JP6440892B1 - Internal state estimation system - Google Patents
Internal state estimation system Download PDFInfo
- Publication number
- JP6440892B1 JP6440892B1 JP2018165453A JP2018165453A JP6440892B1 JP 6440892 B1 JP6440892 B1 JP 6440892B1 JP 2018165453 A JP2018165453 A JP 2018165453A JP 2018165453 A JP2018165453 A JP 2018165453A JP 6440892 B1 JP6440892 B1 JP 6440892B1
- Authority
- JP
- Japan
- Prior art keywords
- displacement
- internal state
- data
- analysis
- state estimation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Abstract
【課題】外観の観察や外表面の検査はできるが内部の観察や検査を行うことが困難な三次元構造体の内部状態を、放射線、超音波、電磁波等を用いた画像認識によることなく、精度良く推定できるようにすること。【解決手段】加圧点ｐに圧力を加える圧力付加手段１、変位計測手段２ａ〜２ｄ、構造体モデルＭ１〜Ｍｎを作成する構造体モデルデータ出力手段３、加圧データＰ及び構造データＫ１〜Ｋｎを受けて変位解析を行い大量の学習データＬ１〜Ｌｎを生成する三次元モデル解析手段４、予め学習データＬ１〜Ｌｎが与えられて最適化されており、変位データＤａ〜Ｄｄの入力を受けて逆解析を行い三次元構造体の内部構造を推定するニューラルネットワーク５及び内部構造表示手段６を備える内部状態推定システム。【選択図】 図１An internal state of a three-dimensional structure that allows observation of the appearance and inspection of the outer surface but is difficult to observe and inspect the inside without using image recognition using radiation, ultrasonic waves, electromagnetic waves, etc. Be able to estimate accurately. SOLUTION: Pressure applying means 1 for applying pressure to a pressure point p, displacement measuring means 2a to 2d, structure model data output means 3 for creating structure models M1 to Mn, pressure data P and structure data K1 to K1. The three-dimensional model analysis means 4 that receives the Kn and performs the displacement analysis and generates a large amount of learning data L1 to Ln, has been optimized in advance given the learning data L1 to Ln, and receives the input of the displacement data Da to Dd An internal state estimation system comprising a neural network 5 and an internal structure display means 6 for performing reverse analysis and estimating the internal structure of a three-dimensional structure. [Selection] Figure 1
Description
この発明は、長い期間にわたる使用や経年劣化による構造物の内部構造の変化及び構造物を構成する材料の変質、並びに設計時における構造と施工後における構造との差異等を精度良く推定できるようにするための内部状態推定システムに関する。 The present invention is capable of accurately estimating changes in the internal structure of a structure due to long-term use or deterioration over time, changes in the materials constituting the structure, and differences between the structure at the time of design and the structure after construction. The present invention relates to an internal state estimation system.
従来、構造物内部の状態を、その構造物を破壊せずに検査する方法としては、放射線、超音波、電磁波等を用いる方法が知られ、打音検査によって劣化度合いを推測することも行われている。
しかし、構造物が大きい場合には放射線による内部透視は困難であり、構造物が複雑な形状であったり構造物を構成する材料が変質したりした場合には、超音波や電磁波による検査は精度が落ちてしまうといった問題がある。
また、打音検査による推測は、経験のある検査者を必要とするため、労力やコストがかかる、後継者の育成に時間がかかるという問題がある上、劣化位置の特定が困難という問題もある。
Conventionally, as a method for inspecting the state of a structure without destroying the structure, a method using radiation, ultrasonic waves, electromagnetic waves, or the like is known, and the degree of deterioration is also estimated by a hammering inspection. ing.
However, when the structure is large, it is difficult to perform internal fluoroscopy with radiation. When the structure has a complicated shape or the material that makes up the structure has changed, ultrasonic and electromagnetic inspections are not accurate. There is a problem that falls.
In addition, the estimation by the hammering inspection requires an inspector who has experience, so there are problems that it takes labor and cost, it takes time to train successors, and it is difficult to specify the degradation position. .
特許文献１（特開２０１８−４１１７８号公報）には、地中の異常箇所を検出するために用いられる数百ＭＨｚ帯の電磁波による地中レーダの画像認識において、ニューラルネットワークによる機械判定が研究されている旨記載されており（特に、段落０００２〜０００３を参照）、そのために必要な大量の学習用データを高速で生成する方法として、解析モデルが用いられて指定周波数のプローブ波の対象系への入射及び対象系からの反射波の受信がシミュレーションされ、そのシミュレーションを高速の演算処理要素によって実行するものが記載されている（特に、段落００１３を参照）。
しかし、この学習用データ生成方法は、地中レーダの画像認識によって地中の異常箇所を検出するものに適用されるものである。
In Patent Document 1 (Japanese Patent Application Laid-Open No. 2018-41178), machine determination using a neural network is studied in the image recognition of a subsurface radar using an electromagnetic wave of several hundred MHz band used for detecting an abnormal part in the ground. (In particular, refer to paragraphs 0002 to 0003). As a method for generating a large amount of learning data necessary for this purpose at high speed, an analysis model is used to obtain a probe wave target system of a specified frequency. And the reception of the reflected wave from the target system are executed, and the simulation is executed by a high-speed arithmetic processing element (see paragraph 0013 in particular).
However, this learning data generation method is applied to a method for detecting an abnormal location in the ground by image recognition by a ground penetrating radar.
本発明が解決しようとする課題は、外観の観察や外表面の検査はできるが内部の観察や検査を行うことが困難な三次元構造体における内部構造の変化や三次元構造体を構成する材料の変質を把握するために、そのような三次元構造体の内部状態（厚さや材料強度等）を、放射線、超音波、電磁波（地中レーダを含む）等を用いた画像認識によることなく、精度良く推定できるようにするための内部状態推定システムを提供することである。 The problem to be solved by the present invention is the change in the internal structure of a three-dimensional structure that can be observed externally and inspected on the outer surface, but difficult to observe and inspect the inside, and the material constituting the three-dimensional structure In order to grasp the alteration of the three-dimensional structure, the internal state (thickness, material strength, etc.) of such a three-dimensional structure is not determined by image recognition using radiation, ultrasonic waves, electromagnetic waves (including ground penetrating radar), etc. It is to provide an internal state estimation system for enabling accurate estimation.
