[pt] 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. / [en] 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.
| Identifer | oai:union.ndltd.org:puc-rio.br/oai:MAXWELL.puc-rio.br:59910 |
| Date | 11 July 2022 |
| Creators | CHRISTIAN DEYVI VILLARES HOLGUIN |
| Contributors | ALAN CONCI KUBRUSLY, ALAN CONCI KUBRUSLY, ALAN CONCI KUBRUSLY |
| Publisher | MAXWELL |
| Source Sets | PUC Rio |
| Language | English |
| Detected Language | Portuguese |
| Type | TEXTO |
Page generated in 0.0025 seconds