Utilizing artificial neural networks for cavitation analysis

Abstract

El projecte actual té com a objectiu entendre i avaluar l'ús de deep learning, també conegut com aprenentatge autònom, mitjançant xarxes neuronals artificials per a la detecció de fenòmens no desitjats que provoquen malfuncionaments o fallades en sistemes hidràulics. L'objectiu principal d'aquest projecte és dissenyar i implementar una xarxa neuronal convolucional (CNN) capaç de predir amb precisió els règims de cavitació i no cavitació en una secció de d’assaig Venturi dins d'un sistema de bombeig d'aigua tancat. Per començar, l'estudi analitza les diferents limitacions que poden afectar el desenvolupament del model, com la quantitat limitada de dades disponibles o la falta de potència de càlcul, en els ordinadors disponibles, per poder executar els models de manera tan fluida com seria desitjable. A més, es presenta una introducció teòrica tant a la cavitació com a les xarxes neuronals artificials. Aquest capítol serveix com a base per poder entendre millor la recerca posterior. A continuació, es descriu la metodologia, on es detallen tots els passos seguits en recollir i processar les dades durant el projecte, i es finalitza amb l’exposició dels resultats obtinguts. Els resultats demostren com el model de CNN entrenat exclusivament amb senyals d'emissió acústica aconsegueix una major precisió en la detecció de cavitació en comparació amb els models entrenats amb senyals de pressió. Aquest resultat s'atribueix tant a la precisió de les dades enregistrades en senyals d'emissió acústica com a la capacitat de l'arquitectura de CNN per treballar eficaçment amb entrades basades en imatges. Encara que es poden fer modificacions per permetre que el model funcioni amb dades de sèries temporals, l'estudi mostra que s'aconsegueix una major precisió quan l'entrada es proporciona com una imatge -espectrogrames-. En resum, l'estudi ha aplicat amb èxit les CNN per detectar règims de cavitació i no cavitació I, fins i tot, ha proporcionat informació sobre quin tipus de dades d'entrada funciona millor quan es desenvolupa un model amb aquesta arquitectura. Aquests resultats subratllen el potencial d'aquesta tecnologia per treballar en entorns industrials com a eina de monitoratge de maquinària en anàlisis gairebé en temps real. Treballs futurs haurien d'incloure l'ampliació del conjunt de dades per refinar millor la CNN i fins i tot aprofundir en més subclasses dins del règim de cavitació i explorar altres tècniques de deep learning per comparar els resultats dels diferents models.