上記の課題を解決するための請求項１に係る発明は、三次元構造体の内部状態を推定するための内部状態推定システムであって、
前記三次元構造体の外面に設けられた加圧点に圧力を付加する圧力付加手段と、
前記三次元構造体の外面に設けられた複数の変位計測点で前記加圧点に所定圧力が付加される前後における変位を計測し、それぞれの変位データを出力する変位計測手段と、
前記三次元構造体について、その内部状態が各々異なる多数の構造体モデルを作成し、該多数の構造体モデルに関する構造データを出力する構造体モデルデータ出力手段と、
前記加圧点に付加される加圧データ及び前記構造体モデルデータ出力手段から出力される前記構造データを受けて、各構造体モデルについて数値解析手段を用いて前記複数の変位計測点に対応する点における変位解析を行い、変位解析の対象となった構造体モデルを特定する特定情報と該構造体モデルについて行われた変位解析により得られた複数の変位解析データを学習データとして出力する三次元モデル解析手段と、
前記変位計測手段で計測された前記加圧点に所定圧力が付加される前後における変位データの入力を受けて逆解析を行い、内部状態推定情報を出力するニューラルネットワークと、
前記ニューラルネットワークから出力された前記内部状態推定情報に応じて、前記三次元構造体の内部状態を表示する内部状態表示手段を備え、
前記ニューラルネットワークは、前記三次元モデル解析手段から出力される前記多数の構造体モデルについての学習データが予め与えられ、自己学習させることによって最適化されていることを特徴とする。
The invention according to claim 1 for solving the above problem is an internal state estimation system for estimating an internal state of a three-dimensional structure,
Pressure applying means for applying pressure to a pressurizing point provided on the outer surface of the three-dimensional structure;
Displacement measuring means for measuring displacement before and after a predetermined pressure is applied to the pressurization point at a plurality of displacement measurement points provided on the outer surface of the three-dimensional structure, and outputting respective displacement data;
For the three-dimensional structure, a structure model data output means for creating a large number of structure models having different internal states and outputting structure data relating to the large number of structure models;
In response to the pressurization data added to the pressurization point and the structure data output from the structure model data output means, each structure model corresponds to the plurality of displacement measurement points using numerical analysis means. 3D that performs displacement analysis at a point and outputs as a learning data specific information that identifies the structure model subject to displacement analysis and multiple displacement analysis data obtained from the displacement analysis performed on the structure model Model analysis means;
A neural network that receives the input of displacement data before and after a predetermined pressure is applied to the pressurization point measured by the displacement measuring means, performs reverse analysis, and outputs internal state estimation information;
In accordance with the internal state estimation information output from the neural network, the internal state display means for displaying the internal state of the three-dimensional structure,
The neural network is characterized in that learning data for the large number of structure models output from the three-dimensional model analysis means is given in advance, and is optimized by self-learning.
上記の課題を解決するための請求項２に係る発明は、請求項１に係る発明の内部状態推定システムにおいて、前記三次元構造体は空洞体であり、前記内部状態は前記空洞体の壁の厚さであることを特徴とする。 According to a second aspect of the invention for solving the above problem, in the internal state estimation system of the first aspect of the invention, the three-dimensional structure is a hollow body, and the internal state is a wall of the hollow body. It is characterized by a thickness.
上記の課題を解決するための請求項３に係る発明は、請求項２に係る発明の内部状態推定システムにおいて、前記空洞体は配管であり、前記内部状態は前記配管の管体の厚さであることを特徴とする。 The invention according to claim 3 for solving the above problem is the internal state estimation system according to claim 2, wherein the hollow body is a pipe, and the internal state is a thickness of the pipe body of the pipe. It is characterized by being.
上記の課題を解決するための請求項４に係る発明は、請求項１に係る発明の内部状態推定システムにおいて、前記三次元構造体は中実体であり、前記内部状態は前記中実体内部の材料強度であることを特徴とする。 The invention according to claim 4 for solving the above problem is the internal state estimation system according to claim 1, wherein the three-dimensional structure is a solid body, and the internal state is a material inside the solid body. It is characterized by strength.
請求項１に係る発明の内部状態推定システムは、複数の変位計測点で計測された加圧点に所定圧力が付加される前後における変位データを、ニューラルネットワークに入力することによって逆解析を行い、内部状態推定情報を出力し、出力された内部状態推定情報に応じて、前記三次元構造体の内部状態を表示する内部状態表示手段を備えているとともに、ニューラルネットワークは、三次元モデル解析手段から出力される多数の構造体モデルについての学習データが予め与えられ、自己学習させることによって最適化されているので、外観の観察や外表面の検査はできるが内部の観察や検査を行うことが困難な構造体の内部状態を、放射線、超音波、電磁波等を用いた画像認識によることなく、精度良く推定することができる。 The internal state estimation system of the invention according to claim 1 performs reverse analysis by inputting displacement data before and after a predetermined pressure is applied to the pressurization points measured at a plurality of displacement measurement points to a neural network, The internal network includes an internal state display unit that outputs internal state estimation information and displays the internal state of the three-dimensional structure according to the output internal state estimation information, and the neural network includes a three-dimensional model analysis unit. Learning data for a large number of output structure models is given in advance and optimized by self-learning, so it is possible to observe the appearance and inspect the outer surface, but it is difficult to observe and inspect the inside It is possible to accurately estimate the internal state of a simple structure without using image recognition using radiation, ultrasonic waves, electromagnetic waves, or the like.
請求項２〜４に係る発明の内部状態推定システムは、請求項１に係る発明が奏する上記の効果に加え、請求項２においては空洞体の壁の厚さについて、請求項３においては配管の管体の厚さについて、請求項４においては中実体内部の材料強度について、精度良く推定することができる。 In addition to the above-described effect produced by the invention according to claim 1, the internal state estimation system of the invention according to claims 2 to 4, in addition to the above-mentioned effect, the wall thickness of the cavity body in claim 2, and the piping in claim 3 Regarding the thickness of the tube body, in claim 4, the material strength inside the solid body can be estimated with high accuracy.
以下、実施例によって、本発明の実施の形態を説明する。 Hereinafter, embodiments of the present invention will be described by way of examples.
