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.
Resumo: A estimativa do posicionamento de defeitos que ocorrem na interface entre diferentes materiais é efectuada através da utilização de uma rede neuronal artificial modelada como um problema inverso de condução de calor. A identificação de falhas de contacto no processo de ligação de diferentes materiais é crucial em muitas aplicações de engenharia, desde o fabrico, à inspeção preventiva e até ao diagnóstico de falhas. Este problema pode ser modelado como um problema inverso de condução de calor em meios multicamadas, onde estão disponíveis medições de temperatura por termografia de uma superfície exposta do meio. Este trabalho resolve este problema inverso com uma rede neural artificial que recebe estes dados experimentais como entrada e produz as propriedades termofísicas da camada adesiva, onde podem ocorrer defeitos. Um autoencoder é usado para reduzir a dimensão dos dados de termografia 1D transiente, onde o seu espaço latente representa os dados experimentais numa dimensão mais baixa, depois estes dados reduzidos são usados como entrada para uma rede perceptron multicamada totalmente conectada. Os resultados indicam que esta é uma abordagem promissora devido à boa exatidão e ao baixo custo computacional observado. Além disso, ao incluir diferentes níveis de ruído dentro de um intervalo definido no processo de treino, a rede pode generalizar a entrada de dados experimentais e estimar o posicionamento de defeitos com qualidade semelhante.