مدل سازی سیگنال های فراصوتی با استفاده از روش های بهینه سازی
چکیده
در یک آزمون فراصوتی اکو های بازگشتی از درون قطعه دارای اطلاعات مفید و ارزشمندی در مورد مشخصات هندسی و ریزساختاری قطعه هستند. این اکوهای فراصوتی را می توان با استفاده از مدل پالس گوسی متقارن، که دارای پنج پارامتر مستقل است، مدلسازی کرد. برای مدلسازی دقیق یک اکو، پارامترهای پالس گوسی باید هر چه دقیق تر از روی اکوی واقعی تخمین زده شوند. الگوریتم های متفاوتی برای تخمین این پنج پارامتر وجود دارد. در این پژوهش از چهار روش بهینه سازی گوس نیوتن ( gn )، لونبرگ مارکوارت ( lm)، بهینه سازی گروه ذرات (pso ) و الگوریتم ژنتیک ( ga) برای این منظور استفاده خواهد شد و مزایا و معایب هر یک از این روش ها طی مثال هایی بررسی و در نهایت با ترکیب این الگوریتم ها، مزایای یک الگوریتم، جایگزین معایب الگوریتم دیگر می شود. در مورد سیگنال هایی که دارای چندین اکو فراصوتی هستند از اصل حداقل طول توصیف ( mdl) برای تخمین تعداد اکوها استفاده شده است و برای تسهیل تخمین پارامترهای تمامی اکو ها از الگوریتم بیشینه سازی امید تعمیم یافته با فضای تناوبی (sage) استفاده می شود. برای ارزیابی کارآیی الگوریتم ها نیز سیگنال های شبیه سازی شده و اندازه گیری شده در آزمایشگاه در حالت هایی که اکوها همپوشانی داشته و یا بدون همپوشانی هستند مورد بررسی قرار خواهند گرفت. الگوریتم ترکیبی در تمامی شرایط مورد مطالعه بهتر از الگوریتم های منفرد عمل نموده است. یکی از نقص های مدل گوسی متقارن، عدم امکان برازش کامل آن به اکوهای فراصوتی واقعی است که شکل پوش آن ها معمولاً نامتقارن است. برای رفع این مشکل از مدل چیرپلت گوسی نامتقارن استفاده شده است که علاوه بر پنج پارامتر مدل متقارن، دو پارامتر دیگر با عناوین ضریب نامتقارنی و نرخ چیرپ به آن اضافه شده است. با اعمال هر دو مدل متقارن و نامتقارن بر روی یک اکوی اندازه گیری شده و مقایسه درصد برازش مدل ها، مشاهده شد که مدل نامتقارن با خطای کمتری (یک چهارم خطای مدل متقارن) به اکوی فراصوتی قابل برازش است.