Assessing Micro Wall-Thinning Damage in Aluminum Frames of Subsonic Speed Vehicles: A Comprehensive Approach Integrating Higher - Order Harmonic Nonlinear Guided Wave Analysis and Convolutional Neural Networks

고속철도 차량은 성능 향상에 따라, 구조물에 미치는 응력 상승 및 차체에 피로도를 증가시키는 양상이 지속되어 왔다. 이는 초기 미세 감육이 대형 사고로 직결될 수 있는 가능성이 증대되었음을 시사한다. 본 연구는 유도초음파를 통해 측정된 주파수 응답 이미지(spectrogram)의 심층학습(deep learning)을 통해, 초기 결함 발생 및 성장에 감육정도를 진단하는 연구를 진행하였다. 초고속 열차의 프레임 및 차체는 주로 강화 알루미늄 및 스테인리스 합금으로 구성되어 있다. 이를 고려하여 알루미늄 합금 강화 재질인 AL-2024로 제작된 두께 6.36 mm (1/4 inch) 평판의 미세 감육 변화를 진단한다. 미세 감육 변화 진단을 위해, 고조파 조화 함수 주파수 응답(higher order harmonic response) 그리고 판재의 초음파 고유진동수(ultrasonic vibration) 변화를 동시에 고려한 주파수 응답 이미지를 분석한다. 건전 부 표면에서 두께 대비 2%인, 0.12 mm 단위로 표면 감육을 성장시켜, 해당 조건에 대한 주파수 응답 이미지를 획득하고, 이를 국부 영역 합성곱 신경망 알고리즘(regions with convolutional neural networks, R-CNN)을 통해 이미지를 학습을 수행하였다. 지름 70 mm 원형 감육에 대해 기존 두께 대비 8%까지, 총 4단계로 구성하여 학습하였다. 이를 통해 감육 깊이에 대한 유사도를 추정할 수 있는 CNN 감육판별 알고리듬을 개발하였으며, 특정 차량의 표면 건전성을 학습된 유도초음파 주파수 응답 이미지 CNN 검출기를 통해 판별할 수 있음을 확인하였다.