土木工程无损检测(NDT)已被广泛开发评估材料的特性,识别缺陷的内部组件或系统的基础设施没有造成任何损失。由于无损检测不永久改变被检查的问题,是很有价值的技巧,因为受损区域的数据可以获得没有切割或打破材料。韩国学院土木工程和建筑技术(KICT,金总统,Byung-Suk)已经宣布一个自治的发展数据采集框架(抽样)无损检测的基础设施。
基于初始数据集,X,相应的特征值,Y,由无损检测检验测量(通过人类或自主机器人)。然后,贝叶斯优化(BO)循环执行GP-assisted主动学习找到最有前途的无损检测检查位置。根据给定的数据集,D = (X, Y),所有候选内核(M)是用来构建GP。基于BIC(贝叶斯信息准则),最好的模型(GP (x;M, D))是自动选择(即。、自动模型选择)。最好的模型是采用收购函数(αEI-GF)主动学习。通过实现最大化αEI-GF BO,最有前途的位置选择和评估无损检测检验获取新数据(xnew和ynew)。然后,数据集D是增强通过添加新数据(D∪{(xnew ynew)})。重复上述过程,直到达到最大数量的样本。图片来源:韩国土木工程和建筑技术研究所
在过去的几十年中,各种研究已经调查改善有效和可靠的无损检测系统。大多数这些研究都聚焦于硬件系统或先进的信号处理的发展。虽然被检查的位置(抽样),是成功的关键方面损伤定位,制定一个有效的抽样方法并没有被广泛研究。
作为一个传统的抽样设计在无损检测技术中,基于网格采样仍采用基于人类的判断。定期抽样检查基于网格的位置从整个域的结构。在这个抽样,其位置应该主观决定之前进行无损检测。因为损坏的位置并不总是很明显,这种基于网格采样可能错过网格的未知的赔偿金根据主观设计(图2)。
最小化任何主观判断,避免错过未知的赔偿金,一个研究小组在KICT Seung-Seop金博士的带领下,开发了高斯过程(GP)资助建设主动学习无损检测的自动数据采集框架。通过数值计算和实验研究,优于现有的框架(即金博士的框架。、网格采样和非自动模型选择)。
这个框架背后的基本原理是一种主动的学习指导抽样对受损的地方,感兴趣的区域的顺序。框架发起主动学习与小样本。最初的样品由无损检测检验评估,然后一组输入输出对(location-damage指数)获得最初的训练数据。基于最初的训练数据,高斯过程(GP)回归建立主动学习的学习算法。主动学习顺序实现指导抽样对受损区域。
然后,它添加了一个新的样本训练数据来提高损伤定位。在这方面,新开发的框架可以为破坏顺序,选择有前途的位置和这个自治框架可以应用于数据采集的无损检测技术。
新开发的框架可以选择最优模型可视化赔偿自适应给定的训练样本。基于最优模型,最好的有前途的位置抽样可以推断。这个过程是顺序迭代,直至最大数量的抽样等可用资源。
从损伤,可视化建模GP回归应该仔细选择执行的内核。甚至在相同的训练样本,GP回归的预测可以根据不同的内核。换句话说,正确选择的内核可以预测和可视化在给定的训练样本正确的损害。在这种背景下,选择适当的内核是新开发框架的重要组成部分。这个模块自动模型选择可以加快协同主动学习的更好用更少的样品损伤定位。
金博士的框架是评估产生的协同使用影响回波测试混凝土结构识别各种内部损失包括深和浅的分层。即测试获得厚度信息内部损伤板和人行道上。结果表明,该框架是一个潜在的用于生成更多的信息通过指导抽样样本对受损区域。经验表明,自动模型选择能产生协同作用在这个框架自动无损检测的数据采集。
因此,金博士的框架提供了更好的性能损伤识别训练样本较少。网格采样无法识别一些赔偿,而拟议的框架定位信息样本所有伤害地区成功地识别所有攻击有更好的伤害决议。
金博士说:“利用适当的主动学习将给我们一个非常强大的工具,可用于无损检测取样的辅助决策。主动学习可以看作是“设计方法”。在我们的应用程序中,它的设计顺序抽样计划和自适应,无需人工干预。对于完全自动化无损检测实现,该框架可以无人驾驶车辆或机器人通过嵌入的核心算法计算设备”。
参考:金,s。崔,香港,j . h(2022)“高斯process-assisted主动学习的自动数据采集回波的影响,自动化建设,139年,p . 104269。doi:10.1016 / j.autcon.2022.104269。