초음파 검사(UT)는 구조적 건전성을 평가하기 위해 많은 산업 분야에서 사용되는 대표적인 비파괴 검사(NDE) 기법 중 하나이다. 일반적으로 사용되는 NDE 기법은 육안 검사(VT), 침투 검사(PT), 자기 검사(MT)와 같은 기본 검사 기법과, 초음파 검사(UT), 방사선 투과 검사(RT), 와전류 검사(ECT), 위상 배열 초음파 검사(PAUT)와 같은 고급 검사 기법으로 나눌 수 있다. 이러한 다수의 고급 기법 가운데 초음파 검사(UT)는 보통 여러 산업 분야에서 용접부를 검사하는 데 사용된다. 그러나 UT의 적용에는 아직 극복해야 할 몇 가지 한계가 있다. UT의 정밀도를 저하시키는 주요 한계 중 하나는 시편의 기하학적 계면으로부터 추가로 발생하는 신호이다. UT는 초음파 빔의 반사 지시를 이용한다. 그러나 용접 계면 및 기하학으로부터의 반사 신호는 표적 결함 신호와 함께 혼합 신호를 생성한다. 검사자는 용접 건전성을 평가하기 위해 1차원 반사 결과인 초음파 A-scan을 사용한다. 혼합된 초음파 A-scan 신호는 검사자가 혼합 초음파 A-scan 신호에 포함된 결함 지시뿐 아니라 배경 신호까지도 고려하면서, 용접의 표적 결함 신호를 혼합 신호로부터 구별해야 하므로 분석이 매우 어려운 경우가 많다. 따라서 UT의 효율을 위해 결함 신호와 배경 신호를 구별하는 방법을 개발할 필요가 있다. 오토인코더(autoencoder)는 입력으로부터 특징을 추출하기 위해 고안된 인공 신경망이다. 잡음 제거 오토인코더(denoising autoencoder, DAE)는 오토인코더의 파생 모델 중 하나로, 두드러진 특징을 추출하기 위해 무작위 잡음 신호를 추가하거나 제거한다. DAE는 영상과 음향 데이터의 잡음 제거에 이미 널리 사용되고 있다. 본 연구에서는 DAE의 특성을 활용하여 초음파 결함 신호를 혼합된 초음파 A-scan 신호로부터 구별하고자 하였다. 학습을 위해, 5가지 서로 다른 유형의 결함이 삽입된 45개의 서로 다른 표준 블록에서 2463개의 혼합 A-scan 신호를 얻었다. 테스트를 위해서는 1000개의 혼합 A-scan 신호를 사용하였다. 네트워크의 성능은 점대점(point-by-point) 비교 방법을 통해 평가하였다. 오토인코더는 혼합 초음파 A-scan으로부터 배경 신호를 제거하도록 학습되었으며, 표적 결함 신호는 원래의 A-scan 신호로부터 추출되었다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.