Непрямі вимірювання фізичних властивостей пласких провідних виробів вихрострумовим методом

Abstract

Для підвищення точності одночасного визначення профілів електричної провідності та магнітної проникності при вихрострумових вимірюваннях запропоновано експериментально-числовий метод ідентифікації фізичних властивостей пласких металевих об’єктів засобами сурогатної оптимізації із накопиченням додаткових апріорних знань щодо них у нейромережевих метамоделях із нелінійно-скороченою розмірністю. Відмінною рисою цього методу є інтеграція комбінованих ознак у сурогатну модель, що одночасно поєднує в собі переваги високопродуктивних обчислень з точки зору витрат ресурсів і виконання алгоритмів оптимізації в факторному Kernel PCA просторі. Висока точність метамоделі забезпечується однорідним планом експерименту на основі модифікованих квазіпослідовностях LPτ-Соболя, які мають низький коефіцієнт розбіжності в цілому та у всіх двовимірних проекціях. Для знаходження екстремумів цільової функції під час ідентифікації використовується стохастичний метаевристичний гібридний алгоритм (низькорівнева гібридизація з генетичним алгоритмом GA) глобальної оптимізації з роями частинок PSO з еволюційним формуванням складу рою. Модельні приклади демонструють ефективність методу ідентифікації, який показав достатньо високу точність на тестових зразках.

To improve the accuracy of simultaneous determination of electrical conductivity and magnetic permeability profiles in eddy current measurements, an experimental and numerical method for identifying the physical properties of planar metal objects by means of surrogate optimization with the accumulation of additional a priori knowledge about them in neural network metamodels with nonlinearly reduced dimensionality is proposed. A distinctive feature of this method is the integration of combined features into a surrogate model, which simultaneously combines the advantages of high-performance computing in terms of resource consumption and the execution of optimization algorithms in the factor Kernel PCA space. The high accuracy of the metamodel is ensured by a homogeneous design of experiment based on modified LPτ-Sobol`s quasi-sequences, which have a low coefficient of discrepancy in general and in all two-dimensional projections. To find the extremes of the target function during identification, a stochastic metaheuristic hybrid algorithm (low-level hybridization with the genetic algorithm GA) of global optimization with particle swarms PSO with evolutionary formation of the swarm composition is used. The model examples demonstrate the effectiveness of the identification method, which showed a fairly high accuracy on test samples.