第 5 章 ニューラルネットワークを適用した超音波探傷試験の欠陥性状同定
5.4 ニューラルネットワークを適用した垂直探傷試験の欠陥性状同定
5.4.5 ニューラルネットワークによる欠陥同定結果
システムの妥当性を検証するために，種々の欠陥を想定して順解析を行い，得られた反 射波形のデータから構築したニューラルネットワークで逆解析した結果を示す。
第 4 章で，垂直探傷による水平欠陥の長さの同定に関して，6dBドロップ法および10dB ドロップ法を用いた場合の推定精度について検討を行った。その結果，振動子幅より欠陥 が小さくなると欠陥を過大に評価することがあることがわかった。本節では，振動子幅よ り小さな欠陥を対象として欠陥寸法だけでなく欠陥形状も含めて欠陥性状同定を行う。
(1) 解析モデル
スリット欠陥，斜めスリット欠陥および円形欠陥が内在する試験体を表面から探傷し，
欠陥で生じる反射波をシミュレーションで求めて，ニューラルネットワークによる欠陥同 定を行う。Fig.5.7に解析モデルを示す。板厚は 24mm，解析する幅は60mmとする。使 用探触子の幅は5mmで周波数は1MHzとする。教師データを得るたに以下のパラメータ を組み合わせた複数のモデルについて解析を行った。
欠陥種類：水平スリット欠陥，斜めスリット欠陥，円形欠陥
欠陥形状を判別するために欠陥形状のIDは円形欠陥を0，スリット状水平 欠陥（角度0°）を１，スリット状斜め欠陥（角度30°～60°）を 2と
分類する。
欠陥の長さ：3～5mm
欠陥位置：底面から10～16mm，円形や斜めの場合は上端位置を基準とする （水平スリットは12～16mmのみ）
欠陥角度：30～60°
Fig.5.7 Calculating model for normal ultrasonic testing
24mm
60mm 5mm
circular crack, slit, slanted crack
10～16mm X
Y
Probe frequency：
1MHz
specimen：
steel
Mesh size：
0.25mm
75
（2） 教師データ
(1)に示した条件の下，シミュレーション計算を実施することで得られた教師データを
Table 5.1に示す。Table 5.1の左項 ”case” において，最初の記号”C”は円形欠陥，”H”
は水平スリット，”S”は斜めスリットを表し，”D3”は直径3mm，”L3”はスリット長さ
3mm，”A30”はスリット角度のことを表す。”y” は底面からの欠陥上端位置までの距離を
示している。これらの教師データを用いて，欠陥性状（種類，位置，長さ，角度）ごとに ネットワークの学習を行い，Network 1～8の欠陥同定用ニューラルネットワークを作製 する。
なお，Network 1～8を構築する際に使用する入力値は次の通りである。
Network 1（形状）：X1/X2，X3/X2，
t1，
t2， t
r2，（入力教師データNo.1～48）Network 2，4（円形または平行スリット位置）：
t
Y2，t
X2，（入力教師データNo.1～21）Network 3，5（円形の大きさまたは平行スリット長さ）：rX2/X2，Y2/X2，
（入力教師データNo.1～21）
Network 6（斜めスリット角度）：X1/X2，X3/X2，rX2/X2，Y2/X2，
t1，
t2， t
r2， t
Y2，t
X2，（入力教師データNo.22～48）Network7（斜めスリット位置）：X1/X2、X3/X2、rX2/X2、Y2/X2、
t1，
t2， t
r2， t
Y2，t
X2，（入力教師データNo.22～48）Network8（斜めスリット長さ）：rX2/X2，Y2/X2，
t
r2， t
Y2（入力教師データNo.22～48）
76 Table 5.1 Teaching data for neural network
No. case X1/X2 X3/X2 rX2/X2 Y2/X2 ⊿t1 ⊿t2 ⊿tY2 ⊿tr2 tX2
1 CD3_y10 0.559 0.754 0.630 1.359 4.50E-07 4.40E-07 3.49E-06 2.60E-07 5.53E-06 2 CD3_y12 0.559 0.743 0.569 1.244 4.40E-07 4.50E-07 4.18E-06 2.80E-07 4.85E-06 3 CD3_y14 0.638 0.745 0.489 0.943 4.40E-07 4.40E-07 4.85E-06 3.20E-07 4.18E-06 4 CD3_y16 0.665 0.790 0.384 0.840 4.60E-07 4.40E-07 5.53E-06 3.80E-07 3.51E-06 5 CD4_y10 0.592 0.695 0.644 0.937 4.50E-07 4.50E-07 3.53E-06 2.50E-07 5.53E-06 6 CD4_y12 0.595 0.696 0.586 0.897 4.50E-07 4.30E-07 4.18E-06 2.70E-07 4.87E-06 7 CD4_y14 0.678 0.693 0.516 0.679 4.60E-07 4.30E-07 4.88E-06 3.10E-07 4.20E-06 8 CD4_y16 0.707 0.741 0.415 0.555 4.70E-07 4.20E-07 5.55E-06 3.60E-07 3.53E-06 9 CD5_y10 0.616 0.669 0.657 0.652 4.60E-07 4.20E-07 