Identificación de daño en paneles compuestos mediante algoritmo de aprendizaje profundo supervisado con arquitectura W-net

Abstract

Hoy en día, el Deep Learning (DL) está presente en gran parte de las industrias, permitiendo que computadoras realicen cálculos complejos en un lapso de tiempo reducido. Tanta es la incorporación del DL en las industrias, que gracias al avance tecnológico en procesamiento gráfico (GPU) y cloud computing, ésta rama del Machine Learning es un gran foco de investigación actual. Este trabajo hará uso de ésta herramienta vanguardista en el campo de la detección de daño, más específicamente daño por delaminación en paneles compuestos. Los paneles compuestos son considerados uno de los materiales de ingeniería más utilizados en las industrias de precisión, donde es vital la confiabilidad y no sacrificar las propiedades mecánicas por intentar reducir el peso. El daño por delaminación es el modo de falla más característico de estos paneles, y realizar la detección del daño con precisión es el objetivo que se persigue al implementar el DL en este campo. El enfoque principal de este trabajo es realizar una primera aproximación a una comparación entre dos tipos de algoritmos de DL supervisados para la identificación de daño en paneles compuestos. Para esto, el algoritmo W-Net es optimizado en modo supervisado (entrenamiento con etiquetas) con dos funciones de costo (IoU Loss y Dice Loss) y luego es implementado a imágenes que representan daño por delaminación, mismas imágenes donde fue implementado el algoritmo supervisado U-Net con anterioridad. La comparación se realizó en aspectos de desempeño de predicción, medido con cuatro métricas de evaluación (IoU Coefficient, Dice Coefficient, Probabilistic Rand Index y Variation of Information), y recursos invertidos en la obtención de los resultados. Del estudio se concluye que el algoritmo W-Net supervisado requiere una mayor capacidad de cómputo que el algoritmo U-Net al realizar el mismo entrenamiento. En referencia al desempeño de cada algoritmo, los resultados indican que el algoritmo supervisado U-Net es más eficaz al evaluar datasets numéricos, mientras el algoritmo W-Net supervisado obtiene predicciones más precisas al evaluar datasets experimentales.