지(spectrogram)의 심층학습(deep learning)을 통해, 초기 결함 발생 및 성장에 감육정도를 진단하는 연구를 진행하였다. 초고속 열차의 프레임 및 차체는 주로 강화 알루미늄 및 스테인리스 합금으로 구성되어 있다. 이를 고려하여 알루미늄 합금 강화 재질인 AL-2024로 제작된 두께 6.36 mm (1/4 inch) 평판의 미세 감육 변화를 진단한다. 미세 감육 변화 진단을 위해, 고조파 조화함수 주파수 응답(higher order harmonic response) 그리고 판재의 초음파 고유진동수(ultrasonic vibration) 변화를 동시에 고려한 주파수 응답 이미지를 분석한다. 건전 부 표면에서 두께 대비 2%인, 0.12 mm 단위로 표면감육을 성장시켜, 해당 조건에 대한 주파수 응답 이미지를 획득하고, 이를 국부 영역 합성곱 신경망 알고리즘(regions with convolutional neural networks, R-CNN)을 통해 이미지를 학습을 수행하였다. 지름 70 mm 원형감육에 대해 기존 두께 대비 8%까지, 총 4단계로 구성하여 학습하였다. 이를 통해 감육 깊이에 대한 유사도를 추정할 수 있는 CNN 감육판별 알고리듬을 개발하였으며, 특정 차량의 표면 건전성을 학습된 유도초음파주파수 응답 이미지 CNN 검출기를 통해 판별할 수 있음을 확인하였다.

영어초록

Owing to advancements in propulsion technology, high-speed trains are subjected to significant fatigue stress on their frames and bodies. These effects can elevate the possibility of significant accidents on railways. In this study, a deep learning approach is used to identify an evaluation technique for verifying an initial wall-thinning crack using frequency spectrogram images. The wall-thinning effects of 6.3 mm thick Al-2024 T6 plates, primarily used for frames and bodies, are confirmed through frequency responses of guided waves. To verify the effects of wall thinning, higher-order harmonic frequencies of guided waves and ultrasonic vibration techniques are simultaneously applied. To identify the tendency of frequency response, frequency spectrogram images, illustrated by short-time Fourier transforming analysis, are chosen. To train the detection system using the region-based convolutional neural network (R-CNN), spectrogram images are generated for wall-thinning in steps of 0.12 mm (2% of the thickness). To train the R-CNN engine, the ResNet-50 architecture and the ReLU activation function are used in the convolutional layer to address the issue of gradient vanishing. From the results of this research, the depth of wall thinning in the plates can be identified. Based on the R-CNN training set, the initial wall-thinning failure can be verified with reliable accuracy.

참고자료

· 없음