図１は実施例１の内部状態推定システムのブロック図である。
図１に示すように、実施例１の内部状態推定システムは、床面と壁面との間に設置された曲折した構造体Ｃ（具体的には中心線が円弧状で、かつ、中心線に直交する断面が円形状である中空の配管）の内部構造（配管の厚さ）を推定するためのものであって、次の各手段からなっている。
なお、構造体Ｃの外面は目視による観察が可能であり、構造体Ｃの内面は目視による観察は不可能であるが、管体の材質及び設置時における内壁の形状（図１において点線で示した部分）は分かっているものとする。
（１）構造体Ｃの外面に設けられた加圧点ｐに圧力を付加する圧力付加手段１。
（２）構造体Ｃの外面に設けられた変位計測点ａに設置され、加圧点ｐに所定圧力Ｐが付加される前後における変位を計測し、変位データＤａを出力する変位計測手段２ａ。
（３）構造体Ｃの外面に設けられた変位計測点ｂに設置され、加圧点ｐに所定圧力Ｐが付加される前後における変位を計測し、変位データＤｂを出力する変位計測手段２ｂ。
（４）構造体Ｃの外面に設けられた変位計測点ｃに設置され、加圧点ｐに所定圧力Ｐが付加される前後における変位を計測し、変位データＤｃを出力する変位計測手段２ｃ。
（５）構造体Ｃの外面に設けられた変位計測点ｄに設置され、加圧点ｐに所定圧力Ｐが付加される前後における変位を計測し、変位データＤｄを出力する変位計測手段２ｄ。
FIG. 1 is a block diagram of an internal state estimation system according to the first embodiment.
As shown in FIG. 1, the internal state estimation system according to the first embodiment is a bent structure C (specifically, the center line has an arc shape and is centered between the floor surface and the wall surface). This is for estimating the internal structure (thickness of the pipe) of a hollow pipe having a circular cross section at right angles, and includes the following means.
The outer surface of the structure C can be visually observed, and the inner surface of the structure C cannot be visually observed. However, the material of the tube and the shape of the inner wall at the time of installation (shown by a dotted line in FIG. 1) ) Is assumed to be known.
(1) Pressure applying means 1 for applying pressure to the pressurizing point p provided on the outer surface of the structure C.
(2) Displacement measuring means 2a that is installed at a displacement measurement point a provided on the outer surface of the structure C, measures the displacement before and after the predetermined pressure P is applied to the pressing point p, and outputs displacement data Da.
(3) Displacement measuring means 2b that is installed at a displacement measurement point b provided on the outer surface of the structure C, measures the displacement before and after the predetermined pressure P is applied to the pressing point p, and outputs displacement data Db.
(4) Displacement measuring means 2c that is installed at a displacement measurement point c provided on the outer surface of the structure C, measures the displacement before and after the predetermined pressure P is applied to the pressing point p, and outputs displacement data Dc.
(5) Displacement measuring means 2d that is installed at a displacement measuring point d provided on the outer surface of the structure C, measures the displacement before and after the predetermined pressure P is applied to the pressing point p, and outputs displacement data Dd.
（６）構造体Ｃについて、その内部構造が各々異なる構造体モデルＭ１〜Ｍｎを作成し、各構造体モデルに関する構造データＫ１〜Ｋｎを出力する構造体モデルデータ出力手段３。
（７）加圧点ｐに付加される加圧データＰ及び構造体モデルデータ出力手段３から出力される構造データＫ１〜Ｋｎを受けて、構造体モデルＭ１〜Ｍｎのそれぞれについて数値解析手段を用いて変位計測点ａ〜ｄに対応する点における変位解析を行い、構造体モデルＭ１については、構造データＫ１と変位計測点ａ〜ｄに対応する点における変位解析により得られた変位解析データＡａ１〜Ａｄ１を学習データＬ１として出力し、以下同様に構造体モデルＭｎについては、構造データＫｎと変位計測点ａ〜ｄに対応する点における変位解析により得られた変位解析データＡａｎ〜Ａｄｎを学習データＬｎとして出力する三次元モデル解析手段４。
なお、構造体モデルＭ１〜Ｍｎは、その外面形状を構造体Ｃと同一としてあるので、構造体モデルＭ１〜Ｍｎにおける変位計測点ａ〜ｄに対応する点の位置は、変位計測点ａ〜ｄと全て一致する。
（８）変位計測手段２ａ〜２ｄで計測された加圧点ｐに所定圧力Ｐが付加される前後における変位データＤａ〜Ｄｄの入力を受けて逆解析を行い、内部構造推定情報を出力するニューラルネットワーク５。
（９）ニューラルネットワーク５から出力された内部構造推定情報に応じて、構造体Ｃの内部構造を表示する内部構造表示手段６。
(6) Structure model data output means 3 that creates structure models M1 to Mn having different internal structures for the structure C and outputs structure data K1 to Kn related to each structure model.
(7) Upon receiving the pressurization data P added to the pressurization point p and the structure data K1 to Kn output from the structure model data output means 3, numerical analysis means are used for each of the structure models M1 to Mn. Then, displacement analysis is performed at points corresponding to the displacement measurement points a to d. For the structure model M1, displacement analysis data Aa1 obtained by displacement analysis at the points corresponding to the structure data K1 and the displacement measurement points a to d. Ad1 is output as learning data L1, and similarly for the structure model Mn, the displacement analysis data Aan to Adn obtained by the displacement analysis at the points corresponding to the structure data Kn and the displacement measurement points a to d are used as the learning data Ln. 3D model analysis means 4 for outputting as
Since the structure models M1 to Mn have the same outer shape as the structure C, the positions of the points corresponding to the displacement measurement points a to d in the structure models M1 to Mn are the displacement measurement points a to d. And all match.
(8) Neural that receives the input of displacement data Da to Dd before and after the predetermined pressure P is applied to the pressurization point p measured by the displacement measuring means 2a to 2d, performs reverse analysis, and outputs internal structure estimation information Network 5.
(9) Internal structure display means 6 for displaying the internal structure of the structure C according to the internal structure estimation information output from the neural network 5.
以下では、各手段について詳しく説明する。
（圧力付加手段１）
加圧点ｐから任意の方向に圧力を付加することができる手段であり、通常は構造体Ｃの近くにある壁や柱に設置される。
なお、加圧点ｐは構造体Ｃの任意の位置に設定できるが、推定精度を上げるには、構造体Ｃの中央又は重心付近に設定した方が良い。そのため、図１の加圧点ｐは構造体Ｃの中心軸を通る断面の外側中央部に設定され、加圧の方向は中心軸の中央に向かう向きとなっている。
Hereinafter, each means will be described in detail.
(Pressure adding means 1)
It is a means that can apply pressure in an arbitrary direction from the pressing point p, and is usually installed on a wall or a column near the structure C.
