Využití směsových modelů pro identifikaci lomových ploch v kovových materiálech

Abstract

Cílem práce je představit využití shlukovacích algoritmů při identifikace křehkého a houževnatého lomu u DWTT vzorků. Práce nabízí inovativní přístup pro hodnocení lomové plochy. K popisu lomových vlastností jsou využita data ze 3D skenů. Práce předkládá několik přístupů,jak ohodnotit morfologické vlastnosti lomové plochy. Vedle často užívané fraktální geometrie a parametrů drsnosti, představuje práce zcela nový koncept hodnocení lomové plochy, který je založen na analýze normálových vektorů. Odhad fraktální dimenze je realizován pomocí tzv. mřížkové dimenze. Vlastní implementace odhadu mřížkové dimenze je verifikována na uměle generovaných fraktálech a následně použita na analyzovaných vzorcích. Vlastnosti normálových vektorů, odhady fraktálních dimenzí a parametry drsností jsou analyzovány dvěma metodami strojového učení bez učitele - algoritmem K-means ++ a shlukováním s užitím směsí normálních rozdělení. V závěru práce je na analyzovaných datech popsán i výstup metody support vector machines. Získané výstupy dobře korespondují se skutečným rozložením křehkého a houževnatého lomu. Vedle nového přístupu k hodnocení lomové plochy nabízí práce i zcela netradiční aplikaci vybraných shlukovacích technik ve fraktografii.

The presented thesis introduces the application of cluster algorithms in the brittle and ductile fracture identification in a steel structure. The fracture surfaces of eight DWTT broken samples are analysed using a new surface evaluation concept. The analysed data source comes from 3D scan. Beside formerly used fractal geometry and roughness approach, new concept based on normal vector characteristics is used. The implementation of a box counting estimate is verified on generated fractals and applied on the real DWTT specimens. Thereafter, normal vector characteristics, fractal dimensions and roughness characteristics are analysed by K-means++ and Gausssian mixture clustering. Applications of clustering algorithms improve a correct detection significantly, so that achieved clusters highly correspond to the real distribution of the ductile and brittle fracture areas on the DWTT surface. At the end of the thesis, the achieved results are enlarged by support vector machines technique. The presented methods are useful tools for the objective evaluation of the ductile fracture percentage.