Проведення дослідження на цю тему стає актуальним у зв’язку з великим значенням безпеки об’єктів критичної інфраструктури та наявністю експлуатаційних дефектів у елементах обладнання та трубопроводах, що створює серйозні загрози, включаючи можливість руйнування обладнання та негативний вплив на навколишнє середовище. Мета даної роботи полягає у вивченні можливості використання дифракційно-часової техніки ультразвукового методу неруйнівного контролю разом з глибокою згортковою нейронною мережею для точного визначення числового значення висоти експлуатаційної тріщини. Серед використаних методів слід зазначити аналітичний метод, метод класифікації, функціональний метод, статистичний метод, метод синтезу та інші. В ході дослідження було виявлено, що автоматизований підхід до вимірювання висоти тріщин, який базується на дифракційних сигналах та використанні нейронних мереж, суттєво покращив якість та точність неруйнівного контролю. Одним з розповсюджених методів контролю для виявлення експлуатаційних тріщин є ультразвуковий контроль, який вважається найбільш ефективним. Він дозволяє надійно виявляти дефекти та визначати їхні розміри без руйнування виробу. Результати дослідження підкреслюють високий потенціал та ефективність методу в аналізі отриманих даних та надають підтвердження його застосовності для визначення стану об’єктів під час ультразвукового обстеження. Робота підкреслює, що ці технології є особливо важливими та ефективними. Зазначається, що їх широке застосування у різних галузях, таких як медицина, авіація та машинне навчання, свідчить про їх потужність у розв’язанні складних завдань. Практичне значення роботи полягає в розвиненні передових підходів, що надають нові інсайти та методи для покращення ефективності аналізу результатів, які можуть бути застосовані в промисловості для поліпшення якості контролю та надійності об’єктів технічного призначення
неруйнівний контроль, експлуатаційні дефекти, ефективність діагностики, обробка даних, автоматизація процедур, індустріальний моніторинг
[1] Atamanchuk, A. (2022). Method of detection and identification UAV with using a neural network. Ternopil: Ternopil Ivan Puluj National Technical University.
[2] Babak, V.P., Babak, S.V., Eremenko, V.S., Kuts, Y.V., Myslovych M.V., Scherbak, L.M., & Zaporozhets, A.O. (2021). Models of Measuring Signals and Fields. Studies in Systems, Decision and Control, 360, 33-59. doi: 10.1007/978-3-030-70783-5_2.
[3] Berezsky, O.M., Pitsun, O.Yo., Melnyk, G.M., & Datsko, T.V. (2021). Application of linear regression method for analysis of cytological images quantitative characteristics. Ukrainian Journal of Information Technology, 3(1), 73-77. doi: 10.23939/ujit2021.03.073.
[4] Bowles, M. (2015). Machine learning in python: Essential techniques for predictive analysis. Retrieved from https://www.wiley.com/en-be/Machine+Learning+in+Python%3A+Essential+Techniques+for+Predictive+Analysis-p-9781118961742.
[5] Burlieiev, O., Vasylenko, O., & Ivanenko, R. (2021). Efficiency of using artificial neural networks in the economy. Economy and Society, 31, 67-72. doi: 10.32782/2524-0072/2021-31-27.
[6] Ceryan, N., Okkan, U., & Kesimal, A. (2012). Application of generalized regression neural networks in predicting the unconfined compressive strength of carbonate rocks. Rock Mechanics and Rock Engineering, 45, 1055-1072. doi: 10.1007/s00603-012-0239-9.
[7] Erkmen, B., & Yildirim, T. (2008). Improving classification performance of sonar targets by applying general regression neural network with PCA. Expert Systems with Applications, 35(1-2), 472-475. doi: 10.1016/j.eswa.2007.07.021.
[8] Fomin, O., Speranskyy, V., Krykun, V., Tataryn, O., & Litynskyi, V. (2023). Models of dynamic objects with significant nonlinearity based on time-delay neural networks. Bulletin of Cherkasy State Technological University, 3, 97-112. doi: 10.24025/2306-4412.3.2023.288284.
[9] Gertsiuk, М. (2022). A mathematical modeling model of river’s water pollution consequences with use of neural network, which based on regression problem. In Collection of Scientific Works “Control, Navigation and Communication Systems” (pp. 95-98). Poltava: National University “Yuri Kondratyuk Poltava Polytechnic”. doi: 10.26906/SUNZ.2022.2.095.