The pressurization point p can be set at an arbitrary position of the structure C. However, in order to increase the estimation accuracy, it is better to set it at the center of the structure C or near the center of gravity. Therefore, the pressing point p in FIG. 1 is set at the outer central portion of the cross section passing through the central axis of the structure C, and the pressing direction is directed toward the center of the central axis.
（変位計測手段２ａ〜２ｄ）
変位計測手段２ａ〜２ｄは、構造体Ｃの任意の４点（ａ〜ｄ）に設置可能であり、加圧点ｐに圧力が付加される前における各点の位置を基準位置として、加圧点ｐに圧力が付加された後における各点の変位（ｘ，ｙ，ｚ方向の位置又は移動距離）を計測し、変位データＤａ〜Ｄｄを出力するものである。
なお、図１では、変位計測手段２ｂは加圧点ｐと同じ位置（非常に近い位置）に設置し、変位計測手段２ａ及び２ｃは構造体Ｃの中心軸を通る断面の外側における加圧点ｐの上側及び下側に設置し、変位計測手段２ｄは同断面における内側中央部に設置している。
(Displacement measuring means 2a to 2d)
The displacement measuring means 2a to 2d can be installed at any four points (a to d) of the structure C, and pressurize with the position of each point before the pressure is applied to the pressurizing point p as a reference position. The displacement (position or moving distance in the x, y, z direction) of each point after pressure is applied to the point p is measured, and displacement data Da to Dd are output.
In FIG. 1, the displacement measuring means 2b is installed at the same position (very close position) as the pressurizing point p, and the displacement measuring means 2a and 2c are pressurizing points outside the cross section passing through the central axis of the structure C. The displacement measuring means 2d is installed at the inner central portion in the same cross section.
（構造体モデルデータ出力手段３）
構造体モデルデータ出力手段３は、内部構造が各々異なる構造体モデルＭ１〜Ｍｎとして、設置時における内壁の形状（図１において点線で示した部分であり、通常は設計図から特定できる）を基準として、構造体Ｃの内部を流体が流れたことによる摩滅や付着物による増厚等を考慮して、様々なパターンのものを作成する。
例えば、次の（ａ）〜（ｆ）の全１７６００パターンが挙げられる。
（ａ）管体の厚さが基準の厚さから均一に減少しているパターンで、厚さの減少分を０．１ｍｍずつ増加させた２００パターン。
（ｂ）管体の内側の厚さの減少分が外側の厚さの減少分の（１−ｘ）倍となっているパターンで、外側の厚さの減少分を０．１ｍｍずつ増加させた２００パターン（ただし、ｘは０．１、０．２、・・・、１の１０通りあるので、全部で２０００パターン）。
（ｃ）管体の外側の厚さが片減りしており、他の部分は上記（ａ）及び（ｂ）と同じパターン（図２（１）のように外側の中央部が片減りしているパターン、図２（２）のように外側の上部が片減りしているパターン、図２（３）のように外側の下部が片減りしているパターン）で、片減りしている部分毎に２００パターン＋２０００パターン。
（ｄ）管体の厚さが基準の厚さから均一に増加しているパターンで、厚さの増加分を０．１ｍｍずつ増加させた２００パターン。
（ｅ）管体の内側の厚さの増加分が外側の厚さの増加分の（１＋ｘ）倍となっているパターンで、外側の厚さの増加分を０．１ｍｍずつ増加させた２００パターン（ただし、ｘは０．１、０．２、・・・、１の１０通りあるので、全部で２０００パターン）。
（ｆ）管体の外側の厚さが偏って増加しており、他の部分は上記（ｄ）及び（ｅ）と同じパターンで、偏って増加している部分毎に２００パターン＋２０００パターン。
また、実施例１では、管体が床面及び壁面に完全固定され、配管の外径を１４ｃｍ、内径を８ｃｍとして、各構造体モデルに関する構造データＫ１〜Ｋｎを出力している。
(Structure model data output means 3)
The structure model data output means 3 is based on the shape of the inner wall at the time of installation (the portion indicated by the dotted line in FIG. 1 and can usually be specified from the design drawing) as the structure models M1 to Mn having different internal structures. In consideration of wear due to the flow of fluid through the structure C and thickening due to deposits, various patterns are created.
For example, the following 17600 patterns (a) to (f) can be cited.
(A) 200 patterns in which the thickness of the tube body is uniformly reduced from the reference thickness, and the decrease in thickness is increased by 0.1 mm.
(B) In a pattern in which the decrease in the inner thickness of the tube is (1-x) times the decrease in the outer thickness, the decrease in the outer thickness is increased by 0.1 mm. 200 patterns (however, there are 10 patterns of x, 0.1, 0.2,..., 1, 2000 in total).
(C) The thickness of the outer side of the tube is reduced, and the other part is the same pattern as the above (a) and (b) (the central part on the outer side is reduced as shown in FIG. 2 (1)). 2), a pattern in which the outer upper part is reduced as shown in FIG. 2 (2), and a pattern in which the outer lower part is reduced as shown in FIG. 2 (3). 200 patterns + 2000 patterns.
(D) 200 patterns in which the thickness of the tubular body is uniformly increased from the reference thickness, and the increase in thickness is increased by 0.1 mm.
(E) 200 patterns in which the increase in the inner thickness of the tube is (1 + x) times the increase in the outer thickness, and the increase in the outer thickness is increased by 0.1 mm. (However, there are 10 patterns of x, 0.1, 0.2,..., 1 so 2000 patterns in total).
(F) The thickness of the outer side of the tube is unevenly increased, and the other portions are the same pattern as the above (d) and (e), and 200 patterns +2000 patterns are provided for each portion that is increased unevenly.
Further, in the first embodiment, the tubular body is completely fixed to the floor surface and the wall surface, the outer diameter of the pipe is 14 cm, the inner diameter is 8 cm, and the structural data K1 to Kn regarding each structural body model is output.
