1. SISN
  2. Всі випуски
  3. Випуск 17, 2025
  4. Розпізнавання характеристик включення методами нейронних мереж при моделюванні стаціонарних процесів

Розпізнавання характеристик включення методами нейронних мереж при моделюванні стаціонарних процесів

SISN.
2025;
Випуск 17
: cc. 75 - 92
https://doi.org/10.23939/sisn2025.17.075
Автори:
  1. Гавдульський
  2. Любов Журавчак
1
Національний університет «Львівська політехніка» кафедра програмного забезпечення, Львів, Україна
2
Національний університет "Львівська політехніка", м. Львів, Україна; Карпатське відділення Інституту геофізики ім. С.І. Субботіна НАН України, м. Львів, Україна

Виявлення та ідентифікація включень при моделюванні стаціонарних процесів є важливою задачею в багатьох технічних галузях, зокрема, матеріалознавстві, електроніці та неруйнівному контролі. Наявність включень може впливати на механічні, теплові та електричні властивості матеріалу, а тому точність визначення їхніх геометричних та фізичних характеристик є важливою. Використання сучасних чисельних методів та методів глибинного навчання відкриває нові можливості для покращення ефективності та точності прогнозування результатів. У статті розглянуто застосування непрямого методу приграничних елементів для розв’язування прямих задач теорії потенціалу та різних типів нейронних мереж для розв’язування обернених, тобто для розпізнавання вказаних характеристик включення (їхнього розміщення, розмірів та коефіцієнта провідності). Проведено низку обчислювальних експериментів для знаходження розв’язків прямої задачі, які дозволили отримати набори даних для навчання та тестування
моделей з використанням згорткових, рекурентних та глибинних нейронних мереж.
Для підвищення ефективності аналізу даних протестовано використання методу нормалізації даних. Запропоновано новий підхід виділення ознак для прогнозування фізичної характеристики включення (коефіцієнта провідності), що суттєво покращило точність її обчислення. Після проведеного тестування вибрано низку архітектур нейронних мереж для знаходження геометричних і фізичних характеристик та побудовано ансамблі нейронних мереж, які об’єднують найкращі аспекти кожної з них. Результати тестування ансамблевої моделі показали вищу точність визначення коефіцієнта провідності та геометричних характеристик включення порівняно з окремими моделями.
Отримані результати можуть бути корисними для вдосконалення методів неруйнівного контролю та виявлення дефектів чи включень. Подальші дослідження будуть спрямовані на розроблення підходу до визначення характеристик декількох включень та створення варіативніших наборів даних.

