Mode-selective transmission method of guided waves using data processing

Stel je voor dat je probeert een specifiek gesprek te beluisteren in een overvolle kamer waar iedereen tegelijkertijd schreeuwt en het geluid op verwarrende manieren tegen de muren weerkaatst. Dit is de uitdaging waar ingenieurs voor staan wanneer zij grote, solide structuren zoals bruggen, pijpleidingen of scheepsrompen willen inspecteren op verborgen scheuren. Ze gebruiken geluidsgolven, specifiek een type genaamd geleide golven (guided waves), die langs het oppervlak van een materiaal reizen in plaats van door de lucht. Deze golven zijn uitstekend in staat om plaatsen te bereiken die begraven liggen of te lang zijn om met een standaard zaklamp of camera te controleren. Echter, in tegen tegenstelling tot een eenvoudige lichtstraal, gedragen deze geluidsgolven zich vreemd terwijl ze reizen. Ze splitsen zich op in verschillende "modi", of trillingspatronen, die elk met hun eigen snelheid bewegen en van vorm veranderen terwijl ze voortbewegen. Wanneer een golf een defect raakt, zoals een scheur, verstrooit deze en mengt deze de patronen samen, wat het ongelooflijk moeilijk maakt om te bepalen wat het oorspronkelijke signaal was of hoe het defect eruitziet. Decennialang hebben wetenschappers geprobeerd dit op te lossen door speciale, dure sensoren te bouwen die slechts één specifiek patroon tegelijkertijd kunnen uitzenden, maar deze instrumenten zijn vaak te rigide om de complexe mix van signalen aan te kunnen die men in de echte wereld bij schade vindt.

Een team van onderzoekers van het Central Research Institute of Electric Power Industry en het Institute of Science Tokyo heeft een andere manier gevonden om dit puzzelstukje op te lossen. In plaats van een nieuwe, gespecialiseerde machine te bouwen, hebben zij een methode ontwikkeld om standaard, kant-en-klare sensoren en een computer het zware werk te laten doen. Hun aanpak behandelt het probleem niet als een hardwarebeperking, maar als een data-sorteringuitdaging. Ze realiseerden zich dat door de geluidsgolven op te nemen terwijl ze over een materiaal reizen en die informatie vervolgens te verwerken met een specifieke set regels, zij virtueel één enkel, zuiver patroon uit de chaotische mix konden isoleren. Het is alsof ze het hele lawaaierige gesprek in de kamer hadden opgenomen en vervolgens een computer gebruikten om elk stemgeluid weg te filteren behalve dat ene dat ze wilden horen, zonder ooit de sprekers te hoeven vragen te stoppen met praten.

De kern van hun ontdekking ligt in hoe zij de timing en de vorm van de opgenomen signalen manipuleren. Wanneer geluidsgolven door een vaste plaat reizen, verspreiden ze zich, en verschillende delen van de golf bewegen met verschillende snelheden. De onderzoekers ontdekten dat als zij de opnames van veel verschillende punten langs het pad van de golf nemen en deze in de tijd verschuiven zodat ze perfect op één lijn liggen, het gewenste patroon veel luider en duidelijker wordt. Ze noemen dit "groepssnelheid-synchronisatie" (group-velocity synchronization), wat in essentie een manier is om ervoor te zorgen dat de computer wacht tot de hoofdbody van de golf arriveert voordat deze aan de mix wordt toegevoegd. Maar timing alleen is niet genoeg, omdat de golf ook zijn interne ritme verandert terwijl hij beweegt. Om dit te corrigeren, passen zij een tweede stap toe die "fasesynchronisatie" wordt genoemd, waarbij de interne timing van de pieken en dalen van de golf wordt aangepast, zodat ze allemaal in dezelfde richting duwen op hetzelfde moment. Wanneer deze twee aanpassingen worden gecombineerd, resoneert het specifieke patroon waar de onderzoekers naar op zoek zijn, of versterkt het zichzelf, terwijl de ongewenste patronen elkaar opheffen.

