缺陷检测和无损检测焊缝中奥氏体不锈钢304的使用 神经

缺陷检测和无损检测焊缝中奥氏体不锈钢304的使用 神经

ID:28305957

大小:66.04 KB

页数:12页

时间:2018-12-09

缺陷检测和无损检测焊缝中奥氏体不锈钢304的使用                       神经 _第1页
缺陷检测和无损检测焊缝中奥氏体不锈钢304的使用                       神经 _第2页
缺陷检测和无损检测焊缝中奥氏体不锈钢304的使用                       神经 _第3页
缺陷检测和无损检测焊缝中奥氏体不锈钢304的使用                       神经 _第4页
缺陷检测和无损检测焊缝中奥氏体不锈钢304的使用                       神经 _第5页
资源描述:

《缺陷检测和无损检测焊缝中奥氏体不锈钢304的使用 神经 》由会员上传分享,免费在线阅读,更多相关内容在应用文档-天天文库

1、奥氏体不锈钢304的焊缝区域神经网络超声波缺陷检测和无损检测近年来,非破坏性的评价重要性已迅速增加,由于大型结构的坍塌和安全事故的多发,在许多工程超声波法它经常被用来作为主要的非破坏性检验无损检测(NDT)的技术,在体积测试器的使用中侧重用于评估材料的完整性中有显著作用。本文建议对神经网络的奥氏体不锈钢304检测焊缝区的缺陷在使用超声波,采用此方法检测缺陷和评估它们的基础。在检测的缺陷时,我们扫描并画出一个标准的灵敏度距离,并初步的在超声波探头上显示扫描灵敏度幅值仪器和定量物料之间的相关性的标准曲线,这是用来绘制一个定量评价距离振幅曲线。基于关于超声评价缺陷和学习的神经网络系统

2、的系统一共有93.3%的缺陷类型区别在于组织神经网络测试后,因此,在这项工作中提出超声波非破坏性奥氏体不锈钢304的超声波神经网络对缺陷检测和的焊接区的评价(UNDE)。关键词:神经网络,超声波,超声波无损检测,横波,纵波,热影响区,人工缺陷,参考块,光束距离,折射角.一,引言有一种变量在焊接过程时表面上的焊缝区由于众多的内部缺陷,咬边和裂缝都受到相当大的集中应力,从而常常导致产量减少。因此,在结构的完整性方面的重要性和稳定性两方面检测在所述焊接各种缺陷区和定量评估都具有十分重要意义。超声评价方法它被广泛用于检测在许多工业领域的焊接区的内部缺陷,起着至关要的作用角色。容量测试方

3、法(ASME,1995)作用在PSL/ISL进行期间的化学,热学和原子发电厂等。在焊接区的超声无损评估(UNDE)在检查的重要工程意义和延伸新建管的寿命时间线保证了稳定性,目前的经营不锈钢及管线原子能发电站等。研究这包括:射线检测方法(Thomas等,1992),渗透检测方法(ASME,1995),磁粉探伤法(ASME,1995)及超声波探伤方法(Yi等,1996)。在这些方法中,实时射线检测方法在结果处理和原子损坏渗透测试和磁粉探伤方法有许多的问题,如缺陷的局限性检测到的表面和次表面。然而超声波探伤法(Yi等,1995,1997,1997),具有检测位置的优点和缺陷,即使通过

4、采用神经网络图案已被证实在模式识别领域具有优越性。研究这已由Schmerr(1995)和Lee(1995)等。Schmerr(1995)提出了分类焊接缺陷使用超声波的模式识别方法和概率神经网络。一种超声波法具有较高的特性和实用性,并在热评估人工缺陷影响用反向传播的神经网络区域和学习算法分类。以往的研究实验大多是零碎和上沉积金属和热奥氏体不锈钢304的影响区,焊接区。有几个研究的检测以及在焊接区的缺陷分类基于定量缺陷评价标准,实用性强。奥氏体不锈钢的焊接区是一个粗晶柱状结构。当超声波波通过的材料,由于散射性高,许多虚假回波衰减传播信号和噪声比例低。此外,该柱状结构体是相当有异性横

5、波充当向导波导致的问题,如虚假回波。因此,它是已知的施加剪力波。角度:这种方法,这是一种碳钢在铁素体中超声波探伤来采用现有的方法,仅启用的德ECTS检测,在基体金属之间和L的边界附近,他是金属(Kishiue.1985)以及检测的金属缺陷及其量,评价几乎是不可能的。这项研究提出了缺陷分类和超声波无损评估人工缺陷的方法(横孔,垂直在奥氏体焊缝区的孔和缺口)不锈钢板304通过了解在CRT上的超声波缺陷信号的特性构建神经回路和网络体系,其表现为经过验证的缺陷分类,从所获取的缺陷信号。2。神经网络理论2.1架构神经网络的学习算法生物神经细胞在人脑和它们的结缔组织关系神经网络简化了,然后

6、在数学模型下他们实现一种智能形式并相同与人脑系统。这是包括多层神经网络一个输入层,一个隐藏层和一个输出层作用于模式分类。中间层和输出层有处理单位和连接强度。RHE通过处理一个输出,处理单位内各节点在公式所示(1)通过增加偏置值给每个输入值来乘以强度。其中在(1--1)层是该节点m号。其中θ是因子S形曲线形状来确定的,它的功能是活化形式。除了在输入层,总输入中的每个节点是乘以强度值中的所有节点的输出值前面的层,也就是说,在第j个总输入值在第k层节点如式子(2)所示。其中m是该节点号存在在(k-1)层,它是第i个节点之间的连接强度第j个节点在(K-1)层中的第k层,在(k-1)层内

7、地j层是输出节点。在式子(3)中,从输出节点的输出和计算系数θ是偏置值。计算的隐层节点输出如等式(3)。重复该过程来纠正输入和输出之间的连接强度并尽可能降低误差E,其平均节点是的推定误差的平方公术语根据的每一个输入模式值作出给定的输出节点。在一般情况下,输出值是从目标值,所以平均系统不同误差可以计算如下。(4)其中m是由数据模式的分配数输入最小化方程的数值,Y是目标值OT是输出值。对连接强度Z是可能用最速下降法和反向传播算法来计算。在方程(5)和(6),一个新的强度形成简单地执行对最速下降电

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。