PDF İndir: Tekniklerin Birleşimi, Geliştirilmiş Sürtünme Daldırma Kaynağına Yol Açıyor
NESC, katı hal kaynağı süreci olan kendinden tepkili sürtünme daldırma kaynağında (SRFSW) düşük çekme dayanımı ve düşük topografik anomali (LTA) sorunlarının kök nedenini bulmak için bir değerlendirme sırasında birkaç yenilikçi araç ve teknik geliştirdi.
Makine öğrenimi, istatistiksel modelleme ve fizik tabanlı simülasyonların bir kombinasyonunu kullanarak, değerlendirme ekibi kaynak sürecini iyileştirmeye ve her iki sorunu çözmeye yardımcı oldu, uçuş donanımına konulan kısıtlamaları kaldırdı.
LTA Tespiti için Teknikler Geliştirme
Düşük çekme dayanımı kaynakları ve kaynak kırılma yüzeylerinde gözlemlenen LTA'nın kök nedenini belirlemek için birkaç teknik kullanıldı:
- LTA Tespiti için Derin Öğrenme: NESC ekibi, kaynak görüntülerindeki LTA'yı tespit etmek ve segmentlere ayırmak için bir makine öğrenimi modeli geliştirdi. Model, metalurji uzmanları tarafından etiketlenmiş görüntüler üzerinde eğitim aldı ve anlaşmazlıkları çözmek için çoğunluk oyu konsensüsü kullanıldı. Ekip daha sonra, sağlamlığı artırmak ve önyargıyı azaltmak için görüntü yakalama için bir standart işletim prosedürü geliştirdi. Bu model, 100.000'den fazla mikroskop görüntüsü üzerinde ön eğitim yaparak özel mikroskop analizi temel modelleri geliştirmek için önceki NASA çalışmalarına dayanıyordu. Bu adım, süreç parametrelerini LTA oluşumu ile nesnel, önyargısız bir şekilde ilişkilendirmek için kritik öneme sahipti.
Ekip, LTA'nın manuel olarak tanımlanmasıyla ilgili sorunları, bir sinir ağını kırılma yüzeylerinin görüntülerinden LTA'yı tespit etmek için eğiterek ortadan kaldırdı, büyük bir NASA mikroskop görüntüleri veri seti olan MicroNet üzerinde bir kodlayıcıyı ön eğitim yaparak.
- Entegre Veri Alma Çerçevesi: SRFSW, birçok etkileşimli değişkenle karmaşık bir süreçtir. Kaynak süreci, onlarca tablo halindeki işlem parametresi, üretim aracından gelen onlarca ardışık veri akışı, kırılma ve kaynak kesit görüntüleri ile mekanik test laboratuvar verileri dahil olmak üzere çeşitli veri türleriyle büyük miktarda veri üretir. Bu çeşitli verileri otomatik olarak almak ve doğrulamak ve bunları tek bir ana elektronik tablo ve veritabanında derlemek için Python tabanlı bir çerçeve geliştirildi. Bu araç, manuel çabayı azalttı, transkripsiyon hatalarını en aza indirdi ve aşağı akış analizleri için veri kalitesini artırdı. Ekip, aracı paydaşlara sürekli kullanımları için teslim etti.