3.54E-06 2.30E-07 5.54E-06 10 CD5_y12 0.625 0.659 0.594 0.680 4.40E-07 4.20E-07 4.21E-06 2.60E-07 4.86E-06 11 CD5_y14 0.690 0.681 0.516 0.487 4.40E-07 4.30E-07 4.93E-06 3.10E-07 4.18E-06 12 CD5_y16 0.732 0.712 0.434 0.396 4.60E-07 4.20E-07 5.60E-06 3.50E-07 3.52E-06 13 HL3_A0_y12 0.526 0.798 0.351 0.562 4.40E-07 4.20E-07 4.19E-06 2.60E-07 4.77E-06 14 HL3_A0_y14 0.591 0.800 0.284 0.503 4.50E-07 4.20E-07 4.91E-06 2.80E-07 4.10E-06 15 HL3_A0_y16 0.615 0.808 0.177 0.355 4.40E-07 4.20E-07 5.56E-06 3.30E-07 3.42E-06 16 HL4_A0_y12 0.535 0.810 0.315 0.334 4.40E-07 4.20E-07 4.19E-06 1.60E-07 4.77E-06 17 HL4_A0_y14 0.594 0.808 0.255 0.309 4.20E-07 4.20E-07 4.93E-06 2.30E-07 4.10E-06 18 HL4_A0_y16 0.627 0.813 0.165 0.204 4.50E-07 4.10E-07 5.56E-06 2.50E-07 3.45E-06 19 HL5_A0_y12 0.545 0.806 0.293 0.223 4.20E-07 4.20E-07 4.17E-06 1.90E-07 4.77E-06 20 HL5_A0_y14 0.603 0.805 0.245 0.213 4.40E-07 4.00E-07 4.93E-06 1.90E-07 4.12E-06 21 HL5_A0_y16 0.639 0.815 0.172 0.090 4.50E-07 4.10E-07 5.53E-06 1.80E-07 3.45E-06 22 SL3_A30_y12 0.525 0.833 0.538 1.116 4.70E-07 4.50E-07 3.80E-06 5.60E-07 5.15E-06 23 SL3_A30_y14 0.551 0.821 0.416 1.001 4.80E-07 4.50E-07 4.43E-06 6.10E-07 4.50E-06 24 SL3_A30_y16 0.596 0.817 0.301 0.780 4.50E-07 4.40E-07 5.07E-06 6.60E-07 3.86E-06 25 SL_A430_y12 0.535 0.852 0.650 0.854 4.90E-07 4.40E-07 3.58E-06 4.70E-07 5.33E-06 26 SL_A430_y14 0.549 0.851 0.388 0.670 5.00E-07 4.40E-07 4.22E-06 6.70E-07 4.69E-06 27 SL_A430_y16 0.596 0.817 0.301 0.779 4.50E-07 4.40E-07 5.08E-06 6.60E-07 3.86E-06 28 SL5_A30_y12 0.530 0.880 0.452 1.492 5.10E-07 4.60E-07 3.20E-06 7.40E-07 5.68E-06 29 SL5_A30_y14 0.545 0.891 0.412 1.076 5.10E-07 4.60E-07 3.94E-06 7.30E-07 4.93E-06 30 SL5_A30_y16 0.616 0.864 0.281 0.932 5.10E-07 4.70E-07 4.57E-06 8.30E-07 4.31E-06 31 SL3_A45_y12 0.617 0.930 0.661 3.874 5.90E-07 4.90E-07 3.22E-06 7.90E-07 5.66E-06 32 SL3_A45_y14 0.606 0.918 0.484 3.621 5.70E-07 4.80E-07 3.82E-06 8.40E-07 5.05E-06 33 SL3_A45_y16 0.745 0.840 0.457 2.429 6.00E-07 4.80E-07 4.57E-06 8.60E-07 4.31E-06 34 SL4_A45_y12 0.661 0.925 0.703 5.039 6.00E-07 5.30E-07 2.80E-06 9.00E-07 6.10E-06 35 SL4_A45_y14 0.817 1.042 0.558 4.639 6.00E-07 5.30E-07 3.54E-06 9.20E-07 5.35E-06 36 SL4_A45_y16 0.731 0.946 0.558 2.992 6.20E-07 5.10E-07 4.27E-06 9.10E-07 4.62E-06 37 SL5_A45_y12 0.775 1.108 0.562 6.984 6.30E-07 5.30E-07 2.29E-06 9.80E-07 6.60E-06 38 SL5_A45_y14 0.765 1.041 0.631 5.355 6.40E-07 5.20E-07 3.02E-06 