（三次元モデル解析手段４）
実施例１の三次元モデル解析手段４では、数値解析手段として有限要素法による解析手段（以下「ＦＥＭ解析手段」という。）を用いた。
ＦＥＭ解析手段によれば、三次元モデルを多数の四面体のメッシュに切り、条件を定義した上で解析させると、所定の位置に圧力や振動が付加された場合に、その三次元モデル内の任意の点（任意の四面体の頂点）の位置がどのように変動するかを計算できる。
そのため、構造体モデルデータ出力手段３によって、内部構造が各々異なる構造体モデルＭ１〜Ｍｎが作成され、各構造体モデルに関する構造データＫ１〜Ｋｎが出力されると、各構造体モデルについて、加圧点ｐに所定圧力Ｐが付加された場合における計測点ａ〜ｄに対応する点の変位解析データが得られるので、大量の学習データＬ１〜Ｌｎを短時間のうちに用意することができる。
(Three-dimensional model analysis means 4)
In the three-dimensional model analysis unit 4 of the first embodiment, an analysis unit based on a finite element method (hereinafter referred to as “FEM analysis unit”) is used as a numerical analysis unit.
According to the FEM analysis means, when a three-dimensional model is cut into a large number of tetrahedral meshes and analyzed after defining conditions, if pressure or vibration is applied to a predetermined position, You can calculate how the position of any point (the vertex of any tetrahedron) varies.
For this reason, when the structure model data output means 3 creates structure models M1 to Mn having different internal structures and outputs the structure data K1 to Kn related to each structure model, the structure models are pressurized. Since displacement analysis data of points corresponding to the measurement points a to d when the predetermined pressure P is applied to the point p is obtained, a large amount of learning data L1 to Ln can be prepared in a short time.
（ニューラルネットワーク５）
ニューラルネットワーク５は、図１に示すように、入力層５Ｉ、出力層５Ｏ、学習データ蓄積手段５Ｌ、学習データ蓄積手段５Ｌに大量の学習データＬ１〜Ｌｎを入力する学習データ入力手段５Ｔ並びに図示しない複数の中間層、その他で構築される。
また、中間層は、畳み込み層やプーリング層、全結合層など様々に工夫された層を、必要に応じて組み合わせて構成される。
そして、ニューラルネットワーク５は、学習データ蓄積手段５Ｌに大量の学習データＬ１〜Ｌｎを蓄え、自己学習させることによって最適化される。そして、十分な数（対象の形状の複雑さに応じて１万〜数１０万）の学習データによって最適化されたパラメータを用いることにより９５％以上の推定精度を得ることができる。
そうした上で、入力層５Ｉに変位計測手段２ａ〜２ｄで計測された変位データＤａ〜Ｄｄが入力されると、ニューラルネットワーク５は逆解析を行い、実際の配管における内部構造に近い内部構造推定情報を高い精度で出力する。
(Neural network 5)
As shown in FIG. 1, the neural network 5 includes an input layer 5I, an output layer 5O, learning data storage means 5L, learning data input means 5T for inputting a large amount of learning data L1 to Ln to the learning data storage means 5L, and not shown. Constructed with multiple intermediate layers and others.
In addition, the intermediate layer is configured by combining various devised layers such as a convolution layer, a pooling layer, and a total bonding layer as necessary.
The neural network 5 is optimized by accumulating a large amount of learning data L1 to Ln in the learning data accumulating means 5L and making them self-learn. An estimation accuracy of 95% or more can be obtained by using parameters optimized by a sufficient number of learning data (10,000 to several hundred thousand depending on the complexity of the target shape).
In addition, when the displacement data Da to Dd measured by the displacement measuring means 2a to 2d are input to the input layer 5I, the neural network 5 performs reverse analysis, and the internal structure estimation information close to the internal structure in the actual piping. Is output with high accuracy.
（内部構造表示手段６）
内部構造表示手段６は、ニューラルネットワーク５から出力された内部構造推定情報に応じて、構造体Ｃの内部構造を表示するものであり、通常の表示態様では構造体Ｃの中心軸を通る断面の状態を表示する。
なお、構造体Ｃの中心軸に垂直な断面の状態を複数箇所分表示する態様も選択できる。
(Internal structure display means 6)
The internal structure display means 6 displays the internal structure of the structure C in accordance with the internal structure estimation information output from the neural network 5. In a normal display mode, the internal structure display means 6 has a cross section passing through the central axis of the structure C. Display status.
It is also possible to select an aspect in which a plurality of cross-sectional states perpendicular to the central axis of the structure C are displayed.
図３は、実施例１の内部状態推定システムのアルゴリズムを示すフロー図であり、以下の手順（Ｔ１）〜（Ｔ４）で多数の学習データＬ１〜Ｌｎを生成し、ニューラルネットワークに蓄積して自己学習させた上で、手順（１）〜（６）で構造体Ｃの内部構造を推定し、推定した内部構造を表示する。
（Ｔ１）構造体Ｃの現況及び設計図等に基づいて、多数の構造体モデル（Ｍ１〜Ｍｎ）を作成する。
（Ｔ２）各構造体モデルの構造データＫ１〜Ｋｎを作成する。
（Ｔ３）ＦＥＭ解析手段により、加圧データＰ及び各構造データＫ１〜Ｋｎに基づく変位解析を行い、変位計測点ａ〜ｄに対応する点の変位解析データを出力する。
（Ｔ４）多数の学習データＬ１〜Ｌｎを生成する。
（１）構造体Ｃの加圧点ｐに所定圧力Ｐを付加する。
（２）変位計測点ａ〜ｄで所定圧力Ｐが付加される前後における変位データＤａ〜Ｄｄを計測する。
（３）変位データＤａ〜Ｄｄをニューラルネットワーク５に送る。
（４）ニューラルネットワーク５は、入力された変位データＤａ〜Ｄｄに基づいて逆解析を行う。
（５）逆解析により内部構造推定情報を出力し、内部構造表示手段６に送る。
（６）内部構造表示手段６は、内部構造推定情報に基づいて内部構造の表示を行う。
FIG. 3 is a flowchart showing the algorithm of the internal state estimation system according to the first embodiment. A large number of learning data L1 to Ln are generated by the following procedures (T1) to (T4), stored in the neural network, and stored in the neural network. After learning, the internal structure of the structure C is estimated in steps (1) to (6), and the estimated internal structure is displayed.
(T1) A large number of structure models (M1 to Mn) are created based on the current state of the structure C, the design drawing, and the like.
(T2) Create structure data K1 to Kn of each structure model.
(T3) Displacement analysis based on the pressurization data P and the structure data K1 to Kn is performed by the FEM analysis means, and displacement analysis data of points corresponding to the displacement measurement points a to d are output.
(T4) A large number of learning data L1 to Ln are generated.
(1) A predetermined pressure P is applied to the pressure point p of the structure C.
