Tesis:
Improving the characterization of porosity by ultrasonic testing in composite materials using X-ray computed tomography, machine learning and signal processing
- Autor: CABALLERO GARZÓN, Juan Ignacio
- Título: Improving the characterization of porosity by ultrasonic testing in composite materials using X-ray computed tomography, machine learning and signal processing
- Fecha: 2024
- Materia:
- Escuela: E.T.S DE INGENIEROS INFORMÁTICOS
- Departamentos: LENGUAJES Y SISTEMAS INFORMATICOS E INGENIERIA DE SOFTWARE
- Acceso electrónico: https://oa.upm.es/81422/
- Director/a 1º: MENASALVAS RUIZ, Ernestina
- Director/a 2º: SKET, Federico
- Resumen: Composite materials are increasingly being used in different industries due to their stiffness and low weight, which makes them attractive to increase efficiency and reduce emissions. However, the manufacturing of these materials is susceptible to defects, necessitating the development of rigorous quality certification standards. In this context, non-destructive techniques (NDT) have emerged as crucial tools. Among these, ultrasonic testing has gained prominence, involving the propagation of sound waves within the frequency range of 0.5 to 15 MHz. The widespread adoption of ultrasonic testing is attributed to its cost-effectiveness and user-friendly nature, making it a preferred choice for ensuring the quality and integrity of composite materials in various industrial applications.
Among the different types of defects, the porosity -referred to the appearance of voids in the material- is one of the most common. The state-of-the-art showed a relation between the attenuation of the sound wave and the presence of voids, and this is the main method to detect porosity areas in a component. However, the estimation of the amount of porosity, measured by void volume fraction, and morphological aspects like the void shape, size, and distribution; are not possible to be measured by ultrasonic means.
In recent years, machine learning has gained interest in the field of NDT for different use cases, including denoising, improving imaging, automating the detection of defects, and estimation of defects properties. This thesis is developed in this context, particularly in the development of data-science and machine learning techniques for the improvement of the assessment of porosity. For this purpose, the role of X-ray computed tomography (XCT) was fundamental. XCT is a NDT technique that enables 3D reconstruction of composite materials, including their defects.
This thesis proposes a data-driven methodology for estimating porosity from XCT and ultrasonic data using machine learning models. Then, thanks to the optimization of the ultrasonic inspection, a methodology and experiments were developed to segment the individual voids by means of convolutional neural networks. Two different methodologies are suggested to classify void morphology solely based on the ultrasonic data. For this purpose, the analytical signal and the contrast between different frequencies was used. The results of the data-driven methodology confirm its potential to perform the deepest characterization of porosity, and possibly extensible to other defects and NDT methods. In the challenge of assesing void size and morphology using ultrasonic NDT, the results prove it is possible to obtain images were voids down to hundreds of $\mum$ are clearly shown by using Phased array ultrasonics, and can be segmented by using convolutional neural networts, although further work is required to improve the classification. Also, results of the analytical signal attributes, in particular the instantaneous phase, and the analysis in the frequency domain show great potential to classify porosity by size and morphology by using only ultrasonic methods.
RESUMEN
Los materiales compuestos están siendo cada vez más utilizados en diferentes industrias debido a su rigidez y bajo peso, lo cual los hace atractivos para aumentar la eficiencia y reducir emisiones. Sin embargo, la fabricación de estos materiales es susceptible a defectos, lo que hace necesario el desarrollo de rigurosos estándares de certificación de calidad. En este contexto, los ensayos no destructivos (END) han surgido como herramientas cruciales. Entre estos, el ensayo por ultrasonidos ha ganado prominencia, consiste en la propagación de ondas sonoras en un rango de frecuencia de 0.5 a 15 MHz a través de un material. La adopción generalizada de los ensayos por ultrasonidos se atribuye a su rentabilidad y facilidad de uso, convirtiéndola en la opción preferida para asegurar la calidad e integridad de los materiales compuestos en diversas aplicaciones industriales.
Entre los diferentes tipos de defectos, la porosidad -referida a la aparición de huecos en el material- es uno de los más comunes. El estado de la técnica mostró una relación entre la atenuación de la onda sonora y la presencia de poros, y éste es el principal método para detectar zonas porosas en un componente. Sin embargo, la estimación de la cantidad de porosidad, medida por la fracción de volumen de poros, y aspectos morfológicos como la forma, tamaño y distribución de los defectos; no son posibles de medir por ultrasonidos.
En los últimos años, el aprendizaje automático ha ganado interés en el campo de los END para diferentes casos de uso, incluyendo la eliminación de ruido, la mejora de las imágenes, la automatización de la detección de defectos y la estimación de las propiedades de los defectos. Esta tesis se desarrolla en este contexto, particularmente en el desarrollo de técnicas de ciencia de datos y aprendizaje automático para la mejora de la evaluación de la porosidad. Para ello, el papel de la tomografía computarizada de rayos X (XCT) ha sido fundamental. La XCT es una técnica END que permite la reconstrucción 3D de materiales compuestos, incluyendo sus defectos.
Esta tesis propone una metodología basada en datos para estimar la porosidad a partir de datos XCT y ultrasónicos utilizando modelos de aprendizaje automático. Posteriormente, gracias a la optimización de la inspección ultrasónica, se desarrolla una metodología y experimentos para segmentar los huecos individuales mediante redes neuronales convolucionales. Además, se sugieren dos metodologías diferentes para clasificar la morfología de los huecos basándose únicamente en los datos ultrasónicos. Para ello, se utilizó la señal analítica y el contraste entre distintas frecuencias. Los resultados de la metodología basada en los datos confirman su potencial para caracterizar con mayor profundidad la porosidad, y son posiblemente extensibles a otros defectos y técnicas. Para el desafío del análisis del tamaño y forma de los poros usando ultrasonidos, los resultados muestran que usando phased arrays es viable obtener imágenes nítidas de poros del orden de cientos de $mum$. Además, es posible segmentarlos usando redes convolucionales, aunque es necesario más esfuerzos para mejorar los resultados de la clasificación. Asimismo, los resultados del análisis usando atributos de la señal analítica, especialmente la frecuencia instantánea, y el análisis en el dominio de la frecuencia, muestran gran potencial para la clasificación de porosidad según tamaño y forma usando únicamente ultrasonidos.