1.01E-06 5.87E-06 39 SL5_A45_y16 0.672 1.006 0.484 4.283 6.10E-07 5.50E-07 3.78E-06 1.02E-06 5.12E-06 40 SL3_A60_y12 0.695 1.045 0.665 8.036 5.80E-07 5.20E-07 3.33E-06 8.20E-07 5.56E-06 41 SL3_A60_y14 0.689 1.008 0.576 5.900 6.20E-07 5.10E-07 4.04E-06 8.10E-07 4.83E-06 42 SL3_A60_y16 0.947 0.822 0.433 5.178 6.00E-07 4.80E-07 4.67E-06 9.00E-07 4.22E-06 43 SL4_A60_y12 0.884 1.037 0.702 13.233 6.60E-07 5.80E-07 2.72E-06 1.01E-06 6.18E-06 44 SL4_A60_y14 0.905 1.098 0.638 12.100 6.60E-07 5.60E-07 3.46E-06 1.04E-06 5.44E-06 45 SL4_A60_y16 0.952 0.896 0.493 9.619 7.00E-07 5.30E-07 4.18E-06 1.05E-06 4.70E-06 46 SL5_A60_y12 0.778 1.000 0.515 14.137 6.80E-07 5.40E-07 2.05E-06 1.04E-06 6.88E-06 47 SL5_A60_y14 0.886 1.074 0.574 12.899 6.80E-07 5.40E-07 2.76E-06 1.14E-06 6.14E-06 48 SL5_A60_y16 0.877 1.087 0.597 12.056 6.40E-07 5.70E-07 3.72E-06 1.14E-06 5.19E-06
77 (3) 欠陥同定結果
Table 5.2 に Network 1 による欠陥形状推定結果を示す。推定したのは円形欠陥４個
（No.1～4），水平スリット欠陥４個（No.5～8），斜めスリット欠陥 5 個（No.9～13）で ある。真の値は 0，1 および 2 の離散値であるが，ニューラルネットワークの推定値は実数 値を出力しているが，出力された値は欠陥形状の真の値とよく一致している。これより欠 陥形状を精度よく分類できていることが分かる。
次に，Network 1での同定結果をもとにNetwork 2からNetwork 8を用いて欠陥角度，
位置，長さを推定した結果をFig.5.8に示す。Fig.5.8(a)の斜めスリット欠陥の推定角度は 実際の欠陥角度との誤差±5％以内の精度で推定されている。また，Fig.5.8(b)の欠陥深さ の推定位置は円形欠陥，水平欠陥，斜め欠陥ともに実際の深さ位置と比較して誤差±5％ 以内の精度で推定されていることがわかる。更に，Fig.5.8(c)の欠陥長さの推定結果を見る と推定値は実際の欠陥長さと比較してほぼ±10％以内の精度で推定されている。
この結果より，ニューラルネットワークを利用することによって欠陥の形状を精度よく 分類することができ，欠陥角度，位置，長さを良好な精度で推定できることがわかった。
教師データはシミュレーションで得ることができるので，板厚や予想される欠陥性状ごと のシミュレーションを行うことで，比較的容易にニューラルネットワークを構築すること が可能であり，ニューラルネットワークを利用することにより技術者の修練度に依らず欠 陥性状を推定できる欠陥同定システムの構築が可能であることがわかった。
Table 5.2 Defect identification result by Network 1 No. Shape of crack ID of
crack shape
Estimated Value (Shape of crack)
1 Circular 0 0.01
2 Circular 0 0.05
3 Circular 0 0.03
4 Circular 0 0.06
5 Slit 1 1.19
6 Slit 1 1.05
7 Slit 1 0.99
8 Slit 1 0.99
9 Slant 2 2.02
10 Slant 2 2.00
11 Slant 2 2.00
12 Slant 2 2.00
13 Slant 2 2.00
78
(a) Results of estimated angle (b) Results of estimated depth
(c) Results of estimated length
Fig.5.8 Calculation results of defect angle, depth and length by neural network (Straight beam technique)
10 20 30 40 50 60 70
10 30 50 70
Actual defect angle (deg)
Estimate defect angle (deg) Slant
±5%
10 12 14 16
10 12 14 16
Actual defect depth (mm)
Estimate defect depth (mm) Circular
Slit Slant
±5%
2 3 4 5 6
2 3 4 5 6
Actual defect length (mm)
Estimate defect length (mm) Cirular
Slit Slant
±10%
79