[10] Gerus, V., & Vitruk, S. (2022). Effectiveness of neural networks in the economy. In Proceedings of the1stInternational Scientific and Practical Conference “Science: Development and Factors its Influence” (pp. 389-394). Amsterdam: InterConf.
[11] Hecht, A. (1997). Time of flight diffraction technique (TOFD) – An ultrasonic testing method for all applications. NDTnet, 2(9), 55-90.
[12] Kuznietsova, N.V., & Chernysh, Z.S. (2020). Regression models application for analysis and forecasting of the financial activity quality indicators of the company. System Research & Information Technologies, 2, 67-81. doi: 10.20535/SRIT.2308-8893.2020.2.05.
[13] Lee, S.E., Park, J., Yeom, Y.T., & Kim, H.J. (2023). Sizing-based flaw acceptability in weldments using phased array ultrasonic testing and neural networks. Applied Sciences, 13(5), article number 3204. doi: 10.3390/app13053204.
[14] Paturi, U.M.R., Devarasetti, H., & Narala, S.K.R. (2018). Application of regression and artificial neural network analysis in modelling of surface roughness in hard turning of AISI 52100 steel. Materials Today: Proceedings, 5(2), 4766-4777. doi: 10.1016/j.matpr.2017.12.050.
[15] Petchenko, M., Yakushev, O., Yakusheva, O., & Bilichenko, A. (2023). A neural network model of economic growth. Economic Bulletin of Cherkasy State Technological University, 23(2), 51-60. doi: 10.24025/2306-4420.69.2023.288489.
[16] Pronyaev, D.V., & Melnyk, V.V. (2022). Application of artificial neural networks in health care and medical education. In Current Issues of Science, Education and Society: Theory and Practice (pp. 48-49). Uman: Center for Financial-Economic Research.
[17] Protsenko, O. (2022). Information technology of machine learning in problems of bioengineering. Sumy: Sumy State University.
[18] Qiao, L., Liu, Y., & Zhu, J. (2020). Application of generalized regression neural network optimized by fruit fly optimization algorithm for fracture toughness in a pearlitic steel. Engineering Fracture Mechanics, 235, article number 107105. doi: 10.1016/j.engfracmech.2020.107105.
[19] Ripetskyi, Ye., Ripetskyi, R., & Korobkov, O. (2023). Prediction of the stressed and deformed state of hanging gas pipes under changes in the external load. Prospecting and Development of Oil and Gas Fields, 1(86), 29-37. doi: 10.31471/1993-9973-2023-1(86)-29-37.
[20] Shults, R., Ormambekova, A., Medvedskij, Y., & Annenkov, A. (2023). GNSS-assisted low-cost vision-based observation system for deformation monitoring. Applied Sciences (Switzerland), 13(5), article number 2813. doi: 10.3390/app13052813.
[21] Smailov, N., Dosbayev, Z., Omarov, N., Sadykova, B., Zhekambayeva, M., Zhamangarin, D., & Ayapbergenova, A. (2023). A novel deep CNN-RNN approach for real-time impulsive sound detection to detect dangerous events. International Journal of Advanced Computer Science and Applications, 14(4), 271-280. doi: 10.14569/IJACSA.2023.0140431.
[22] Tymchuk, О., Pylypenko, A., & Kicha, А. (2023). A recurrent neural network for real estate price estimation. Energy and Automation, 5, 88-99. doi: 10.31548/energiya5(69).2023.088.
[23] Wang, Z., & Bovik, A. (2009). Mean squared error: Love it or leave it? A new look at Signal Fidelity Measures. IEEE Signal Processing Magazine, 26(1), 98-117. doi: 10.1109/MSP.2008.930649.
[24] Wang, Z., Bovik, A., & Sheikh, H. (2004). Image quality assessment: From error visibility to structural similarity. IEEE Transactions on Image Processing, 13(4), 600-612. doi: 10.1109/TIP.2003.819861.
[25] Wong, S., Gatt, A., Stamatescu, V., & McDonnell, M. (2016). Understanding data augmentation for classification: When to warp? In International Conference on Digital Image Computing: Techniques and Applications (pp. 1-6). Gold Coast: IEEE. doi: 10.1109/DICTA.2016.7797091.
[26] Yousefi, B., Kalhor, D., Usamentiaga, R., Lei, L., & Ibarra Castanedo, C. (2018). Application of deep learning in infrared non-destructive testing. In 14th Quantitative InfraRed Thermography Conference (pp. 97-105). Berlin: IRT. doi: 10.21611/qirt.2018.p27.