缺陷检测及无损检测焊缝中奥氏体不锈钢304的使用神经.docVIP

奥氏体不锈钢304的焊缝区域神经网络超声波缺 陷检测和无损检测 近年来，非破坏性的评价重要性已迅速增加，由于大型结构的坍塌和安全事故的多发，在许多工程超声波法它经常被用来作为主要的非破坏性检验无损检测 （NDT ）的技术，在体积测试器的使用中侧重用于评估材料的完整性中有显著作用。本文建议对神经网络的奥氏体不锈钢304检测焊缝区的缺陷在使用超声波，采用此方法检测缺陷和评估它们的基础。在检测的缺陷时，我们扫描并画出一个标准的灵敏度距离，并初步的在超声波探头上显示扫描灵敏度幅值仪器和定量物料之间的相关性的标准曲线，这是用来绘制一个定量评价距离振幅曲线。 基于关于超声评价缺陷和学习的神经网络系统的系统一共有93.3%的缺陷类型区别在于组织神经网络测试后，因此，在这项工作中提出超声波非破坏性奥氏体不锈钢304的超声波神经网络对缺陷检测和的焊接区的评价（ UNDE ） 。 关键词：神经网络，超声波，超声波无损检测，横波，纵波，热影响区，人工缺陷，参考块，光束距离，折射角. 一，引言 有一种变量在焊接过程时表面上的焊缝区由于众多的内部缺陷 ，咬边和裂缝都受到相当大的集中应力，从而常常导致产量减少。因此，在结构的完整性方面的重要性和稳定性两方面检测在所述焊接各种缺陷区和定量评估都具有十分重要意义。 超声评价方法它被广泛用于检测在许多工业领域的焊接区的内部缺陷，起着至关要的作用角色。 容量测试方法（ASME， 1995）作用在PSL/ ISL进行期间的化学，热学和原子发电厂等。 在焊接区的超声无损评估（ UNDE ）在检查的重要工程意义和延伸新建管的寿命时间线保证了稳定性，目前的经营不锈钢及管线原子能发电站等。 研究这包括： 射线检测方法（ Thomas等，1992） ，渗透检测方法（ ASME ， 1995） ，磁粉探伤法（ ASME ， 1995）及超声波探伤方法（ Yi等，1996） 。 在这些方法中，实时射线检测方法在结果处理和原子损坏渗透测试和磁粉探伤方法有许多的问题，如缺陷的局限性检测到的表面和次表面。然而超声波探伤法（ Yi等，1995，1997 ，1997），具有检测位置的优点和缺陷，即使通过采用神经网络图案已被证实在模式识别领域具有优越性。 研究这已由Schmerr（1995）和Lee（ 1995）等。 Schmerr（1995）提出了分类焊接缺陷使用超声波的模式识别方法和概率神经网络。一种超声波法具有较高的特性和实用性，并在热评估人工缺陷影响用反向传播的神经网络区域和学习算法分类。 以往的研究实验大多是零碎和上沉积金属和热奥氏体不锈钢304的影响区 ，焊接区。有几个研究的检测以及在焊接区的缺陷分类 基于定量缺陷评价标准，实用性强。 奥氏体不锈钢的焊接区是一个粗晶柱状结构。当超声波波通过的材料，由于散射性高，许多虚假回波衰减传播信号和噪声比例低。 此外，该柱状结构体是相当有异性横波充当向导波导致的问题，如虚假回波。因此，它是已知的施加剪力波。 角度：这种方法，这是一种碳钢在铁素体中超声波探伤来采用现有的方法，仅启用的德ECTS检测，在基体金属之间和L的边界附近 ，他是金属（Kishiue.1985）以及检测的金属缺陷及其量，评价几乎是不可能的。 这项研究提出了缺陷分类和超声波无损评估 人工缺陷的方法（横孔，垂直 在奥氏体焊缝区的孔和缺口）不锈钢板304通过了解在CRT上的超声波缺陷信号的特性构建神经回路和网络体系，其表现为经过验证的缺陷分类，从所获取的缺陷信号。 2。神经网络理论 2.1架构神经网络的学习算法 生物神经细胞在人脑和它们的结缔组织关系神经网络简化了，然后在数学模型下他们实现一种智能形式并相同与人脑系统。 这是包括多层神经网络 一个输入层，一个隐藏层和一个输出层 作用于模式分类。 中间层和输出层有处理单位和连接强度。 RHE通 过处理一个输出，处理单位内各节点在公式所示（1）通过增加偏置值给每个输入值来乘以强度。其中在（1- -1）层是该节点m号。 其中θ是因子S形曲线形状来确定的，它的功能是活化形式。除了在输入层，总输入中的每个节点是乘以强度值中的所有节点的输出值 前面的层，也就是说，在第j个总输入值在第k层节点 如式子（2）所示。 其中m是该节点号存在在（k-1）层，它是第i个节点之间的连接强度第j个节点在（K-1）层中的第k层，在（k-1）层内地j层是输出节点。 在式子（3）中，从输出节点的输出和计算系数θ是偏置值。计算的隐层节点输出如等式（3）。重复该过程来纠正输入和输出之间的连接强度并尽可能降低误差E，其平均节点是的推定误差的平方