Jardim, L. C. S., Knupp, D. C., Domingos, R. P., Abreu, L. A. S., Cruz Corona, C. e Silva Neto, A. J., Contact Failure Identification in Multilayered Media via Artificial Neural Networks and Autoencoders, Anais da Academia Brasileira de Ciências, Vol. 94, Suppl. 3, pp. e20211577.1-21, 2022.
A estimação do posicionamento dos defeitos que ocorrem na interface entre diferentes materiais é realizada utilizando uma rede neural artificial modelada como um problema inverso de condução de calor. A identificação de falhas de contato no processo de colagem de diferentes materiais é crucial em muitas aplicações de engenharia, desde a fabricação, inspeção preventiva e até o diagnóstico de falhas. Isto pode ser modelado como um problema inverso de condução de calor em meios multicamadas, onde as medidas da temperatura da termográfica de uma superfície exposta dos meios estão disponíveis. Este trabalho resolve este problema inverso com uma rede neural artificial que recebe estes dados experimentais como entrada e saída das propriedades termofísicas da camada adesiva, onde podem ocorrer defeitos. Um autoencoder é usado para reduzir a dimensão dos dados de termografia 1D transitória, onde seu espaço latente representa os dados experimentais em uma dimensão inferior, então esses dados reduzidos são usados como entrada para uma rede Perceptron multicamadas totalmente conectada. Os resultados indicam que esta é uma abordagem promissora devido à boa precisão e ao baixo custo computacional observado. Além disso, ao incluir diferentes níveis de ruído dentro de uma faixa definida no processo de treinamento, a rede pode generalizar a entrada de dados experimentais e estimar o posicionamento de defeitos com qualidade semelhante.