Publication:

Estimación de profundidad de efectos mecánicos internos en láminas de CFRP basada en un clasificador tipo RNA y el algoritmo de contraste CTFF

Resumen en español

Las diferentes técnicas de ensayo no destructivo (END) en la industria, como método de análisis para todo tipo de materiales y procesos, están en constante evolución por la manera de examinar, sin alterar de forma permanente las propiedades físicas, químicas o mecánicas de los cuerpos, identificando de forma temprana los defectos y discontinuidades a partir de la relación de la temperatura con los procesos de transferencia de calor del objeto. Las técnicas END permiten estimar y controlar estos elementos, de manera rápida, sencilla y sin contacto. Sin embargo, los métodos de contraste requieren de modelos de propagación o compensación térmica, para facilitar la separación de los defectos mecánicos internos encontrados en materiales compuestos tipo CFRP (Láminas de plástico reforzado con fibra de carbono). Este trabajo implementa una red neuronal artificial como clasificador con el fin de discriminar diferentes profundidades en defectos mecánicos. Los resultados obtenidos muestran la capacidad en procesar la información térmica usando el contraste de compensación térmica de fondo mediante filtrado (CTFF) para obtener diversas profundidades en el material compuesto, con un porcentaje de acierto del 97.2%, para la secuencia de imágenes a 157Hz, y de 98.9% para la secuencia de imágenes a 90Hz. Además, se realizó una comparación con el contraste absoluto modificado (CAD-m) usando la misma metodología donde se obtuvo un 96.5% de acierto a 157Hz y 96.4% a 90Hz. Los resultados demuestran que CTFF es una técnica superior a CAD-m para la detección y caracterización de defectos.