Return to search

Reconhecimento de padrões através de análises estatísticas e fractais aplicadas a dados de ensaios não-destrutivos

SILVA, F. E. da. Reconhecimento de padrões através de análises estatísticas e fractais aplicadas a dados de ensaios não-destrutivos. 2011. 120 f. Tese (Doutorado em Engenharia e Ciência de Materiais) - Centro de Tecnologia, Universidade Federal do Ceará, Fortaleza, 2011. / Submitted by Marlene Sousa (mmarlene@ufc.br) on 2012-05-07T18:19:04Z
No. of bitstreams: 1
2011_tese_fesilva.pdf: 6679504 bytes, checksum: 6d70aae5b438e3ce7eadd57eed3134b7 (MD5) / Approved for entry into archive by Marlene Sousa(mmarlene@ufc.br) on 2012-05-07T18:21:07Z (GMT) No. of bitstreams: 1
2011_tese_fesilva.pdf: 6679504 bytes, checksum: 6d70aae5b438e3ce7eadd57eed3134b7 (MD5) / Made available in DSpace on 2012-05-07T18:21:07Z (GMT). No. of bitstreams: 1
2011_tese_fesilva.pdf: 6679504 bytes, checksum: 6d70aae5b438e3ce7eadd57eed3134b7 (MD5)
Previous issue date: 2011-12 / In this work a procedure is studied for pattern classification related to different types of data,
namely: (1) signals obtained from ultrasonic testing ( pulse-echo technique) and magnetic
signals obtained from Barkhäusen noise in samples of ferritic-pearlitic carbon steel tubes
which, due to temperature effects, have shown microstructural changes as consequence of the
total or partial transformation of the pearlite into spherodite; (2) images built from TOFD
ultrasonic testing and 8 bit digital radiographic images obtained from carbon steel 1020
sheets, with different welding defects. From the data obtained, images have been considered
with the defects as lack of fusion, lack of penetration, porosity and images without defect. For
this aim, non-conventional mathematical techniques have been used for the preprocessing of
the data, namely, the statistical analyses, Hurst analysis (RSA) and detrended fluctuation
analysis (DFA), and fractal analyses, box counting analysis (BCA) and minimal cover
analysis (MCA). The curves obtained with the initial mathematical treatment, discrete
functions of the temporal window width, have been handled with the supervised and nonsupervised
pattern recognition techniques known as principal component analysis and
Karhunen-Loève (KL) transformation analysis respectively. With respect to the magnetic
signals, the KL classifier has been shown to be very efficient when applied to DFA obtained
from the magnetic flux, with a success rate around 94%. On the other hand, for the magnetic
noise signals we have not obtained an acceptable success rate independently of the preprocessing
used. However, when were considered the curves obtained by concatenating all
curves of the pre-processing was obtained a consistent average success rate of 85%. As far as
the rate of success of the PCA classifier is concerned, an excellent success of 96% has been
reached for concatenated curves of selected data of magnetic noise only. As far as the
analyses of the backscattered ultrasonic signals is concerned, it was not possible to classify
the different stages of the microstructural degradation by using KL or PCA independently of
the pre-processing used. As far as the analyses of the D-scan images are concerned, by
applying PCA a rate of success of 81% has been obtained with MCA data, 73% has been
obtained by concatenating all curves from the different fractal and statistical analyses and
around 85% when concatenating the best individual results (DFA and MCA). On the other
hand, considering the KL classifier, high success rates have been verified for the training stage, between 96% and 99%, and a maximum success rate (100%), when concatenating all
analyses. With respect to the testing results, the best success rate which has been reached was
approximately 77%, when concatenating all the curves obtained from the statistical and fractal
pre-processing. For the digitalized radiographic images, relevant individual rates of success
(between 70% and 90%) for the training set (consisting of all data) have been obtained for
