A non-intrusive system for classifying severity and estimating the depth of damage caused by internal corrosion using the potential drop technique and electrical mapping with application of machine learning algorithms and convolutional neural networks

Submitted by Julia CTC/B (julia.vieira@uerj.br) on 2021-11-30T20:49:58Z No. of bitstreams: 1 Dissertação - George Leandro dos Santos Pinto - 2020 - Completo.pdf: 8550860 bytes, checksum: 0e8ab26c15c218736fd00c7b7307fa30 (MD5) Made available in DSpace on 2021-11-30T20:49:58Z (GMT). No. of bitstreams: 1 Dissertação - George Leandro dos Santos Pinto - 2020 - Completo.pdf: 8550860 bytes, checksum: 0e8ab26c15c218736fd00c7b7307fa30 (MD5) Previous issue date: 2020-11-19 Fundação Carlos Chagas Filho de Amparo à Pesquisa do Estado do Rio de Janeiro - FAPERJ This work presents a non-intrusive method to obtain information about damages caused by internal corrosion in AISI-304 stainless steel plates and to classify them according to their severity. By applying the Potential Drop technique, the mapping of the electric potential gradient is extracted, which is examined by image processing strategies such as operations for enhancement of edges and segmentation. With the use of Finite Element Modeling, simulations were carried out to generate examples of damaged plates, using four classes of defects that can be considered as part of pitting corrosion. The image processing stage acts as an extractor of features that, when presented to different regressors and classifiers, make it possible to know the damage depth estimate and the severity classification respectively. With the Random Forest regressor, the mean absolute error of 0.0575mm was obtained in the estimate of the depth of the defects. Additionally, with the application of a Convolutional Neural Network, the accuracy of 94.84% was achieved in the classification of the severity of the damages. Este trabalho apresenta um método não intrusivo para obtenção de informações sobre danos causados por corrosão interna em placas de aço inoxidável AISI-304 e classificá-los de acordo com sua severidade. Pela aplicação da técnica Potential Drop é extraído o mapeamento do gradiente de potencial elétrico, que é examinado por estratégias de processamento de imagens como operações para realce de bordas e segmentação. Com o emprego da Modelagem em Elementos Finitos foram realizadas simulações para gerar exemplos de placas danificadas, utilizando quatro classes de defeitos com geometria alveolar. O estágio de processamento de imagens atua como extrator de atributos que ao serem apresentados a diferentes regressores e classificadores possibilitam ser conhecidas a estimativa da profundidade dos danos e a classificação da sua severidade respectivamente. Com o regressor Random Forest foi obtido o erro absoluto médio de 0,0575 mm na estimativa da profundidade dos defeitos. Adicionalmente, com a aplicação de uma Rede Neural Convolucional foi alcançada a acurácia de 94,84% na classificação da gravidade dos danos.