Use este identificador para citar ou linkar para este item: http://repositorio.ufc.br/handle/riufc/2576
Registro completo de metadados
Campo DCValorIdioma
dc.contributor.advisorGonçalves, Lindberg Lima-
dc.contributor.authorSilva, Francisco Estênio da-
dc.date.accessioned2012-05-07T18:21:07Z-
dc.date.available2012-05-07T18:21:07Z-
dc.date.issued2011-
dc.identifier.citationSILVA, F. E. da. Reconhecimento de padrões através de análises estatísticas e fractais aplicadas a dados de ensaios não-destrutivos. 2011. 120 f. Tese (Doutorado em Engenharia e Ciência de Materiais)-Centro de Tecnologia, Universidade Federal do Ceará, Fortaleza, 2011.pt_BR
dc.identifier.urihttp://www.repositorio.ufc.br/handle/riufc/2576-
dc.description.abstractIn this work a procedure is studied for pattern classification related to different types of data, namely: (1) signals obtained from ultrasonic testing ( pulse-echo technique) and magnetic signals obtained from Barkhäusen noise in samples of ferritic-pearlitic carbon steel tubes which, due to temperature effects, have shown microstructural changes as consequence of the total or partial transformation of the pearlite into spherodite; (2) images built from TOFD ultrasonic testing and 8 bit digital radiographic images obtained from carbon steel 1020 sheets, with different welding defects. From the data obtained, images have been considered with the defects as lack of fusion, lack of penetration, porosity and images without defect. For this aim, non-conventional mathematical techniques have been used for the preprocessing of the data, namely, the statistical analyses, Hurst analysis (RSA) and detrended fluctuation analysis (DFA), and fractal analyses, box counting analysis (BCA) and minimal cover analysis (MCA). The curves obtained with the initial mathematical treatment, discrete functions of the temporal window width, have been handled with the supervised and nonsupervised pattern recognition techniques known as principal component analysis and Karhunen-Loève (KL) transformation analysis respectively. With respect to the magnetic signals, the KL classifier has been shown to be very efficient when applied to DFA obtained from the magnetic flux, with a success rate around 94%. On the other hand, for the magnetic noise signals we have not obtained an acceptable success rate independently of the preprocessing used. However, when were considered the curves obtained by concatenating all curves of the pre-processing was obtained a consistent average success rate of 85%. As far as the rate of success of the PCA classifier is concerned, an excellent success of 96% has been reached for concatenated curves of selected data of magnetic noise only. As far as the analyses of the backscattered ultrasonic signals is concerned, it was not possible to classify the different stages of the microstructural degradation by using KL or PCA independently of the pre-processing used. As far as the analyses of the D-scan images are concerned, by applying PCA a rate of success of 81% has been obtained with MCA data, 73% has been obtained by concatenating all curves from the different fractal and statistical analyses and around 85% when concatenating the best individual results (DFA and MCA). On the other hand, considering the KL classifier, high success rates have been verified for the training stage, between 96% and 99%, and a maximum success rate (100%), when concatenating all analyses. With respect to the testing results, the best success rate which has been reached was approximately 77%, when concatenating all the curves obtained from the statistical and fractal pre-processing. For the digitalized radiographic images, relevant individual rates of success (between 70% and 90%) for the training set (consisting of all data) have been obtained for the classifier KL only, and a 100% success rate, when concatenating all the curves obtained from the pre-processing of the images.pt_BR
dc.language.isopt_BRpt_BR
dc.subjectCiência dos materiaispt_BR
dc.subjectSoldagempt_BR
dc.subjectSistemas de reconhecimento de padrõespt_BR
dc.titleReconhecimento de padrões através de análises estatísticas e fractais aplicadas a dados de ensaios não-destrutivospt_BR
dc.typeTesept_BR
dc.contributor.co-advisorMoura, Elineudo Pinho de-
dc.description.abstract-ptbrNeste trabalho estudou-se uma metodologia de classificação de padrões relacionados a dois tipos de dados: (1) sinais obtidos através dos ensaios ultrassônicos (técnica pulso-eco) e sinais magnéticos obtidos através de ruído Barkhausen realizados em amostras de tubos de aço carbono ferrítico-perlítico que devido aos efeitos da temperatura de trabalho apresentaram mudanças microestruturais decorrentes da transformação parcial ou total da perlita em esferoiditas; e (2) imagens construídas a partir de ensaios ultrassônicos (técnica TOFD) e imagens radiográficas digitais de chapas de aço carbono 1020 soldadas, obtidas com resolução de 8bits, nas quais foram inseridos diversos tipos de defeitos de soldagem. Dos dados gerados, foram estudadas as imagens com os defeitos de falta de fusão (FF), falta de penetração (FP), porosidade (PO) e uma classe designada como sem defeito (SD). Para tanto, utilizaram-se de técnicas matemáticas não convencionais no pré-processamentos dos dados conhecidas como análises estatísticas de Hurst (RSA) e flutuação sem tendência (DFA) e as análises fractais de contagem de caixas (BCA) e de mínima cobertura (MCA). Em seguida as curvas obtidas desse tratamento matemático inicial, funções discretas da largura da janela temporal, foram utilizadas na alimentação das técnicas de reconhecimento de padrões não supervisionada e supervisionada conhecidas, respectivamente, como análise de componentes principais (PCA) e análise da transformação de Karhunen-Loève (KL). Em relação aos estudos dos sinais magnéticos, o classificador KL mostrou-se eficiente quando aplicado às DFA do fluxo magnético, com uma taxa de sucesso em torno de 94%. Já para os sinais do ruído magnético não se obteve uma taxa de sucesso aceitável, independente do préprocessamento utilizado. Entretanto quando todas as curvas de todas as análises, dos dois tipos de sinais magnéticos (ruído e fluxo), foram concatenadas, obteve-se uma taxa média de sucesso consistente de aproximadamente 85%. No tocante às taxas de sucesso do classificador PCA, somente para o ruído magnético e considerando todas as curvas concatenadas para um grupo de dados selecionados, conseguiu-se uma taxa de sucesso de 96%. A respeito das análises dos sinais ultrassônicos retroespalhados, também não foi possível classificar, nem com a KL e nem com a PCA, os diferentes estágios de degradação microestrutural, independemente do pré-processamento utilizado. No tocante às analises das imagens D-scan, obteve-se com a PCA, taxas de sucesso de 81% considerando apenas os dados das MCA, 73% quando as curvas de todas as análises estatísticas e fractais foram concatenadas, e em torno de 85%, quando apenas as curvas das melhores análises (DFA e MCA) foram concatenadas. Já considerando o classificador KL, verificaram-se taxas de sucesso na etapa de treinamento, entre 96% e 99%, e máxima taxa de sucesso (100%) no caso dos vetores de todas as análises concatenados. Em relação aos resultados dos testes, a melhor taxa de sucesso alcançada foi aproximadamente de 77% quando se concatenaram todas as curvas oriundas dos préprocessamentos estatísticos e fractais. Com respeito às imagens radiográficas digitalizadas somente com o classificador KL (na etapa de treinamento, com 100% dos vetores) obtiveramse taxas de sucesso individuais entre 70 e 90% de acertos e 100% de sucesso na classificação quando se concatenaram as curvas de todos os pré-processamentos das imagens.pt_BR
Aparece nas coleções:DEMM - Teses defendidas na UFC

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
2011_tese_fesilva.pdf6,52 MBAdobe PDFVisualizar/Abrir
Mostrar registro simples do item Visualizar estatísticas


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.