the classifier KL only, and a 100% success rate, when concatenating all the curves obtained
from the pre-processing of the images. / Neste trabalho estudou-se uma metodologia de classificação de padrões relacionados a dois
tipos de dados: (1) sinais obtidos através dos ensaios ultrassônicos (técnica pulso-eco) e sinais
magnéticos obtidos através de ruído Barkhausen realizados em amostras de tubos de aço
carbono ferrítico-perlítico que devido aos efeitos da temperatura de trabalho apresentaram
mudanças microestruturais decorrentes da transformação parcial ou total da perlita em
esferoiditas; e (2) imagens construídas a partir de ensaios ultrassônicos (técnica TOFD) e
imagens radiográficas digitais de chapas de aço carbono 1020 soldadas, obtidas com
resolução de 8bits, nas quais foram inseridos diversos tipos de defeitos de soldagem. Dos
dados gerados, foram estudadas as imagens com os defeitos de falta de fusão (FF), falta de
penetração (FP), porosidade (PO) e uma classe designada como sem defeito (SD). Para tanto,
utilizaram-se de técnicas matemáticas não convencionais no pré-processamentos dos dados
conhecidas como análises estatísticas de Hurst (RSA) e flutuação sem tendência (DFA) e as
análises fractais de contagem de caixas (BCA) e de mínima cobertura (MCA). Em seguida as
curvas obtidas desse tratamento matemático inicial, funções discretas da largura da janela
temporal, foram utilizadas na alimentação das técnicas de reconhecimento de padrões não
supervisionada e supervisionada conhecidas, respectivamente, como análise de componentes
principais (PCA) e análise da transformação de Karhunen-Loève (KL). Em relação aos
estudos dos sinais magnéticos, o classificador KL mostrou-se eficiente quando aplicado às
DFA do fluxo magnético, com uma taxa de sucesso em torno de 94%. Já para os sinais do
ruído magnético não se obteve uma taxa de sucesso aceitável, independente do préprocessamento
utilizado. Entretanto quando todas as curvas de todas as análises, dos dois
tipos de sinais magnéticos (ruído e fluxo), foram concatenadas, obteve-se uma taxa média de
sucesso consistente de aproximadamente 85%. No tocante às taxas de sucesso do classificador
PCA, somente para o ruído magnético e considerando todas as curvas concatenadas para um
grupo de dados selecionados, conseguiu-se uma taxa de sucesso de 96%. A respeito das
análises dos sinais ultrassônicos retroespalhados, também não foi possível classificar, nem
com a KL e nem com a PCA, os diferentes estágios de degradação microestrutural,
independemente do pré-processamento utilizado. No tocante às analises das imagens D-scan,
obteve-se com a PCA, taxas de sucesso de 81% considerando apenas os dados das MCA, 73% quando as curvas de todas as análises estatísticas e fractais foram concatenadas, e em torno de
85%, quando apenas as curvas das melhores análises (DFA e MCA) foram concatenadas. Já
considerando o classificador KL, verificaram-se taxas de sucesso na etapa de treinamento,
entre 96% e 99%, e máxima taxa de sucesso (100%) no caso dos vetores de todas as análises
concatenados. Em relação aos resultados dos testes, a melhor taxa de sucesso alcançada foi
aproximadamente de 77% quando se concatenaram todas as curvas oriundas dos préprocessamentos
estatísticos e fractais. Com respeito às imagens radiográficas digitalizadas
somente com o classificador KL (na etapa de treinamento, com 100% dos vetores) obtiveramse
taxas de sucesso individuais entre 70 e 90% de acertos e 100% de sucesso na classificação
quando se concatenaram as curvas de todos os pré-processamentos das imagens.

Identiferoai:union.ndltd.org:IBICT/oai:www.repositorio.ufc.br:riufc/2576
Date12 1900
CreatorsSilva, Francisco Estênio da
ContributorsMoura, Elineudo Pinho de, Gonçalves, Lindberg Lima
Source SetsIBICT Brazilian ETDs
LanguagePortuguese
Detected LanguageEnglish
Typeinfo:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/doctoralThesis
Sourcereponame:Repositório Institucional da UFC, instname:Universidade Federal do Ceará, instacron:UFC
Rightsinfo:eu-repo/semantics/openAccess

Page generated in 0.0029 seconds