Caracterização de defeitos sob revestimentos compósitos usando termografia e redes neurais

Abstract

Este estudo aborda a classificação e dimensionamento de defeitos formados por furos passantes desenvolvidos em placas metálicas revestidas com material compósito utilizando termografia e redes neurais. Dois tipos de defeitos foram estudados: furos passantes onde o revestimento compósito está perfeitamente aderido e furos passantes onde o revestimento compósito possui descolamentos nas bordas do furo. Para isso foram utilizadas redes neurais convolucionais (Convolution Neural Networks (CNNs)), e redes recorrentes do tipo Long Short Term Memory (LSTM). Modelos de CNN e LSTM foram treinados e testados com imagens de termografia brutas e imagens espaço-temporais de termografia para classificar e dimensionar os defeitos. Quatro conjuntos de teste foram utilizados para a classificação e regressão. Os conjuntos de um a três foram separados com um número definido de amostras e o conjunto quatro utilizou validação cruzada. A classificação apresentou bons resultados, com exatidão e recall próximos a 100% nos conjuntos de teste um e dois. Com a validação cruzada (conjunto quatro), o melhor resultado atingido foi de 81% com um recall de 85%. Para a avaliação dos modelos de regressão, foram utilizadas as métricas RMSE, MAE e o erro percentual, comparados em com o valor de referência. Na regressão, as redes LSTM obtiveram desempenho superior às CNNs, especialmente com imagens de termografia. Os melhores resultados de regressão foram alcançados com o conjunto dois, que possui dez imagens de cada corpo de prova separadas de forma aleatória, onde os erros médios ficaram próximos a 1%. Com o uso da validação cruzada houve maior variabilidade, porém, maior robustez do modelo. Para o dimensionamento dos furos passantes e da região descolada nas bordas dos furos passantes, o melhor desempenho das redes LSTM foi com as imagens de termografia brutas, onde se atingiu um erro médio (considerando regiões com e sem descolamentos) na ordem de 17%. Para previsões futuras, recomenda-se o uso de redes convolucionais LSTM e imagens de termografia brutas, devido ao melhor desempenho. A combinação de redes neurais e ensaios não destrutivos com termografia mostrou-se útil na classificação e dimensionamento de defeitos, contribuindo para a avaliação da integridade estrutural dos materiais compósitos aplicados em substratos metálicos perfurados.

Abstract: This study addresses the classification and sizing of through holes defects in metal plates coated with composite material using thermography and neural networks. Two types of defects were studied: through holes where the composite coating is perfectly adhered and through holes where the composite coating has detachments at the edges of the hole. For this, convolutional neural networks (Convolution Neural Networks (CNNs)) and recurrent networks of the Long Short Term Memory (LSTM) type were used. CNN and LSTM models were trained and tested with raw thermography images and spatiotemporal thermography images to classify and size the defects. Four test sets were used for classification and regression. Sets one through three were separated with a defined number of samples and set four used cross-validation. The classification showed good results, with accuracy and recall close to 100% in test sets one and two. With cross-validation (set four), the best result achieved was 81% with a recall of 85%. To evaluate the regression models, the RMSE and MAE metrics were used, in addition to the percentage error. In regression, LSTM networks performed better than CNNs, especially with thermography images. The best regression results were achieved with set two, which has ten images of each specimen separated at random, where the average errors were close to 1%. With the use of cross-validation there was greater variability, however, greater robustness of the model. For sizing the through holes and the detached region at the edges of the through holes, the best performance of the LSTM networks was with the raw thermography images, where an average error was achieved (considering regions with and without detachments) of around 17%. For future predictions, it is recommended to use LSTM convolutional networks and raw thermography images due to better performance. The combination of neural networks and nondestructive testing with thermography proved to be useful in classifying and sizing defects, contributing to the assessment of the structural integrity of composite materials applied to perforated metallic substrates.