Fuzzy-neural and evolutionary computation in identification of defects

• Autorzy: Burczyński T. , Orantek P. , Skrobol A.

Warianty tytułu

PL

Neuronowo-rozmyte oraz ewolucyjne obliczenia w identyfikacji defektów

• Języki publikacji: EN

Abstrakty

EN

It is known that an elastic body contains some internal defects such as voids, cracks, additional masses, etc. This paper is devoted to a method based on computational intelligence for non-destructive defect identification. In the presented paper, an elastic body loaded statically is considered. The body contains an unknown number of internal defects. There are a lot of applications based on non-destructive methods. The Evolutionary Algorithm (EA) with the Boundary Element method (BEM) is a very effective tool in the identification of internal defects. In this method, the fitness function is calculated for each chromosome in each generation by the BEM. The number of chromosomes in each generation is quite large, and the number of generations is also large, so the time needed to carry out the identification is very long. Methods based on Artificial Neural Networks (ANN) find the position and shape of internal defects in a very short time. Because ANNs are usually trained using gradient methods, the risk that the solution is in a local optimum is one of disadvantages of such a method. There is also a problem when the ANN has to identify two or more different kinds of defects (cracks, voids and additional masses) in one body. In the present method, an EA is connected with the ANN in one system. This operational allows to avoid main disadvantages of these methods and to use their advantages. The evolutionary algorithm is applied to identify the number of defects and their parameters (position and size). The identification of a defect in the body is performed by minimizing the fitness function which is calculated as a difference between measured and computed displacements in some sensor points on the boundary of the investigated structure. The fitness function is computed using an Artificial Neural Network (ANN).

PL

Obiekty techniczne jako układy mechaniczne zawierają różne defekty wewnętrzne takie jak pustki, pęknięcia itp. Artykuł jest poświęcony nieniszczącym metodom identyfikacji defektów opartym na inteligencji obliczeniowej. Rozważane jako ciało sprężyste znajdujące się pod wpływem obciążenia statycznego zawierające nieznaną liczbę defektów wewnętrznych. Istnieje wiele nieniszczących metod identyfikacji defektów wewnętrznych. Jedną z nich jest metoda oparta na Algorytmach Ewolucyjnych (AE) połączonych z Metodą Elementów Brzegowych (MEB). W tej metodzie dla każdego chromosomu w każdym pokoleniu obliczana jest za pomocą MEB funkcja przystosowania. Ponieważ liczba chromosomów w epoce oraz liczba epok jest dosyć duża, zatem czas potrzebny do przeprowadzenia identyfikacji jest znaczący. Metody bazujące na Sztucznych Sieciach Neuronowych (SSN) identyfikują położenie oraz kształt defektów wewnętrznych w bardzo krótkim czasie. SSN są zazwyczaj uczone z wykorzystaniem metod gradientowych. Isnieje zatem spore ryzyko, że uzyskane rozwiązanie utknęło w minimum lokalnym. Wykorzystując SSN napotykamy na spore trudności również w przypadku identyfikacji dwóch lub więcej różnych rodzajów defektów (pęknięć, pustek itp.), które występują jednocześnie w identyfikowanym układzie. W metodzie opisywanej w niniejszym artykule połączono AE oraz SSn w jeden system. Operacja ta pozwoli ustrzec się przed głównymi wadami i uwypuklić zalety obydwu metod. AE identyfikuje liczbę, położenie oraz wymiary defektów. Identyfikacja następuje przez minimalizację funkcji przystosowania, która jest mierzona jako różnica pomiędzy zmierzonymi i obliczonymi przemieszczeniami na brzegu modelu obiektu w punktach kontrolnych. Funkcja przystosowania jest obliczana z wykorzystaniem SSN.

Słowa kluczowe

EN

fuzzy neural network; evolutionary algorithm; defect; identification; boundary element method

• Wydawca: Polskie Towarzystwo Mechaniki Teoretycznej i Stosowanej
• Czasopismo: Journal of Theoretical and Applied Mechanics
• Rocznik: 2004
• Tom: Vol. 42 nr 3
• Strony: 445--460
• Opis fizyczny: Bibliogr. 13 poz., rys., tab.

Twórcy

autor

Burczyński T.

• Department for Strength of Materials and Computational Mechanics, Silesian University of Technology, Gliwice, Poland
• Institute of Computer Modelling, Cracow University of Technology, Kraków, Poland

autor

Orantek P.

• Department for Strength of Materials and Computational Mechanics, Silesian University of Technology, Gliwice, Poland

autor

Skrobol A.

• Department for Strength of Materials and Computational Mechanics, Silesian University of Technology, Gliwice, Poland

Bibliografia

• 1. Bonnet M., Burczyński T., Nowakowski M., 2002, Sensitivity analysis for shape perturbation of cavity or internal crack using BIE and adjoint variable approach, International Journal of Solids and Structures, 39, 2365-2385
• 2. Burczyński T., 1995, The Boundary Element Method in Mechanics, WNT Warszawa
• 3. Burczyński T. (edit.), 2002, Computational Sensitivity Analysis and Evolutionary Optimization of Systems with Geometrical Singularities, ZN KWMiMKM, Gliwice
• 4. Burczyński T., Beluch W., Długosz A., Orantek P., Nowakowski M., 2000, Evolutionary methods in inverse problems of engineering mechanics, In: Inverse Problems in Engineering Mechanics II (eds. M. Tanaka and G.S. Dulikravich), Elsevier, 553-562
• 5. Burczyński T., Orantek P., Skrobol A., 2003, Application of computational intelligence system for defect identification, Proc. ECCOMAS Symposium on Artificial Intelligence AI-METH, Gliwice
• 6. Jang J.R., Sun Ch., Mizutani E., 1997, Neuro-Fuzzy and Soft Computing. A Computational Approach to Learning and Machine Intelligence, Prentice-Hall, Upper Saddle River
• 7. Nowakowski M., 2000, Analiza wrażliwości i identyfikacja kształtu brzegów wewnętrznych drgających układów mechanicznych przy zastosowaniu metody elementów brzegowych, Rozprawa doktorska, Politechnika Śląska, Gliwice
• 8. Osowski S., 1996, Sieci neuronowe w ujęciu algorytmicznym, WNT, Warszawa
• 9. Piątkowski G., Ziemiański L., 2003, Neural network identification of a circular hole in the rectangular plate, In: Neural Networks and Soft Computing (eds L. Rutkowski, J. Kacprzyk), Heidelberg, Physica-Verlag Springer, 778-783P
• 10. Rutkowska D., 1997, Computational Intelligent Systems, Akademicka Oficyna Wydawnicza PLJ, Warszawa (in Polish)
• 11. Waszczyszyn Z., Ziemiański L., 2001, Neural networks in mechanics of structures and materials – new results and prospects of applications, In: Computer and Structures, 79, 2261-2276
• 12. Waszczyszyn Z., Ziemiański L., 2003, Neural networks in the identification analysis of structural mechanics problems, CISM Advanced School on Parameter Identification of Materials and Structures, Udine
• 13. Ziemiański L., Piątkowski G., 2000, Use of neural networks for damage detection in structural elements using wave propagation, In: Topping B.H.V. (Edit.), Computational Engineering using Metaphors from Nature, Edinburgh: Civil-Comp Press, 25-30