(2) Measure displacement data Da to Dd before and after the predetermined pressure P is applied at the displacement measurement points a to d.
(3) Send the displacement data Da to Dd to the neural network 5.
(4) The neural network 5 performs inverse analysis based on the input displacement data Da to Dd.
(5) The internal structure estimation information is output by inverse analysis and sent to the internal structure display means 6.
(6) The internal structure display means 6 displays the internal structure based on the internal structure estimation information.
図４は実施例２の内部状態推定システムで解析対象となる配管の配置を示す図である。
全ての配管は、外径５ｍｍ、内径４ｍｍ、管体の厚さは減肉のないところで１ｍｍであり、図４の上下端は完全拘束、左端はピン拘束（拘束位置を支点として動くことができる状態）となっており、加圧点は左右配管の中央左寄りとし、所定圧力Ｐ（１００Ｎ）は矢印で示すように鉛直方向（Ｚ軸の負の方向）へ付加した。
また、変位計測点は図４に○で示すように１３箇所とした。
なお、実施例２では配管が鉄製のため、所定圧力Ｐを１００Ｎとしたが、塩ビ製であれば１０Ｎ程度で十分な変位を得ることができる。
FIG. 4 is a diagram illustrating the arrangement of pipes to be analyzed in the internal state estimation system according to the second embodiment.
All pipes have an outer diameter of 5 mm, an inner diameter of 4 mm, and the thickness of the pipe body is 1 mm where there is no thickness reduction. The upper and lower ends of FIG. 4 are completely constrained and the left end is pin constrained. The pressurizing point was set to the left of the center of the left and right pipes, and a predetermined pressure P (100N) was applied in the vertical direction (the negative direction of the Z axis) as indicated by an arrow.
Further, the displacement measurement points were 13 as shown by ◯ in FIG.
In Example 2, since the piping is made of iron, the predetermined pressure P is set to 100 N. However, if it is made of PVC, a sufficient displacement can be obtained with about 10 N.
多数の構造体モデルを作成するに当たっては、配管の減肉位置と減肉量を変えて行った。減肉量は０．２ｍｍ、０．５ｍｍ及び０．７ｍｍの３通りを想定した。
実施例１と同様、各構造体モデルの構造データを作成し加圧点に所定圧力Ｐを付加したものとして、ＦＥＭ解析手段により各変位計測点に対応する点の変位解析データを得た。
なお、図５は或る構造体モデルについて得られた変位解析データに基づいて、加圧点に所定圧力Ｐを付加した後の配管位置を表示させた結果を示す図である。
In creating a large number of structure models, pipe thinning positions and thinning amounts were changed. Three types of thickness reduction were assumed: 0.2 mm, 0.5 mm, and 0.7 mm.
As in Example 1, the structure data of each structural body model was created and a predetermined pressure P was added to the pressure point, and displacement analysis data of points corresponding to the respective displacement measurement points were obtained by the FEM analysis means.
FIG. 5 is a diagram showing the result of displaying the piping position after applying the predetermined pressure P to the pressurization point based on the displacement analysis data obtained for a certain structure model.
そして、実施例１と同様にＦＥＭ解析手段を用いて多数の学習データを生成し、予めニューラルネットワークに蓄積して自己学習させたが、実施例２の配管は複雑であるため、ＦＥＭ解析は８１１８３個の構造体モデルについて行い、そのうち７３０６５個の構造体モデルにおける変位解析データ等を学習データとし、自己学習は６万回行った。
また、残り８１１８個の構造体モデルにおける変位解析データ等は検証用とした。
図６は検証用データの変位解析データ（１３箇所の変位計測点についてのデータ）をニューラルネットワークに入力し、逆解析して得られた４箇所（図４のＡ１〜Ａ４）における減肉量の推定値と実際値（検証用データにおける４箇所の減肉量）との比較表である。
なお、減肉量は管体の断面積（減肉量をｘｍｍとした時、｛５2−(４＋ｘ)2｝×πとなる。）で表示した。実際値１はＡ１〜Ａ３の減肉量が０．２ｍｍ、Ａ４の減肉量が０．７ｍｍであり、実際値２はＡ１〜Ａ３の減肉量が０．２ｍｍ、Ａ４の減肉量が０．５ｍｍである。
推定値と実際値を比較してみると、両者の値には若干のずれがあるものの、最も減肉量の大きい箇所は一致しており、減肉の進んでいる箇所を推定できていることが分かる。
As in the first embodiment, a large number of learning data is generated using the FEM analysis means and stored in the neural network in advance, and self-learning is performed. However, since the piping in the second embodiment is complicated, the FEM analysis is performed in 81183. This was performed for each structure model, and displacement analysis data and the like in 73065 structure models were used as learning data, and self-learning was performed 60,000 times.
In addition, the displacement analysis data and the like in the remaining 8118 structure models were used for verification.
FIG. 6 shows displacement analysis data (data on 13 displacement measurement points) for verification data input to a neural network, and the amount of thinning at four locations (A1 to A4 in FIG. 4) obtained by inverse analysis. It is a comparison table | surface with an estimated value and an actual value (4 thickness reduction | decrease amount in the data for verification).
The thinning amount is indicated by the cross-sectional area of the tube (when the thinning amount is x mm, {5 2 − (4 + x) 2 } × π). The actual value 1 is 0.2 mm for A1 to A3 and 0.7 mm for A4. The actual value 2 is 0.2 mm for A1 to A3 and A4 is A4. 0.5 mm.
Comparing the estimated value with the actual value, although there is a slight deviation between the two values, the location where the thinning amount is the same is the same, and the location where the thinning is progressing can be estimated I understand.
実施例の変形例を列記する。
（１）実施例１及び２の内部状態推定システムは、中空の配管の内部構造（配管の減肉）を推定するためのものであったが、配管の減肉に限らず配管の材料強度を推定するためのものとしても良い。そのため、本明細書中では、「内部構造」や「内部構造・・・」に代えて「内部状態」や「内部状態・・・」と記載している箇所もある。
例えば、配管の内側が劣化するケースでは、管体の内面から所定深さにある領域の強度が小さくなっている構造体モデルを多数作成し、多数の学習データを生成すれば良い。
（２）実施例１及び２の内部状態推定システムは、中空の配管の内部構造（配管の減肉）を推定するためのものであったが、中空の配管に限らず、内部に空洞部を有する三次元構造体（空洞体）に適用して、空洞体の壁の厚さを推定することもできる。
The modification of an Example is listed.