Om dit nog effectiever te maken, voegde het team een derde stap toe die zij "wave-packet excitation" noemen. Voordat ze zelfs maar beginnen met het uitlijnen van de golven, gebruiken ze de computer om een virtuele versie te creëren van de golf die ze willen vinden. Ze doen dit door een kleine groep van de opgenomen signalen te nemen en deze wiskundig te vormen zodat ze lijken op het specifieke patroon dat ze op jacht zijn. Dit fungeert als een sjabloon, wat ervoor zorgt dat het eindresultaat niet alleen een schoon signaal is, maar één die gedomineerd wordt door exact het type trilling dat de ingenieurs nodig hebben om de structuur te inspecteren. Door deze drie stappen van dataprocessering te combineren, kunnen zij een rommelige opname vol gemengde signalen nemen en een enkele, pure modus van trilling extraheren.

De onderzoekers testten deze methode op een roestvrijstalen plaat, waarbij ze standaard sensoren gebruikten om geluidsgolven over de plaat te sturen. Ze stelden de sensoren in om de plaat in kleine stappen te scannen, waarbij de golven op elk punt werden opgenomen. Wanneer zij de gegevens verwerkten om naar een specifiek patroon bekend als de A0-modus te zoeken, waren de resultaten opvallend. De rommelige, gemengde signalen transformeerden in een heldere, sterke golf die duidelijk afstak tegen de achtergrondruis. Ze testten het ook op een ander patroon, de S0-modus. In dit geval werkte de methode ook goed, hoewel de verbetering minder spectaculair was omdat dat specifieke patroon al vrij sterk aanwezig was in de ruwe data. Het experiment bevestigde dat hun softwarematige aanpak erin slaagde om specifieke golfpatronen te isoleren zonder de fysieke apparatuur of de manier waarop de metingen worden uitgevoerd te hoeven veranderen.

Wat deze bevinding belangrijk maakt, is dat het de noodzaak wegneemt voor dure, op maat gemaakte sensoren voor elk ander type inspectie. Voorheen, als een ingenieur een specifiek soort defect wilde detecteren, hadden zij misschien een gespecialiseerde probe nodig die ontworpen is voor die specifieke taak. Nu kunnen zij een standaard probe gebruiken, het gebied scannen en de computer het werk laten doen om de signalen te scheiden. Dit betekent dat dezelfde goedkope apparatuur gebruikt kan worden om een breed scala aan defecten te detecteren, simpelweg door de software-instellingen te wijzigen. De onderzoekers toonden aan dat door zich te concentreren op de wiskunde van hoe de golven met elkaar interfereren, zij de omstandigheden konden recreëren die normaal gesproken complexe hardware vereisen. Zij demonstreerden dat de sleutel tot het selecteren van een specifiek golfpatroon niet in de sensor zelf ligt, maar in hoe de data wordt gesynchroniseerd en gecombineerd nadat deze is verzameld.

De studie bevestigt dat deze datagestuurde aanpak een levensvatbaar alternatief is voor bestaande hoogtechnologische methoden. Terwijl andere technieken complexe arrays van sensoren of magnetische velden gebruiken om golfpatronen te selecteren, bereikt deze methode vergelijkbare resultaten door de data van een eenvoudige scannende probe te verwerken. De onderzoekers merkten op dat hoewel de methode zeer goed werkt voor bepaalde patronen, de mate van verbetering afhangt van de specifieke kenmerken van de bestudeerde golf. Echter, door alle drie de stappen van hun dataprocessingsroutine toe te passen, kunnen zij een hoge kwaliteit van resultaten garanderen, ongeacht de specifieke omstandigheden. Dit suggereert dat de toekomst van niet-destructief onderzoek minder zal rusten op het bouwen van meer gespecialiseerde gereedschappen en meer op slimmere manieren om de data die we al hebben te interpreteren. Het vermogen om virtueel een specifiek golfpatroon te genereren uit een algemene opname, opent de deur naar flexibelere, kosteneffectievere en krachtigere manieren om onze infrastructuur veilig te houden.