Damage detection using phased array ultrasound and data analysis using artificial intelligence
| datacite.contributor.RelatedPerson | Θεόδωρος Λούτας | |
| datacite.contributor.RelatedPerson | Δημοσθένης Πολύζος | |
| datacite.contributor.Supervisor | Βασίλειος Κωστόπουλος | |
| datacite.contributor.Supervisor | Roger Groves | |
| datacite.rights | http://purl.org/coar/access_right/c_abf2 | el |
| dc.contributor.author | Γιοβάνης, Γεώργιος | |
| dc.contributor.other | Giovanis, Geprgios | |
| dc.date.accessioned | 2022-02-28T08:36:21Z | |
| dc.date.available | 2022-02-28T08:36:21Z | |
| dc.date.copyright | 2022-02-28 | |
| dc.degree | graduateThesis | el |
| dc.description.abstract | The present thesis aims to damage detection of composite aeronautical materials with the phased array ultrasonic testing (PAUT) and data analysis artificial intelligence (AI). First, there is an introduction to the source of the project's inspiration and its scientific significance. Secondly, there is a reference on composite materials, how they are used in aeronautical applications, and the damage mechanisms that take place. At that point, after briefly examining some standard non-destructive testing (NDT) methods, the selected technique and its capabilities are analyzed in depth, both at a theoretical and a scientific level. Next, the concept of Artificial Intelligence, Machine and Deep Learning is introduced, and the methods of "Supervised Learning" and "Unsupervised Learning" are analyzed in detail. More specifically, the clustering algorithm K-means and the Deep Neural Networks (DNNs) with emphasis on the convolutional neural networks (CNNs) are examined. Then, after a literature review of the scientific efforts made concerning the analysis of ultrasound data using artificial intelligence, the description of the project is presented, followed by the forming of the research questions and the methodology that was applied in the following research. Subsequently, the experimental setup (materials, equipment), the way of capturing the data, and the pre-processing and post-processing methods are described. Next, the unsupervised machine learning method used for binary classification for two different composites is analyzed, and the respective results are presented. Furthermore, the supervised deep learning method used for binary classification is analyzed, and the relevant results are presented. Finally, the conclusions that emerge from this analysis are presented, and suggestions for improvement and expansion of the work in the future are reported. | el |
| dc.description.translatedabstract | Η παρούσα διπλωματική εργασία στοχεύει στην ανίχνευση βλαβών σε σύνθετα αεροναυπηγικά υλικά με τη μέθοδο των υπερήχων (phased array) και ανάλυση των δεδομένων με την τεχνητή νοημοσύνη. Αρχικά, υπάρχει μια εισαγωγή σχετικά με την πηγή έμπνευσης του πρότζεκτ καθώς και της επιστημονικής του σημασίας. Δευτερευόντως, γίνεται μια αναφορά στα σύνθετα υλικά, στον τρόπο χρήσης τους σε αεροναυπηγικές εφαρμογές και στου μηχανισμούς βλαβών που μπορούν να πάρουν μέρος σε αυτά. Έπειτα, αφού εξεταστούν εν ολίγοις διάφοροι μη καταστροφικοί έλεγχοι (ΜΚΕ), αναλύεται εις βάθος η επιλεχθείσα τεχνική και οι δυνατότητες της, τόσο σε θεωρητικό όσο και σε επιστημονικό επίπεδο. Εν συνεχεία, εισάγεται η έννοια της τεχνητής νοημοσύνης (Artificial Intelligence), της μηχανικής και βαθιάς μάθησης (Machine and Deep Learning) και αναλύονται εκτενώς οι μέθοδοι «με επίβλεψη» (Supervised Learning) και «χωρίς επίβλεψη» (Unsupervised Learning). Πιο συγκεκριμένα, εξετάζεται ο αλγόριθμος ομαδοποίησης των Κ μέσων (Clustering algorithm K-means) και τα βαθιά νευρωνικά δίκτυα (Deep Neural Networks) με έμφαση στα συνελικτικά νευρωνικά δίκτυα (Convolutional Neural Networks). Ύστερα, αφού υπάρξει βιβλιογραφική έρευνα για τις επιστημονικές προσπάθειες που έχουν γίνει σε σχέση με την ανάλυση των δεδομένων από υπερήχους με τη χρήση της τεχνητής νοημοσύνης, παρουσιάζεται η περιγραφή του προβλήματος, τίθενται τα ερωτήματα της παρούσας επιστημονικής έρευνας και αναλύεται εν συντομία η μεθοδολογία που θα ακολουθήσει. Ακολούθως, περιγράφεται η πειραματική διάταξη (υλικά, εξοπλισμός), ο τρόπος απόκτησης και οι μέθοδοι προ-επεξεργασίας και μετα-επεξεργασίας των πειραματικών δεδομένων. Κατόπιν, γίνεται ανάλυση της μεθόδου μηχανικής μάθησης ‘χωρίς επίβλεψη’ που χρησιμοποιήθηκε για δυαδική ταξινόμηση (binary classification) για δύο διαφορετικά σύνθετα υλικά και παρουσιάζονται τα αποτελέσματα. Εν συνεχεία, γίνεται ανάλυση της μεθόδου βαθιάς μάθησης ‘με επίβλεψη’ που χρησιμοποιήθηκε για δυαδική ταξινόμηση και παρουσιάζονται τα αποτελέσματα. Τέλος, παρουσιάζονται τα συμπεράσματα που προκύπτουν από τις αναλύσεις και αναφέρονται προτάσεις για βελτίωση και επέκταση της εργασίας στο μέλλον. | el |
| dc.identifier.uri | http://hdl.handle.net/10889/15840 | |
| dc.language.iso | en | el |
| dc.subject | Phased array ultrasonics testing (PAUT) | el |
| dc.subject | Artificial intelligence (AI) | el |
| dc.subject | Damage detection | el |
| dc.subject | Composite materials | el |
| dc.subject | Non-destructive testing (NDT) | el |
| dc.subject.alternative | Τεχνητή νοημοσύνη | el |
| dc.subject.alternative | Ανίχνευση βλαβών | el |
| dc.subject.alternative | Μη καταστροφικοί έλεγχοι | el |
| dc.subject.alternative | Υπέρηχοι | el |
| dc.subject.alternative | Σύνθετα υλικά | el |
| dc.title | Damage detection using phased array ultrasound and data analysis using artificial intelligence | el |
| dc.title.alternative | Ανίχνευση βλαβών με τη μέθοδο των υπερήχων (Phase Array) και ανάλυση των δεδομένων με χρήση της τεχνητής νοημοσύνης | el |
| oaire.licenseCondition | null | el |