нейронні мережі
розпізнавання включень
стаціонарні процеси
згорткові нейронні мережі
машинне навчання
неруйнівний контроль
теорія потенціалу
обчислювальний експеримент
  1. Al-Athel, K. S., Alhasan, M. M., Alomari, A. S., & Arif, A. F. M. (2022). Damage characterization of embedded defects in composites using a hybrid thermography, computational, and artificial neural networks approach. Heliyon, 8(8), e10063. https://doi.org/10.1016/j.heliyon.2022.e10063
  2. Alshoaibi, A. M., & Fageehi, Y. A. (2024). Advances in Finite Element Modeling of Fatigue Crack Propagation.Applied Sciences, 14(20), 9297. https://doi.org/10.3390/app14209297
  3. Dubey, A. K., & Jain, V. (2019). Comparative Study of Convolution Neural Network’s Relu and Leaky-Relu Activation Functions. В S. Mishra, Y. R. Sood, & A. Tomar (Ред.), Applications of Computing, Automation and Wireless Systems in Electrical Engineering (с. 873–880). Singapore: Springer Singapore. https://doi.org/10.1007/978-981-13-6772-4_76
  4. Guan, X., & Burton, H. (2022). Bias-variance tradeoff in machine learning: Theoretical formulation and implications          to          structural          engineering          applications.          Structures,          46,          17–30.https://doi.org/10.1016/j.istruc.2022.10.004
  5. Han, A. L., Gan, B. S., & Setiawan, Y. (2014). The Influence of Single Inclusions to the Crack Initiation, Propagation and Compression Strength of Mortar. Procedia Engineering, 95, 376–385. https://doi.org/10.1016/j.proeng.2014.12.196
  6. He, K., Zhang, X., Ren, S., & Sun, J. (2015). Deep Residual Learning for Image Recognition (Версія 1). Версія1. arXiv. https://doi.org/10.48550/ARXIV.1512.03385
  7. Hosna, A., Merry, E., Gyalmo, J., Alom, Z., Aung, Z., & Azim, M. A. (2022). Transfer learning: A friendly introduction. Journal of Big Data, 9(1), 102. https://doi.org/10.1186/s40537-022-00652-w
  8. Hussain, M. (2024). YOLOv5, YOLOv8 and YOLOv10: The Go-To Detectors for Real-time Vision (Версія 1).Версія 1. arXiv. https://doi.org/10.48550/ARXIV.2407.02988
  9. Jaddi, S., Coulombier, M., Raskin, J.-P., & Pardoen, T. (2019). Crack on a chip test method for thin freestanding films. Journal of the Mechanics and Physics of Solids, 123, 267–291. https://doi.org/10.1016/j.jmps.2018.10.005
  10. Jo, J.-M. (2019). Effectiveness of Normalization Pre-Processing of Big Data to the Machine Learning Performance. The Journal of the Korea institute of electronic communication sciences, 14(3), 547–552. https://doi.org/10.13067/JKIECS.2019.14.3.547
  11. Khodadad, M., & Ardakani, M. D. (2008). Inclusion Identification by Inverse Application of Boundary Element Method, Genetic Algorithm and Conjugate Gradient Method. American Journal of Applied Sciences, 5(9), 1158– 1166.    https://doi.org/10.3844/ajassp.2008.1158.1166
  12. Kurnyta-Mazurek, P., Wrąbel, R., & Kurnyta, A. (2025). Computer-Aided Supporting Models of Customized Crack Propagation Sensors for Analysis and Prototyping. Sensors, 25(2), 566. https://doi.org/10.3390/s25020566
  13. Lema, D. G., Pedrayes, O. D., Usamentiaga, R., Venegas, P., & Garcia, D. F. (2022). Automated Detection of Subsurface Defects Using Active Thermography and Deep Learning Object Detectors. IEEE Transactions on Instrumentation and Measurement, 71, 1–13. https://doi.org/10.1109/TIM.2022.3169484
  14. Montesinos López, O. A., Montesinos López, A., & Crossa, J. (2022). Fundamentals of Artificial Neural Networks and Deep Learning. В O. A. Montesinos López, A. Montesinos López, & J. Crossa, Multivariate Statistical Machine Learning Methods for Genomic Prediction (с. 379–425). Cham: Springer International Publishing. https://doi.org/10.1007/978-3-030-89010-0_10
  15. Müller, D., Netzelmann, U., & Valeske, B. (2022). Defect shape detection and defect reconstruction in active thermography by means of two-dimensional convolutional neural network as well as spatiotemporal convolutional LSTM        network.        Quantitative        InfraRed        Thermography        Journal,        19(2),        126–144.https://doi.org/10.1080/17686733.2020.1810883
  16. Oswald-Tranta, B., Lopez De Uralde Olavera, P., Gorostegui-Colinas, E., & Westphal, P. (2023). Convolutional neural network for automated surface crack detection in inductive thermography. В N. P. Avdelidis (Ред.), Thermosense: Thermal Infrared Applications XLV (с. 16). Orlando, United States: SPIE. https://doi.org/10.1117/12.2663485
  17. Patra, R., & Dutta, P. K. (2013, Березень 6). Improved DOT reconstruction by estimating the inclusion location using artificial neural network (R. M. Nishikawa & B. R. Whiting, Ред.). Lake Buena Vista (Orlando Area), Florida, USA. https://doi.org/10.1117/12.2007905
  18. Ren, S., He, K., Girshick, R., & Sun, J. (2015). Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks (Версія 3). Версія 3. arXiv. https://doi.org/10.48550/ARXIV.1506.01497
  19. Ronneberger, O., Fischer, P., & Brox, T. (2015). U-Net: Convolutional Networks for Biomedical Image Segmentation (Версія 1). Версія 1. arXiv. https://doi.org/10.48550/ARXIV.1505.04597
  20. Tavares, L. D., Saldanha, R. R., & Vieira, D. A. G. (2015). Extreme learning machine with parallel layer perceptrons. Neurocomputing, 166, 164–171. https://doi.org/10.1016/j.neucom.2015.04.018
  21. Travassos, Xisto L., Avila, S. L., & Ida, N. (2021). Artificial Neural Networks and Machine Learning techniques applied to Ground Penetrating Radar: A review. Applied Computing and Informatics, 17(2), 296–308. https://doi.org/10.1016/j.aci.2018.10.001
  22. Travassos, X.L., Vieira, D. A. G., Ida, N., Vollaire, C., & Nicolas, A. (2008). Characterization of Inclusions in a Nonhomogeneous GPR Problem by Artificial Neural Networks. IEEE Transactions on Magnetics, 44(6), 1630– 1633.    https://doi.org/10.1109/TMAG.2007.915332
  23. Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., … Polosukhin, I. (2017). Attention Is All You Need. https://doi.org/10.48550/ARXIV.1706.03762
  24. Weitz, S., Clausner, A., & Zschech, E. (2024). Microcracking in On-Chip Interconnect Stacks: FEM Simulation and Concept for Fatigue Test. Journal of Electronic Materials, 53(8), 4401–4409. https://doi.org/10.1007/s11664- 024-11091-z
  25. Yang, J., Wang, W., Lin, G., Li, Q., Sun, Y., & Sun, Y. (2019). Infrared Thermal Imaging-Based Crack Detection Using Deep Learning. IEEE Access, 7, 182060–182077. https://doi.org/10.1109/ACCESS.2019.2958264
  26. Yin, W., Yang, Z., & Meng, P. (2023). Solving Inverse Scattering Problem with a Crack in Inhomogeneous Medium Based on a Convolutional Neural Network. Symmetry, 15(1), 119. https://doi.org/10.3390/sym15010119
  27. Yuan, C. C. A., & Lee, C.-C. (2020). Solder Joint Reliability Modeling by Sequential Artificial Neural Network for Glass Wafer Level Chip Scale Package. IEEE Access, 8, 143494–143501. https://doi.org/10.1109/ACCESS.2020.3014156
  28. Zhao, L., He, Z., Wang, Z., Su, L., & Lu, X. (2020). Simulation and Experimental Investigation on Active Thermography Test of the Solder Balls. IEEE Transactions on Industrial Informatics, 16(3), 1617–1624. https://doi.org/10.1109/TII.2019.2945583
  29. Zhao, X., Zhao, Y., Hu, S., Wang, H., Zhang, Y., & Ming, W. (2023). Progress in Active Infrared Imaging for Defect Detection in the Renewable and Electronic Industries. Sensors, 23(21), 8780. https://doi.org/10.3390/s23218780
  30. Zhuravchak, L., & Zabrodska, N. (2024). Algorithm for determining inclusion parameters in solving inverse problems of geoelectrical exploration using the profiling method. Geodynamics, 1(36)2024(1(36)), 98–107. https://doi.org/10.23939/jgd2024.01.098