(1) Although the internal state estimation system of Example 1 and 2 was for estimating the internal structure (pipe thinning) of a hollow pipe, the material strength of the pipe is not limited to pipe thinning. It may be used for estimation. For this reason, in the present specification, there are also portions described as “internal state” or “internal state...” Instead of “internal structure” or “internal structure.
For example, in the case where the inside of the pipe is deteriorated, a large number of structure models in which the strength of a region at a predetermined depth from the inner surface of the pipe body is reduced may be generated to generate a large number of learning data.
(2) Although the internal state estimation system of Example 1 and 2 was for estimating the internal structure (thinning of the pipe) of the hollow pipe, it is not limited to the hollow pipe, and a hollow portion is provided inside. The thickness of the wall of the cavity can also be estimated by applying to a three-dimensional structure (cavity) having the cavity.
（３）実施例１及び２の内部状態推定システムは、中空の配管の内部構造（配管の減肉）を推定するためのものであったが、中空の配管に限らず、中実の三次元構造体（中実体）に適用して、中実体の材料強度を推定することもできる。
そうした場合、例えば、中実体の内部に鉄筋が含まれているケースにおいては、鉄筋の一部又は全部について強度が小さくなっている構造体モデル、鉄筋の一部が設置されていない構造体モデル及びそれらを組み合わせた構造体モデルを作成し、多数の学習データを生成すれば良い。また、鉄筋の周囲の材料が劣化するケースにおいては、鉄筋の強度に加え、鉄筋の周囲の材料強度が小さくなっている構造体モデルを多数作成し、多数の学習データを生成すれば良い。
（４）実施例１及び２の内部状態推定システムでは、学習データや検証データの生成にＦＥＭ解析手段を用いたが、ＦＥＭ解析手段に限らず、差分法や境界要素法等に基づく数値解析手段を用いても良い。
(3) Although the internal state estimation system of Example 1 and 2 was for estimating the internal structure (thinning of the pipe) of the hollow pipe, it is not limited to the hollow pipe and is a solid three-dimensional It can also be applied to a structure (solid body) to estimate the material strength of the solid body.
In such a case, for example, in a case where a reinforcing bar is included in the solid body, a structural model in which the strength of a part or all of the reinforcing bar is reduced, a structural model in which a part of the reinforcing bar is not installed, and A structure model combining them may be created to generate a large number of learning data. Further, in the case where the material around the reinforcing bar deteriorates, a large number of structure models in which the material strength around the reinforcing bar is reduced in addition to the strength of the reinforcing bar may be generated to generate a large number of learning data.
(4) In the internal state estimation system according to the first and second embodiments, FEM analysis means is used for generating learning data and verification data. However, not only the FEM analysis means but also numerical analysis means based on a difference method, boundary element method, or the like. May be used.
１ 圧力付加手段 ２ａ〜２ｄ 変位計測手段
３ 構造体モデルデータ出力手段 ４ 三次元モデル解析手段
５ ニューラルネットワーク ５Ｉ 入力層 ５Ｏ 出力層
５Ｌ 学習データ蓄積手段 ５Ｌ 学習データ蓄積手段
６ 内部構造表示手段
Ａａ１〜Ａｄ１，Ａａｎ〜Ａｄｎ 変位解析データ ａ〜ｄ 変位計測点
Ｃ 構造体 Ｄａ〜Ｄｄ 変位データ Ｋ１〜Ｋｎ 構造データ
Ｌ１〜Ｌｎ 学習データ Ｍ１〜Ｍｎ 構造体モデル
ｐ 加圧点 Ｐ 所定圧力
DESCRIPTION OF SYMBOLS 1 Pressure addition means 2a-2d Displacement measurement means 3 Structure body model data output means 4 Three-dimensional model analysis means 5 Neural network 5I Input layer 5O Output layer 5L Learning data storage means 5L Learning data storage means 6 Internal structure display means Aa1-Ad1 , Aan to Adn Displacement analysis data a to d Displacement measurement points C Structure Da to Dd Displacement data K1 to Kn Structure data L1 to Ln Learning data M1 to Mn Structure model p Pressurization point P Predetermined pressure
Claims (4)
前記三次元構造体の外面に設けられた加圧点に圧力を付加する圧力付加手段と、
前記三次元構造体の外面に設けられた複数の変位計測点で前記加圧点に所定圧力が付加される前後における変位を計測し、それぞれの変位データを出力する変位計測手段と、
前記三次元構造体について、その内部状態が各々異なる多数の構造体モデルを作成し、該多数の構造体モデルに関する構造データを出力する構造体モデルデータ出力手段と、
前記加圧点に付加される加圧データ及び前記構造体モデルデータ出力手段から出力される前記構造データを受けて、各構造体モデルについて数値解析手段を用いて前記複数の変位計測点に対応する点における変位解析を行い、変位解析の対象となった構造体モデルを特定する特定情報と該構造体モデルについて行われた変位解析により得られた複数の変位解析データを学習データとして出力する三次元モデル解析手段と、
前記変位計測手段で計測された前記加圧点に所定圧力が付加される前後における変位データの入力を受けて逆解析を行い、内部状態推定情報を出力するニューラルネットワークと、
前記ニューラルネットワークから出力された前記内部状態推定情報に応じて、前記三次元構造体の内部状態を表示する内部状態表示手段を備え、
前記ニューラルネットワークは、前記三次元モデル解析手段から出力される前記多数の構造体モデルについての学習データが予め与えられ、自己学習させることによって最適化されている
ことを特徴とする内部状態推定システム。 An internal state estimation system for estimating an internal state of a three-dimensional structure,
Pressure applying means for applying pressure to a pressurizing point provided on the outer surface of the three-dimensional structure;
Displacement measuring means for measuring displacement before and after a predetermined pressure is applied to the pressurization point at a plurality of displacement measurement points provided on the outer surface of the three-dimensional structure, and outputting respective displacement data;
For the three-dimensional structure, a structure model data output means for creating a large number of structure models having different internal states and outputting structure data relating to the large number of structure models;
In response to the pressurization data added to the pressurization point and the structure data output from the structure model data output means, each structure model corresponds to the plurality of displacement measurement points using numerical analysis means. 3D that performs displacement analysis at a point and outputs as a learning data specific information that identifies the structure model subject to displacement analysis and multiple displacement analysis data obtained from the displacement analysis performed on the structure model Model analysis means;
A neural network that receives the input of displacement data before and after a predetermined pressure is applied to the pressurization point measured by the displacement measuring means, performs reverse analysis, and outputs internal state estimation information;
In accordance with the internal state estimation information output from the neural network, the internal state display means for displaying the internal state of the three-dimensional structure,
The internal state estimation system is characterized in that the neural network is optimized by self-learning given learning data for the large number of structure models output from the three-dimensional model analysis means.
