|
| |
|
|
Deep learning methods for the acoustic emission methods to evaluate an onset of plastic straining
Parma, Slavomír ; Kovanda, Martin ; Chlada, Milan ; Štefan, Jan ; Kober, Jan ; Feigenbaum, H. P. ; Plešek, Jiří
Development of phenomenological plasticity models, hardening rules, and plasticity theories relies on experimental data of plastic straining. The experimental data are usually measured as the stress–strain response of the material being loaded and do not provide any clues or information about the local response of\nmaterial. In this paper, we analyze the plastic deformation of the material using the acoustic emission method and current state-of-the-art neural network models such as the InceptionTime architecture.
|
|
|
Analýza databáze GLOFs
Kovanda, Matouš ; Vilímek, Vít (vedoucí práce) ; Šobr, Miroslav (oponent)
V mnohých oblastech po celém světě dochází k událostem, kdy se z ledovcového jezera náhle uvolní velký objem vody. Tato událost, nesoucí název Glacial Lake Outburst Flood (GLOF), může v krátkém čase zaplavit rozsáhlou oblast nacházející se pod ledovcovým jezerem, čímž představuje velké riziko pro místní obyvatelstvo a infrastrukturu. Jelikož existuje mnoho různorodých faktorů, které mají vliv na výskyt, vývoj a způsob vzniku takové události, jsou GLOFs v této studii nejprve popsány, přičemž k popisu byla využita především zahraniční odborná literatura. Ve vlastní výzkumné části je následně vedena pozornost na analýzu globální databáze zaznamenávající proběhlé GLOFs. GLOFs jsou na základě místa vzniku rozděleny do oblastí, v rámci kterých je analyzováno jejich celkové množství za celé zaznamenané období, rozložení četnosti v jednotlivých desetiletích od počátku 20. století a rozložení četnosti v průběhu roku. Pozornost je vedena také na samotná ledovcová jezera, u kterých došlo k události GLOF. Analyzovány jsou zde typy a množství ledovcových jezer, způsob vylití vody z jezera a množství opakovaných GLOFs. Nakonec jsou výsledné hodnoty mezi jednotlivými oblastmi vzájemně porovnávány a jsou pozorovány jejich podobnosti či odlišnosti.
|
|
|
Deep learning methods for acoustic emission evaluation
Kovanda, M. ; Chlada, Milan
The goal of this paper is to show the possibilities of state-of-the-art deep learning methods for ultrasound signals evaluation. Several neural network architectures are applied to\nacoustic emission signals measured during the tensile tests of metallic specimen to determine the beginning of plasticity in the material. Plastic deformation is accompanied by microscopic\nevents such as a slip of atomic plane dislocations which is hardly detectable by other methods. The potential of machine learning is demonstrated on two tensile tests where the material is\nstrained until it collapses. The examined networks proved well to reliably predict the risk of collapse together with changes in the ultrasound emission signals.
|
|
| |
|
| |
host ::
RSS.