NDT Data Fusion for Post-Impact Damage Characterization in a Discontinuous Long Fiber Reinforced Polymer Composite with Stochastic Meso-Structure

あなたは、非常に奇妙で、バラバラに組み合わさった家の中で謎を解こうとしている探偵だと想像してください。この家は、整然とした真っ直ぐなレンガで造られているのではなく、何千もの小さな木材の板がランダムに投げ込まれ、接着されてできています。これは、科学者が「不連続長繊維複合材料（discontinuous long fiber composite）」と呼ぶもので、軽くて丈夫であるため、航空機や自動車に使用される非常に強力な素材です。しかし、これらの「板」（繊維）がランダムな方向に投げ込まれているため、家の中には隠れた隅々や隙間、そして予測不可能な挙動を示す弱点が満載しています。

ここで、誰かがこの家に重いボールを投げつけた場面を想像してください。家に巨大な穴が開くことはないかもしれませんが、内部では目に見えない亀裂が生じたり、層が剥がれたりすることがあります。それはまるで、パンの表面はきれいなままなのに、中の具材がズレてしまったサンドイッチのようなものです。これは「低速衝撃損傷（low-velocity impact damage）」と呼ばれます。問題は、もしあなたが片方の目だけでこの家を見ているとしたら、その損傷を見逃してしまうかもしれないということです。ある目は影は見えても亀裂は見えないかもしれませんし、別の目は熱のスポットは見えても深い裂け目は見えないかもしれません。この謎を解くためには、懐中電灯、サーモグラフィ、そしてX線装置のように、異なる情報源からの手がかりを組み合わせる必要があります。これがこの研究の核心です。つまり、家を壊すことなく、損傷の全体像を把握するために、どのようにしてこれらの異なる「超感覚」を融合させるかという課題です。

論文の使命：目に見えないものを見るための「超感覚」の融合

この研究において、研究者の Marco Didone、Rachel Van Lear、David Jack、および Sergii G. Kravchenko は、衝撃を受けた後のこれらの「ランダムな板の家」を検査するという難しい課題に取り組みました。彼らは、炭素繊維の細長いストリップをランダムな方向に配置して圧縮して作られる、プレプレグ・プレートレット・モールド複合材料（PPMC）と呼ばれる特殊な素材を使用しました。これらの素材に衝撃が加わると、損傷は複雑で三次元的になり、単一の検査ツールでは見落としてしまうような奇妙な方向に広がります。

チームは、3つの異なる非破壊検査（NDT）手法を用いて、「手がかりを組み合わせる」ゲームを行うことにしました。これらを3人の異なる探偵だと考えてください。

1. 超音波探傷試験 (UT): これは、音波（ソナー）を送り出してエコーを聞き取るようなものです。もし亀裂やデラミネーション（層の剥離）があれば、音は異なって跳ね返ってきます。しかし、騒がしい部屋の中と同じように、時には上層の層によって音が遮られ、深い場所で起きていることが隠れてしまうことがあります。
2. 赤外線サーモグラフィ (UT): この探偵は熱を使います。表面を温め、それがどのように冷却されるかを観察します。もし下に亀裂があれば、熱が滞留したり、流れ方が変わったりして、表面に熱いスポットや冷たいスポットが現れます。しかし、この探偵は主に表面付近しか見ることができず、深い秘密を見逃す可能性があります。
3. X線マイクロコンピューター断層撮影 (µCT): これはハイテクなX線ビジョンです。何千枚もの画像を異なる角度から撮影して、内部の3Dモデルを構築します。損傷の形状を見るのには優れていますが、隙間が非常に狭く、あたかも固形物のように見えるほど押しつぶされた亀裂などは、必ずしも捉えることができません。また、大きな部品をスキャンするには時間がかかります。

大きな発見：答えは「結合」にある

研究者たちは、これら3人の探偵の結果を個別に見たのではなく、それらを融合させることを試みました。彼らは主に2つの戦略を用いました。

• 特徴量統合 (Feature Integration): これは、各探偵が出した最終的な「Yes/No」のマップを取り出し、それらを重ね合わせるようなものです。もし、どの探偵かが「ここに損傷がある」と言えば、そこを損傷箇所としてマークします。
• 特徴量分類 (Feature Classification): これは、決定を下す前に、数学的に生のデータ（グレースケール画像）を混ぜ合わせるようなもので、「平均を取る」や「最大値を取る」といったルールを使用します。

彼らが発見したこと

研究の結果、特徴量統合が損傷を理解する上で明らかに勝っていることが分かりました。マップを結合することで、彼らは損傷の「保守的な上限推定値」を作り出しました。簡単に言えば、単一のツールが見たものよりも大きな範囲で損傷の周囲に安全網を引いたということであり、これにより、何かを見逃すことがないようにしたのです。

具体的な数値は以下の通りです。

• µCT（X線）が見つけた領域は最も小さく、プレートの 5.3% をカバーしていました。
• UT（音）が見つけた領域はより広く、7.1% でした。
• IRT（熱）が見つけた領域は 7.5% でした。
• これら3つを1つの融合マップにまとめたとき、投影された総損傷面積は 8.5% でした。

この8.5%は、必ずしも「完璧な真実」ではありませんが、著者らはこれが損傷の非常に安全で完全な姿であると示唆しています。彼らは、X線が見つけた損傷の 99.66% がこの結合マップに含まれていることを指摘しました。これは、3つのツールを併用することで、X線が見ているほぼすべてを捉え、さらにX線が見落とした部分を音や熱のツールが見つけたことを証明しています。

なぜ一つの探偵では不十分なのか

論文は、単一の手法に頼ることに対して明確に反対しています。

• X線 (µCT) は、亀裂の両側が接触して隙間がないため、非常に狭い亀裂を見逃しました。また、プレートの特異な形状のために、すべてを見ることができない場合もありました。
• 音 (UT) は、音波が上層の層によって遮られる（シャドーイング現象）ため、実際の損傷よりも広い領域を見せてしまい、損傷が特定の形状ではなく、単なる塊のように見えることがありました。
• 熱 (IRT) は、表面付近の問題を見るのには適していましたが、深い場所までは見ることができませんでした。

研究者たちはまた、「特徴量分類」（生の画像を数学的に混合する方法）についてもテストを行いました。その結果、このアプローチは不安定であり、ノイズに対して敏感であることが分かりました。例えば、「差分」法（ツール同士が一致しない箇所のみを見る方法）ではわずか 0.34% の領域を示しましたが、「最大値」法では 6.15% を示しました。これらの数値は、論理的でクリーンな結果を示した「特徴量統合」法と比較すると、非常にバラバラでした。論文は、これらの複雑でランダムな素材においては、生の画像を数学的にブレンドしようとする（分類）よりも、最終的なマップを単純に組み合わせる（統合）方がはるかに優れていると示唆しています。

結論

著者らは、これらの複雑でバラバラな素材については、単一の「超感覚」を信頼することはできないと結論付けています。代わりに、それらすべての声を聞く必要があります。データを融合させることで、より鮮明で完全な全体像を得ることができます。X線は3D形状を与え、音は深い層を、そして熱は表面の詳細を教えてくれます。これらを一つにまとめることで、安全で信頼できる「保守的な」推定値が得られ、これらのハイテク素材の中に隠れた損傷が残されることがないようにすることができるのです。