ことを特徴とする請求項１記載の内部状態推定システム。 The internal state estimation system according to claim 1, wherein the three-dimensional structure is a hollow body, and the internal state is a thickness of a wall of the hollow body.
ことを特徴とする請求項２記載の内部状態推定システム。 The internal state estimation system according to claim 2, wherein the hollow body is a pipe, and the internal state is a thickness of a pipe body of the pipe.
ことを特徴とする請求項１記載の内部状態推定システム。 The internal state estimation system according to claim 1, wherein the three-dimensional structure is a solid body, and the internal state is a material strength inside the solid body.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2018165453A JP6440892B1 (en) | 2018-09-04 | 2018-09-04 | Internal state estimation system |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2018165453A JP6440892B1 (en) | 2018-09-04 | 2018-09-04 | Internal state estimation system |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP6440892B1 true JP6440892B1 (en) | 2018-12-19 |
| JP2020038128A JP2020038128A (en) | 2020-03-12 |
Family
ID=64668496
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2018165453A Active JP6440892B1 (en) | 2018-09-04 | 2018-09-04 | Internal state estimation system |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP6440892B1 (en) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPWO2021010263A1 (en) * | 2019-07-12 | 2021-09-13 | 株式会社ＮｅｊｉＬａｗ | Stress monitoring device and stress monitoring system |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2023002307A (en) * | 2021-06-22 | 2023-01-10 | 株式会社田代合金所 | Mobile body state estimating system |
| WO2023094716A1 (en) * | 2021-11-29 | 2023-06-01 | Encofrados J.Alsina S.A. | System for measuring the thickness of a hollow body |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002062199A (en) * | 2000-08-22 | 2002-02-28 | Mitsubishi Heavy Ind Ltd | Method for selecting priority inspection point of piping and its selection system |
| JP2012112852A (en) * | 2010-11-26 | 2012-06-14 | Jfe Steel Corp | Method for predicting fatigue life of welded structure |
| JP2015108588A (en) * | 2013-12-05 | 2015-06-11 | 三菱日立パワーシステムズ株式会社 | Stress analysis system and stress analysis method of piping system welded portion |
| JP2017187472A (en) * | 2016-03-31 | 2017-10-12 | 三菱重工業株式会社 | Fatigue evaluation method, testing device, and testing method |
| JP2017199084A (en) * | 2016-04-25 | 2017-11-02 | トヨタ自動車株式会社 | Structure design assist device capable of discovering dynamic weak point of structure using inductive force |
-
2018
- 2018-09-04 JP JP2018165453A patent/JP6440892B1/en active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002062199A (en) * | 2000-08-22 | 2002-02-28 | Mitsubishi Heavy Ind Ltd | Method for selecting priority inspection point of piping and its selection system |
| JP2012112852A (en) * | 2010-11-26 | 2012-06-14 | Jfe Steel Corp | Method for predicting fatigue life of welded structure |
| JP2015108588A (en) * | 2013-12-05 | 2015-06-11 | 三菱日立パワーシステムズ株式会社 | Stress analysis system and stress analysis method of piping system welded portion |
| JP2017187472A (en) * | 2016-03-31 | 2017-10-12 | 三菱重工業株式会社 | Fatigue evaluation method, testing device, and testing method |
| JP2017199084A (en) * | 2016-04-25 | 2017-11-02 | トヨタ自動車株式会社 | Structure design assist device capable of discovering dynamic weak point of structure using inductive force |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPWO2021010263A1 (en) * | 2019-07-12 | 2021-09-13 | 株式会社ＮｅｊｉＬａｗ | Stress monitoring device and stress monitoring system |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2020038128A (en) | 2020-03-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6440892B1 (en) | Internal state estimation system | |
| JP7156782B2 (en) | Wrinkle Characterization and Performance Prediction for Composite Structures | |
| Huthwaite et al. | High-resolution guided wave tomography | |
| JP5466950B2 (en) | Ultrasonic surface monitoring method | |
| AU2012244389B2 (en) | Ultrasonic modeling for inspection of composite irregularities | |
| US20170307360A1 (en) | Status determination device and status determination method | |
| CN105358952A (en) | Effective structural health monitoring | |
| US10473626B2 (en) | Method for the graphical representation and data presentation of weld inspection results | |
| JP7158609B2 (en) | Crack estimation device, fault diagnosis device, crack estimation method, and fault diagnosis method for rotating electric machine | |
| EP3146325B1 (en) | Simulation-aided ultrasonic defect evaluation | |
| Marció et al. | Quality assessment and deviation analysis of three-dimensional geometrical characterization of a metal pipeline by pulse-echo ultrasonic and laser scanning techniques | |
| JP5156707B2 (en) | Ultrasonic inspection method and apparatus | |
| RU2502993C2 (en) | Ultrasonic modelling | |
| JP6527999B1 (en) | Internal state estimation system | |
| WO2019044554A1 (en) | Crack evaluation-standard establishment method, method for evaluating crack by internal flaw inspection, and maintenance management method | |
| JP2012112658A (en) | Welded part model creation device, reflection source position estimation device, and method for creation of welded part model | |
| Liu et al. | Quantitative MFL characterization study in hard magnetic material surface topography measurement | |
| de Menezes et al. | Defect and damage detection in filament wound carbon composite cylinders: a new numerical-experimental methodology based on vibrational analyses | |
| JP5769315B2 (en) | Ultrasonic flaw detection method | |
| US20220011269A1 (en) | Digital twin of an automated non-destructive ultrasonic testing system | |
| EP3783566A1 (en) | Assisted corrosion and erosion recognition | |
| Amza et al. | Augmented reality application for training in pipe defects ultrasonic investigation | |
| EP3023779B1 (en) | Method of determining the magnitude of a field variable of an energy wave | |
| JP4526046B1 (en) | Inspection method using guide waves | |
| JP4475477B1 (en) | Inspection method using guide waves |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20180904 |
|
| A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20180904 |
|
| A975 | Report on accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A971005 Effective date: 20181016 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20181023 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20181120 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 6440892 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313117 |
|
| R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |