Você está na página 1de 115

ANA ISABEL CASTILLO PEREDA

AUTOMAO DE DIAGNSTICO PARA ENSAIOS NO


DESTRUTIVOS MAGNTICOS






Dissertao apresentada Escola
Politcnica da Universidade de
So Paulo para obteno do ttulo
de Mestre em Engenharia











SO PAULO
2010




ANA ISABEL CASTILLO PEREDA
















AUTOMAO DE DIAGNSTICO PARA ENSAIOS NO
DESTRUTIVOS MAGNTICOS






Dissertao apresentada Escola
Politcnica da Universidade de
So Paulo para obteno do ttulo
de Mestre em Engenharia

rea de concentrao:
Engenharia Mecnica de
Projeto de Fabricao

Orientador: Prof. Dr. Linilson R.
Padovese




SO PAULO
2010













Este exemplar foi revisado e alterado em relao verso original, sob
responsabilidade nica do autor e com a anuncia de seu orientador.

So Paulo, de agosto de 2010.

Assinatura do autor _____________________________________

Assinatura do orientador_________________________________











FICHA CATALOGRFICA












Castillo Pereda, Ana Isabel
Automao de diagnstico para ensaios no destrutivos
magnticos / A.I. Castillo Pereda. -- ed.rev. -- So Paulo, 2010.
115 p.

Dissertao (Mestrado) - Escola Politcnica da Universidade
de So Paulo. Departamento de Engenharia Mecnica.

1. Redes neurais 2. Ensaios no destrutivos 3. Diagnstico
(Automao) I. Universidade de So Paulo. Escola Politcnica.
Departamento de Engenharia Mecnica II. t.







































A minha filha Natalie, com quem
eu aprendo continuamente a viver
e a ser feliz!
A meus pais e irmos





Agradecimentos



Agradeo em primeiro lugar, a Deus por me dar foras para concluir o
trabalho e iluminar meu caminho.

Aos meus pais por me dar a oportunidade de demonstra-lhes que todo
possvel, pelo amor o exemplo e o apoio que me deram para que eu
cresa como profissional e como ser humano.

Um agradecimento especial ao meu Orientador o Prof. Dr. Linilson R.
Padovese, por toda a sua dedicao, apoio e entusiasmo, seu carisma,
capacidade intelectual e disponibilidade foram fatores importantes para
que este trabalho se realizasse.

Escola Politcnica da USP e ao departamento de Engenharia
Mecnica que me outorgou todos os recursos e material necessrio para
a concretizao de este trabalho.

Agradeo tambm aos membros da banca de mestrado, pela pacincia
em ler meu trabalho e pelas suas valiosas sugestes e comentrios.

Agradeo tambm ao Prof. Dr. Jos Prez Bentez, por todas as suas
sugestes feitas a este trabalho.

Ao grupo de pesquisadores do laboratrio LADIN da Engenharia
Mecnica da Escola Politcnica da USP por seu companheirismo e
amizade.






SUMRIO


AGRADECIMENTOS
SUMRIO
LISTA DE FIGURAS
LISTA DE TABELAS
LISTA DE SMBOLOS
LISTA DE ABREVIATURAS
RESUMO
ABSTRACT

CAPTULO 1 INTRODUO 17

1.1 Contexto 17
1.2 Objetivos 19
1.3 Justificativa 19
1.4 Metodologia 21
1.5 Organizao do trabalho 22

CAPTULO 2 REVISO DA LITERARURA 24

2.1 Ensaios no Destrutivos 24
2.2. Rudo Magntico de Barkhausen 25
2.3. Deformao Plstica 29
2.4 Introduo a um Sistema Neura 33
2.4.1 Modelos tpicos em redes neurais 38
2.4.2 Alguns sistemas com Redes Neurais Probabilsticas 43
2.4.3 Algumas aplicaes das RNP Inspeo no destrutiva 47

CAPTULO 3 REDES NEURAIS PROBABILSTICAS 49

3.1 Teoria das Redes Neurais Probabilsticas 49
3.1.1 A Topologia da RNP 51
3.1.2 Tipos de Mtricas de uma RNP 56
3.2 Estratgias do Parmetro Sigma 57

3.2.1 Sigma por amostras 58
3.2.2 Sigma por classes 59
3.3 Vantagens da RNP 60

CAPTULO 4- METODOLOGIA EXPERIMEMTAL 61

4.1 Preparao das amostras 61
4.1.1 Preparao das amostras para a anlise do tamanho de gro 61
4.1.2 Preparao das amostras para a anlise do contedo de carbono 62
4.1.3 Preparao das amostras para a anlise da tenso aplicada
e deformao plstica 63
4.1.4 Influencia do tamanho de gro no RMB 64
4.2 Instalao experimental 65
4.3 Processamento do sinal RMB 69

CAPTULO 5 ANLISE ESTATISTICA E PR PROCESSAMENTO
DA RNP 71

5.1 Parmetros estatsticos extrado do sinal RMB 71
5.1.1 Anlise do comportamento da medida do Vrms do sinal RMB 71
5.1.2 Anlise do comportamento do envelope sinal RMB no
domnio do tempo 74
5.1.3 Anlise do comportamento do envelope do espectro
do sinal RMB 77
5.2 Testes Estatsticos para o parmetro Vrms 80
5.2.1 Testes Estatsticos de Distribuio Normal 80
5.2.2 Teste Estatstico de Hipteses 82
5.3 Pr-processamento da RNP 86
5.4 A Anlise do algoritmo empregado 86
5.4.1 Descrio do algoritmo de classificao do grau de deformao 87
5.4.2 Descrio do algoritmo de classificao simultnea
da deformao e contedo de carbono 88
5.5 Normalizao dos dados de entrada 89
5.6 Conjunto de treinamento 90








CAPTULO 6 ANLISE DE RESULTADOS 91

6.1 Resultados de treino da RNP para a classificao
dos graus de deformao plstica usando os envelopes
do sinal RMB no domnio do tempo 91
6.2 Resultados de treino da RNP para a classificao dos
graus de deformao plstica usando os envelopes do
espectro do sinal RMB 92
6.3 Resultados de treino da RNP para a classificao
simultnea de deformao plstica e contedo de carbono 93
6.4 Funes de Erro 99
6.5. Esforo Computacional 100

CAPTULO 7 COMENTARIOS E CONCLUSES 101

Sugestes para Trabalhos Futuros 102
REFERENCIAS BIBLIOGRFICAS 103
ANEXO 109


























LISTA DE FIGURAS

Figura 2.1 O Efeito Barkhausen e o procedimento para sua medio 25
Figura 2.2 Parmetros Fundamentais do lao de Histereses 26
Figure 2.3 Dependncia do Vrms do RMB com o contedo de
carbono (wt%C) 30
Figura 2.4 Dependncia do envelope do RMB com o contedo
de carbono para amostras de ao 31
Figura 2.5 Dependncia do Vrms do RMB com a deformao
plstica para os aos ASTM A36 e AISI/SAE 1045 32
Figura 2.6 Dependncia do envelope do RMB com a deformao
plstica no ao AISI/SAE 1045 33
Figura 2.7 Neurnio artificial do tipo linear (Adaline) 36
Figura 2.8 Neurnio artificial com funo de transferncia no linear 37
Figura 2.9 Rede to tipo MLP (Multi Layer Perceptron) de 5 camadas 40
Figura 3.1 Topologia da RNP 52
Figura 3.2 Neurnio representado na Camada Padro 53
Figura 3.3 Camada de Sada ou Deciso 55
Figura 3.4 Influencia do parmetro sigma na funo pdf 57
Figura 4.1 Amostra da placa de ao 63
Figura 4.2 Micrografas obtidas para os 3 tamanhos de gro no ao.
Ampliao 150x 64
Figura 4.3 Micrografas obtidas para os aos 1006, 1050 e 1070.
Ampliao 100x 64
Figura 4.4 Ampliao das micrografias correspondentes a os aos 1006
e 1050, onde se aprecia as microestruturas de ferrita e perlita.
Ampliao 150x 65
Figura 4.5 Esquema experimental bsico usado para a medio

do RMB referente a diferentes amostras de placas de ao 66
Figura 4.6 Imagem da interfase grfica do programa para o mapeou 67
Figura 4.7 Sinal do Rudo Magntico de Barkhausen 68
Figura 4.8 Interface usurio do software MBNTool 70
Figura 5.1 a, b, c. Dependncia do Valor Vrms com a deformao
plstica da Placa de ao AISI 1006, 1050, 1070 73
Figura 5.2 a, b, c, Dependncia do Envelope do sinal RMB com
a Deformao Plstica para as Placas de ao respectivas
AISI 1006, 1050, 1070 76
Figura 5.3 a, b, c. Dependncia do Envelope da densidade
espectral do RMB com a Deformao Plstica para as
Placas de ao respectivas AISI 1006, 1050, 1070 79
Figura 5.4 Distribuio Normal dos dados Vrms da amostra de ao
AISI 1006 para os graus de deformao plstica
0,2% e 0,8% 81
Figura 5.5 Distribuio Normal dos dados Vrms da amostra de ao
AISI 1050 para os graus de deformao plstica
0,2% e 0,6% 81
Figura 5.6 Distribuio Normal dos dados Vrms da amostra de ao
AISI 1070 para os graus de deformao plstica
0% e 0,4% 82
Figura 5.7 Esquema da metodologia de pr-processamento 86
Figura 5.8 Diagrama de Blocos para a classificao do grau de
Deformao 87
Figura 5.9 Diagrama de Blocos para a classificao simultnea da
deformao e contedo de carbono 88
Figura 6.1 Desempenho da RNP usando como entrada os envelopes

do sinal RMB no domnio do tempo 91
Figura 6.2 Desempenho da RNP usando como entrada os envelopes
Do espectro do sinal RMB 93
Figura 6.3 Dependncia do valor do desempenho com o sigma para
a classificao simultnea da deformao e do contedo
de carbono 94
Figura 6.4 Dependncia do valor do desempenho com o sigma
para a classificao simultnea da deformao e do
contedo de carbono. Tomando s as deformaes
0%, 0.2%, 0.4% e 0.8% 95
Figura 6.5 Dependncia do valor do desempenho com o sigma
para a classificao simultnea da deformao e do
contedo de carbono. Tomando s as deformaes
0%, 0.2%, 0.4% e 0.8% e considerando como neurnios
uma seqncia de quatro picos dos envelopes do RMB 96
Figure 6.6 Envelopes usados como neurnios na RPN de deteco
simultnea de contedo de carbono e deformao plstica 97
Figure 6.7 Dependncia do valor do desempenho com o sigma para
a classificao simultnea da deformao e do contedo
de carbono. Tomando s as deformaes 0%, 0.2%,
0.4% e 0.8% e considerando como neurnios o
espectro do sinal do RMB 98
Figure 6.8 Dependncia do valor do desempenho com o sigma para
a classificao simultnea da deformao e do contedo
de carbono. Tomando s as deformaes 0%, 0.2%, 0.4%
e 0.8% e considerando como neurnios os espectros dos
sinais do RMB e os envelopes do RMB no tempo 99


LISTA DE TABELAS



Tabela 4.1 Tratamentos trmicos realizados aos aos 61
Tabela 4.2 tamanhos de gro obtidos para os diferentes tipos de ao 62
Tabela 4.3 Tratamentos trmicos aos aos 1006, 1050 e 1070 62
Tabela 4.4 Composio das placas de ao ( % 10 .
3
wt ) 63
Tabela 4.5 Materiais ligados a seus nveis de Deformao Plstica 67
Tabela 5.1 Resultados do teste hipteses da matriz 1006 Mvrms 83
Tabela 5.2 Resultados do teste hipteses da matriz 1050 Mvrms 84
Tabela 5.3 Resultados do teste hipteses da matriz 1070 Mvrms 85
Tabela 5.4 Vetores de sada desejada 89
Tabela 5.5 Conjunto de Parmetros para o treinamento da RNP 90
Tabela 6.1 Esforo computacional 100






















LISTA DE SMBOLOS


Parmetro sigma

M Magnetizao

H Campo Aplicado

c
H Campo Coercitivo

an
Permeabilidade Anhiestertica

in
Permeabilidade Inicial

mx
Permeabilidade Mxima

r
B Campo Remanente

i
w Pesos (ajustveis)

Funo Soma

f Funo de Transferncia

t
X Vetor de medidas transposto

p Dimenso do vetor X

D
Categoria defeito

N
Categoria Normal

) ( X f
D
Funo densidade de probabilidade categoria defeito

) ( X f
N
Funo densidade de probabilidade categoria normal

) ( X d Classificao do vetor X

N
l Funo custo ou funo perda para a categoria normal

D
l Funo custo ou funo perda para a categoria defeito


N
h Probabilidade a priori de ocorrncia da categoria normal

D
h Probabilidade a priori de ocorrncia da categoria defeito

K Razo entre funo custo por probabilidade a priori do

normal e Funo custo por probabilidade a priori do defeito

k Categoria qualquer

q Categoria qualquer

n Nmero de amostras

) (d W Funo de Kernel

i Classe/categoria de uma amostra

i
Z Mtrica

p
X Vetor de treinamento

i
p
X Vetor representante de cada classe i

) (
i
Z f Funo de ativao da sada do neurnio























LISTA DE ABREVIATURAS E SIGLAS



RNA Rede Neural Artificial

RNP Rede Neural Probabilstica

RMB Rudo Magntico de Barkhausen

RMS Raiz media quadrtica

END Ensaio No Destrutivo

DEP Densidade espectral de potncia

MPRs Modelos de Probabilidade Relacional

MLP Multi Layer Perceptron

RBM Funo de Base Radial

ART Adaptative Ressonance Theory

AG Algoritmo Gentico

MMG Modelo de Mistura Gaussiana

MR Modelo Matemtico de regresso

MPNN Rede Neural Probabilstica Modificada

pdf Funo de densidade de probabilidade

env Envelope

TFI Transformada de Fourier Inversa

RMS Raiz mdia quadrtica

ef
V Valor eficaz

Vrms Valor mdio da densidade espectral

T
P Potencia do sinal






RESUMO



Este trabalho apresenta um mtodo para o reconhecimento e a deteco
automtica dos diferentes valores ou graus de deformao plstica em Ensaios
No Destrutivos empregando o Rudo Magntico de Barkhausen. O mtodo
baseado no uso de uma Rede Neural Probabilstica que permite o diagnstico
automtico dos diferentes valores de deformao plstica, contedo de
carbono, estas medidas so procedentes das medies das amostras de
placas de ao AISI 1006, 1050 e 1070, esta base de dados foi feita pelo grupo
de pesquisadores do Laboratrio de Dinmica e Instrumentao LADIN da
Escola Politcnica da USP, departamento da Mecnica.
Os excelentes resultados da rede neural probabilstica de detectar
automaticamente os valores de deformao mostram a efetividade do
desempenho da rede neural probabilstica que tem um desempenho superior
aos mtodos no destrutivos tradicionais e que realmente esta nova tecnologia
uma excelente soluo para o diagnstico.




Palavras-chave: Ensaio No Destrutivo, Rudo Magntico de Barkhausen,
Deformao Plstica, Rede neural probabilstica.

















ABSTRACT



This work presents a method for automatic detection and recognition of different
levels or degrees of plastic deformation in Non-Destructive Testing using the
Magnetic Barkhausen Noise. The method is based on using a Probabilistic
Neural Network that allows the automatic diagnosis of the different values of
plastic deformation and carbon content. The measurements corresponds to
samples of steel plates AISI 1006, 1050 and 1070, this database was made by
the group of researchers from the Laboratory of Dynamics and Instrumentation
LADIN the Polytechnic School of USP, Department of Mechanical Engineering.
The results show the effectiveness of the probabilistic neural network to
automatically detect plastic deformation levels as well as carbon content level.
This method has a superior performance in comparison to traditional non-
destructive methods



Keywords: Non-Destructive Testing, Magnetic Barkhausen Noise, Plastic
Deformation, probabilistic neural network.






17



Captulo 1 Introduo


1.1 Contexto


Este trabalho se insere no contexto de Ensaios No Destrutivos (END)
baseado no Rudo Magntico de Barkhausen (RMB). Esta pode ser empregada
no controle da qualidade de materiais ferromagntico, como aos para fins
eltricos e aos para fins mecnicos, para identificar e quantificar a presena
de tenses mecnicas residuais e deformao plstica, nestes materiais. O
RMB o resultado do movimento descontinuo das paredes de domnio nos
materiais ferromagnticos quando se aplica um campo magntico varivel no
tempo (CAMPOS; CAP; PADOVESE, 2007); (BENTEZ; CAP; PADOVESE,
2005); (DURIN; ZAPPERI, 2004); (JILES, 2000). Essas variaes nas
velocidades das paredes de domnio se devem presena de defeitos no
material como contorno de gro e partculas de segunda fase como perlita,
martensita, etc. Tambm este movimento sensvel aos estados de tenso e
deformaes tanto locais como globais do material. Esta a razo pela qual
existe uma correlao entre o RMB e a microestrutura e os estados de tenso
e deformao do material. Este fato permite correlacionar o RMB com
variaes no tamanho do gro, contedo de carbono (BENTEZ; CAP;
PADOVESE, 2005); (ANGLADA; PADOVESE; CAP, 2001), tenso e
deformao plstica (CAP; CAMPOS; PADOVESE, 2007); (CAMPS;
BENTEZ; PADOVESE, 2008); (MAR; PADOVESE; BENTEZ,
2006);(STUPAKOV et al., 2007). No caso deste ltimo elemento existem vrias
pesquisas, recentes feitas pelo grupo de pesquisadores do laboratrio LADIN,
j que estudando a deformao destes materiais possvel conhecer a
deteriorao da microestrutura (BENTEZ, 2005, 2008); (JEONG et al., 1999).
Entretanto, nem sempre possvel estabelecer uma relao direta ou evidente
entre a deformao plstica e parmetros do RMB tais como a raiz mdia
quadrtica (RMS) do sinal, a densidade espectral ou envelope no tempo do
sinal (BENTEZ; CAP; PADOVESE, 2008), devido fundamentalmente

18


presena de outros elementos como mudanas na microestrutura e fase das
amostras que afetam a forma em que se percebe esta variao do sinal de
RMB com a deformao.
Nesta pesquisa apresenta-se uma alternativa para poder determinar os estados
da qualidade dos materiais ferromagnticos, mediante o uso da teoria
estatstica de Bayes de reconhecimento de padres em forma de redes
neuronais, chamadas de Rede Neural Probabilstica (RNP). O uso deste
modelo de rede neural est bem reconhecido devido a seu grande
desempenho e valor prtico (LEFTERI; UHRIG, 1997); (SPECHT, 1990);
(SCHALKOFF, 1997); (PATTERSON, 1996); (VEELENTURF, 1995);
(GIVARGIS, 2009); (QUAN; WEN; XU, 2008); (FATTAH, 2009); (TURKMEN;
GUNEY, 2008); (BISWAL; DASH; PANIGRAHI, 2009); (PALIWAL, 2009);
(CHEN; CHU, 2009); (SIVAKUMAR; KANNAN, 2009); (WU; CHIANG, 2009).
Portanto, para que se possa realizar uma aplicao industrial de maneira
eficiente e prtica se desenhara os algoritmos de aprendizado da RNP tambm
se combinaro esta rede com mtodos estatsticos para tratamentos dos
dados, mtodos como t-teste para a realizao da pr-classificao dos dados
(SCHALKOFF, 1997); (RUSSELL, 2004), um processo de otimizao da base
de treinamento mediante reduo neural.











19


1.2 Objetivo


O objetivo desta pesquisa desenvolver uma rede neural probabilstica que
permita o diagnstico automtico dos nveis de deformao plstica em
amostras de ao AISI 1006, 1050 e 1070, atravs do RMB como END, e que
tambm permita fazer o diagnstico automtico dos valores de deformao
plstica e contedo de carbono simultaneamente nestes aos.

So objetivos especficos e imediatos:

1. Construir os algoritmos de aprendizado da RNP
2. Projetar uma arquitetura do sistema de reconhecimento de padres
3. Realizar diversos treinamentos do sistema; e
4. Levantar sua eficcia e desempenho na classificao de padres.



1.3 Justificativa

O RMB uma tcnica no destrutiva empregada para o controle da qualidade
de materiais ferromagntico, esta tcnica permite caracterizar os cmbios dos
parmetros da microestrutura com o sinal do efeito Barkhausen.
Entretanto nem sempre possvel estabelecer uma relao um a um entre os
valores dos parmetros da microestrutura e os parmetros do sinal de
Barkhausen.
Por exemplo, no possvel estabelecer uma relao um a um entre a
deformao plstica e o valor Vrms do sinal Barkhausen, devido a que o valor
Vrms primeiro cresce para baixas deformaes e logo decresce para maiores
deformaes. Este mesmo fenmeno ocorre entre o contedo de carbono e o
Vrms j que no possvel usar os valores mdios do sinal, como Vrms ou o
valor mdio da densidade espectral para caracterizar as variaes destes
parmetros.


20


Por isso necessrio usar magnitudes vetoriais do sinal de Barkhausen como
o envelope no tempo e o envelope da densidade espectral do sinal RMB. A
variao que experimentam as magnitudes vetoriais do sinal com as variaes
da microestrutura em ocasies seguem um padro complexo que no pode ser
apreciado a simples vista, por isso necessrio utilizar uma rede neural que
permita identificar estes padres e por conseqente estabelecer uma
correlao confivel entre os parmetros do sinal. Por outro lado neste trabalho
estudamos um fenmeno mais complexo que da caracterizao variacional
simultnea do teor de carbono e a deformao plstica de amostras de ao
mediante o RMB e, portanto o uso de uma rede neural torna-se mais
necessrio para caracterizar essas variaes simultneas.
Sistemas neurais, nos ltimos anos, tm recebido grande ateno por parte da
comunidade acadmica. Um aspecto interessante o favorecimento da
multidisciplinaridade, pois a diversidade de aplicaes acaba envolvendo uma
vasta quantidade de pesquisadores das mais diversas reas.
Nesta pesquisa optou-se por um sistema de rede neural probabilstico, porque
esta rede possui uma serie de caractersticas vantajosas em relao a outros
modelos de redes neurais como, por exemplo, as Multilayer Perceptrons.
E, finalmente, tm-se pouqussimos trabalhos, encontrados na literatura
internacional, utilizando sistemas neurais em END baseados em RMB. Isto se
deve a que RMB um estudo recente que est tendo muitos bons resultados
na determinao de controle de qualidade de materiais ferromagnticos.








21

1.4 Metodologia

Esta pesquisa realizou-se no Laboratrio de Dinmica e Instrumentao,
LADIN, do Departamento de Engenharia Mecnica. O grupo de pesquisadores
do LADIN tem uma longa experincia nas medies com o RMB, expressa em
vrias publicaes em revistas de prestigio.
Os casos estudados se referem identificao de diferentes graus de
deformao plstica de trs tipos de materiais de ao.
Nesta pesquisa tambm estudada a escolha apropriada das tcnicas de pr-
processamento do banco de dados de deformao plstica, adquiridos em
ensaios experimentais, avaliando-se os resultados obtidos nos diagnstico.
Na seqncia, estudada a ferramenta de Inteligncia Artificial, RNP, para a
elaborao do sistema de diagnstico automtico. Estudou-se tambm as
possibilidades de variaes de parmetros dessa rede, na operao inicial da
rede, para que fosse possvel estabelecer os mtodos adequados para avaliar
o desempenho da RNP.
Foi desenvolvido o software adequado visando relacionar todos os conceitos e
aplicar as teorias at ento estudadas.
Em seguida, estudou-se um mtodo de otimizao da rede que simplificasse a
sua estrutura interna.
Aps o sistema ter sido implementado, o mesmo foi testado para o banco de
dados referentes s medidas de deformao plstica dos diferentes matrias
de ao e seus resultados foram analisados quanto s estratgias consideradas
nas simulaes.








22

1.5 Estrutura da dissertao

A seguir, descreve-se a estrutura e o contedo correspondentes aos captulos
desta dissertao de mestrado.

Captulo 1: Introduo
Neste captulo, apresentado ao leitor o contexto da dissertao: os objetivos,
as justificativas da pesquisa, a metodologia adotada e a estrutura do trabalho.

Captulo 2: Reviso da Literatura
Este captulo apresenta uma reviso geral sobre os END atravs do RMB,
estudo do Rudo Magntico de Barkhausen, deformao plstica, introduo a
um sistema neural, reviso de alguns modelos tpicos de RNA, exemplos de
sistemas com RNP e algumas aplicaes das RNP Inspeo no destrutiva.

Captulo 3: Sistema Neural RNP
Neste captulo, ser feita a introduo teoria de redes neurais probabilstica,
se mostrara a topologia da RNP, tambm se ver as mtricas usadas, as
estratgias do parmetro sigma e por ltimo veremos alguns vantagens das
RNP.

Captulo 4: Metodologia Experimental

O captulo tratar do desenvolvimento da metodologia experimental adotada

Captulo 5: Anlise Estatstica e Pr-processamento

Neste captulo estar descrito a anlise estatstica dos parmetros mais usados
nos END e na seqncia se far o pr-processamento da RNP




23



Captulo 6: Anlise dos resultados

No captulo seis so apresentados e discutidos os resultados obtidos atravs
das simulaes computacionais.

Captulo 7: Concluses e trabalhos futuros

Finalmente, so tecidas as devidas consideraes a respeito das informaes.
Obtidas durante o processo de caracterizao e anlise do desempenho da
RNP. Tambm so apresentados os possveis trabalhos futuros desta linha de
pesquisa.













24

Captulo 2 REVISO DA LITERATURA

2.1 Ensaios No Destrutivos

Os Ensaios No Destrutivos (END) so tcnicas utilizadas na inspeo de
materiais e equipamentos sem danific-los, sendo executadas nas etapas de
fabricao, construo, montagem e manuteno.
Constituem uma das principais ferramentas de controle da qualidade e
segurana de materiais e equipamentos, contribuindo para garantir a
qualidade, reduzir os custos e aumentar a confiabilidade da inspeo.
Os setores de aplicao destas tcnicas so aeronutico, aeroespacial, naval
nuclear, siderrgico, petrleo/petroqumico, qumico, eletromecnico, papel e
celulose, entre outros.
Contribuem para a qualidade dos bens e servios, reduo de custo,
preservao da vida e do meio ambiente, sendo fator de competitividade para
as empresas que os utilizam.
Os END incluem mtodos capazes de proporcionar informaes a respeito do
teor de defeitos de um determinado produto, das caractersticas tecnolgicas
de um material, ou ainda, da monitorao da degradao em servio de
componentes, equipamentos e estruturas.
Entre os mtodos de ensaio no destrutivos mais usados temos: mtodo de
Ultra-som, correntes parasitas, Flux Leakage, partculas magnticas, entre
outras. Entretanto, existe uma srie de danos representados por tenses
mecnicas (residuais ou no) e alteraes micro-estruturais, como aquelas de
degradao trmica, degradao mecnica (fatiga, deformao plstica),
degradao nuclear e deformao plstica.
Ademais da inspeo de danos, desejvel a existncia de tcnicas que
fornecem informaes para controle de qualidade de peas produzidas pelos
processos de fabricao, tais como superfcies usinadas, tratamentos trmicos,
processos de conformao, etc.

25
precisamente a tcnica de END conhecida como Efeito Barkhausen ou Rudo
Magntico de Barkhausen a que, at o momento, tem possibilitado a obteno
de todas estas informaes.

2.2 Rudo Magntico de Barkhausen

Em 1919, Heinrich Georg Barkhausen (BARKHAUSEN, 1919) descobriu o
efeito conhecido atualmente como Rudo Magntico de Barkhausen ou Efeito
Barkhausen (RMB/EB), e interpretou o experimento como demonstrao das
irregularidades na magnetizao do ferro e que causa mudanas irreversveis
na magnetizao (TYNDALL, 1930). A figura 2.1 mostra seu comportamento.


Figura 2.1 O Efeito Barkhausen e o procedimento para sua medio

Como disse Tyndall, a mudana no momento magntico para uma s
descontinuidade na magnetizao, ou evento Barkhausen, pode ser
determinado pela rea sob a curva de cada pulso magntico. Ele encontrou,
numa mostra de ao silcio, descontinuidades que correspondem a uma
variao no momento de 0.008 unidades, equivalente inverso completa de
magnetizao num volume de 4x10
-9
cm
3
. Ele, junto a Preisach, (PREISACH,
1970) medem as magnitudes de muitas de estas descontinuidades, e
concluram que, na parte de maior inclinao do lao de histerese a soma da
alterao devido a cada uma de estas descontinuidades era igual variao
total mdia da maneira usual com um galvanmetro balstico, enquanto que
nas pores de menor pendente do lao de histerese, a parte descontinua era
insignificantemente pequena.

26
Este mesmo resultado foi obtido por Bozorth (BOZORTH, 1974) quem, com um
retificador, suprimiu os impulsos correspondentes a uma das bobinas que
produziam o registro do sinal e integrou eletricamente os impulsos
correspondentes outra bobina. Quando se incrementou a velocidade de
variao do campo magntico aplicado, os impulsos das duas bobinas so
sobrepostos, de modo que a mudana na magnetizao mensurada desta
forma foi muito pequena; quando o campo magntico foi incrementado
lentamente, a variao descontinua observada na parte de maior inclinao do
lao de histerese se aproximou como limite variao total observado com o
galvanmetro balstico (CHIKAZUMI, 1964).


Figura 2.2 Parmetros Fundamentais do lao de Histerese

O processo de magnetizao em materiais magnticos tem sido objeto de
importantes pesquisas durante vrios anos devido a diversos fatores que
contribuem neste processo. Isto pode ser descrito tanto na escala
macroscpica como microscpica e pode ser analisado por diferentes tcnicas.
O lao de histerese magntica, fig. 2.2, o principal representante da
dependncia macroscpica da magnetizao M com o campo aplicado H ,
nele tambm se apreciam os parmetros fundamentais do lao de histerese
como o campo coercitivo
c
H , a permeabilidade anhistertica
an

,
a
permeabilidade inicial
in
a permeabilidade mxima
max
e o campo remanente
r
B
.
O RMB, na fig. 2.2 (dentro do circulo), indicativo das variaes

27
microscpicos na magnetizao na escala dos domnios magnticos que so
as regies de momentos magnticos atmicos alinhados paralelamente
(CHIKAZUMIS., 1964). O limite entre os domnios no uma zona geomtrica
bem definida, se no que consiste em uma zona intermdia com uma variao
contnua das orientaes do momento magntico com a posio (CHIKAZUMI,
1964). O tamanho desta da ordem de
3 2
10 10 , e so chamadas tambm
paredes de Bloch ou paredes de domnio.
Quando se incrementa a magnetizao at a saturao, desempenha um papel
cada vez mais importante processos complexos como o movimento das
paredes de Bloch de
0
90 , a nucleao de paredes de domnio, a aniquilao
mtua de paredes, (PREISACH, 1970). Quando a magnetizao alcana a
saturao, a estrutura de domnio torna-se mais simples porque o material
tende a se tornar um monodomnio (BOZORTH, 1974). Se posteriormente se
continua incrementando a magnetizao, as variaes desta ocorreram
essencialmente atravs da rotao do vetor de magnetizao dentro do
domnio contra as foras internas de anisotropia (CHIKAZUMI, 1964).
A mobilidade das paredes de Bloch est relacionada com a energia
magnetosttica total que varia com o tamanho, a forma e a micro-estrutura da
amostra (CHIKAZUMI, 1964); (JILES, 2000). O movimento irreversvel das
paredes do domnio o qual a causa do RMB, fortemente influenciada pelos
defeitos da estrutura, tais como poros, segundas incluses da fase, as
deslocaes, ancoragem de imperfeies pontuais e tenses no material
(JILES, 2000).
Uma preocupao primria das indstrias siderurgia produzir de forma
consistente quantidades grandes de ao com propriedades eltricas e
mecnicas uniformes e bem controladas. Com uma calibrao adequada, o
RMB pode ser usado se para avaliar variaes em estas propriedades como
resultado de estes processos (BUSSIERE, 1986); (TITTO, S., 1976); (SIPAHI;
JILES, 1992); (TANNER, 1989).
As propriedades mecnicas do ao so determinadas por parmetros de sua
microestrutura como a concentrao, forma, caractersticas da disperso do
precipitado, contorno de gro, deslocaes, defeitos pontuais como impurezas
intersticiais ou por substituio e vacncias (BUSSIERE, 1986). A dependncia

28
das emisses do RMB com o tamanho de gro pode explicar se pelo fato de
que os ferros policristalinos e aos que tm vrias heterogeneidades,
cavidades, incluses, precipitaes, deslocaes, e outros defeitos do cristal
que impedem o movimento das paredes dos domnios (SIPAHI; JILES, 1993);
(KAMEDA; RANJAN, 1987). Em aos eltricos os defeitos mais significativos
se localizam nos bordes do gro (SIPAHI, 1992).
Em chapas de ao eltricos pode determinar se a influncia da orientao de
gro usando medies do RMB (KAMEDA; RANJAN, 1987).
Em trabalhos recentes se tem comprovado que esta tcnica tem potencial para
ser usado como mtodo no destrutivo para determinar variaes na radiao
neutrnica induzida em ligas Ferriticas, para assegurar o funcionamento dos
vasos de presso dos reatores nucleares por meio de tcnicas magnticas de
inspeo (LITTLE, 1990); (SABLIK, 1993). O RMB tem sido utilizado para
encontrar falhas em placas de ao (KAGAWA, 1990). Gerando emisses
Barkhausen a diferentes freqncias e combinando-se com medies da
histerese, pode-se estudar a descarbonetao da superfcie em aos (MAYOS,
1985). A dependncia do RMB da dureza micro magntica e a profundidade da
dureza tm possibilitado a utilizao no controle de qualidade na produo de
componentes crticos na indstria automotora. Os resultados mostram que um
aumento na dureza produz uma diminuio nas emisses Barkhausen (BACH,
1988).
Outra aplicao importante para o RMB a inspeo da fatiga mecnica dos
materiais, possibilitando obter informao sobre o nvel de fatiga. Esta tcnica
tem sido aplicada para obter o dano por fatiga durante a aplicao de uma
carga cclica ou aps de um ciclo nico de sobrecarga (TITTO, K., 1989).
Em materiais magnticos modernos tais como as ligas Tb
0.3
Dy
0.7
Fe
2
ternrio e
Terfenol D, se tem realizado medies do RMB para localizar o incio da
rotao descontnua da magnetizao dos domnios antes e depois de aplicar
tenso (SIPAHI, 1992).
Os mtodos END baseados no Rudo Magntico de Barkhausen (micro
magnticos) e na anlise da induo magntica em materiais ferromagnticos
tm uma aplicao complementar, abrindo a toda uma possibilidade de
aplicaes industriais no cobertas pelos END clssicos. Trata-se ainda de


29
uma classe de mtodos que ainda est em desenvolvimento no mundo, com
grande potencial de aplicaes e inovaes tecnolgicas.
2.3 Deformao Plstica
Nos ltimos anos, a equipe do Laboratrio de Dinmica e Instrumentao
LADIN do Departamento de Engenharia Mecnica, tem desenvolvido
trabalhos com temas ligados utilizao do RMB para caracterizao do
comportamento do sinal de RMB com diferentes parmetros do material. Entre
estes temos anlise do tamanho de gro (BENTEZ; CAP; PADOVESE,
2005), contedo de carbono (CAMPOS; CAP; PADOVESE, 2008),
deformao plstica (BENTEZ et al. 2008) etc.
Nas anlises da dependncia do RMB com o tamanho de gro foi
demonstrado que os valores de Vrms e amplitude mxima do sinal RMB
sempre diminuem com o crescimento do tamanho de gro (ANGLADA;
PADOVESE; CAP, 2001). Para o caso da dependncia do RMB com o
contedo de carbono foi comprovado que para aos de baixo contedo de
carbono, na faixa de C wt% 0 at um valor que pode ser C wt% 60 . 0 ou
C wt% 70 . 0 , dependendo do tratamento trmico, os valores de Vrms e valor de
pico mximo do RMB crescem com o incremento do contedo de carbono. No
entanto para valores maiores de contedo de carbono, de C wt% 70 . 0 em
diante diminuem, ou seja, para amostras quase totalmente perlita foi verificado
uma diminuio do Vrms e valor de pico mximo do RMB como se mostra na
figure 2.3.

30

Figure 2.3 Dependncia do Vrms do RMB com o contedo de carbono (wt %C). (Cap;
Bentez; Padovese, 2004)
Desta anlise se demonstra que no sempre possvel usar o Vrms como
parmetro para caracterizao da microestrutura usado o RMB (CAP;
BENTEZ; PADOVESE, 2004). Nestes casos um das alternativas fazer
uso do envelope do RMB para tentar procurar um padro que mude
linearmente com o parmetro da microestrutura o contedo de carbono
neste caso. A figura 2.4 mostra a dependncia do envelope do RMB com o
contedo de carbono.


31

Figura 2.4 Dependncia do envelope do RMB com o contedo de carbono para amostras
de ao (Bentez, 2008).
Pode-se ver da figura 2.4 que uma das caractersticas do envelope que
muda com o contedo de carbono e a posio do pico mximo do envelope
que se move para a direita, ou seja, para valores maiores do campo com o
incremento do contedo de carbono (BENTEZ, 2008). Isso uma mostra de
que o envelope contm, mas informao que poderia ser eventualmente
explorada para obter uma correlao linear com contedo de carbono.
Tambm foram realizados ensaios da dependncia do sinal do RMB para
com a deformao plstica para amostras de ao. Por exemplo, na figura
2.5 se mostra a dependncia obtida para amostras de ao ASTM A36 e
AISI/SAE 1045 com a deformao plstica.

32

Figura 2.5 Dependncia do Vrms do RMB com a deformao plstica para os aos ASTM
A36 e AISI/SAE 1045 (Bentez, 2008)
A figura 2.5 mostra que o Vrms do RMB em geral decresce com o
crescimento da deformao plstica (BENTEZ, 2008). Entretanto para
valores de formao plstica inferiores a 1 % pode-se obter um aumento do
Vrms . Este fato tambm dificulta o uso do Vrms como parmetro no
destrutivo.




33

Figura 2.6 Dependncia do envelope do RMB com a deformao plstica no ao AISI/SAE
1045 (Bentez, 2008)
Se observarmos o comportamento do envelope do RMB com a deformao
plstica mostrado na figura 2.6, se pode ver que a deformao plstica produz
cmbios importantes no envelope embora seja difcil perceber um padro de
mudanas.
2.4 Introduo a um Sistema Neural

As redes de neurnios artificiais so sistemas de computao adaptativos
inspirados nas caractersticas de processamento de informao encontradas
nos neurnios reais (biolgicos) e nas caractersticas de suas interconexes.
So sistemas de computao massivamente paralelos que podem ser
implementados em hardware e software, sendo que seus elementos de
processamento individualmente tm capacidades relativamente limitadas.
Estes elementos de processamento bsicos so os chamados neurnios
artificiais, que imitam de alguma forma o processamento de informao
realizado por um neurnio biolgico, e quando utilizados em conjunto e
interagindo uns com os outros, compem o que se denomina uma rede neural
(RUSSELL, 2004). Outra denominao tpica para os elementos de

34
processamento das redes neurais a expresso: ns de processamento, ou
ns da rede neural.
Na dcada de 40, surge o neurnio de McCulloc e Pitts, como uma proposta
para a descrio matemtica de clculos lgicos com base nas estruturas
neurais biolgicas.
Na dcada de 50, mas especificamente em 1956, na 1a Conferncia
Internacional de Inteligncia Artificial, nele foi apresentado um modelo de rede
neural artificial pelo pesquisador Nathaniel Rochester, da IBM.
Em 1959, foi demonstrada a rede adaptativa Adaline, que pode ser vista como
um modelo linear dos principais mecanismos de processamento de informao
e adaptao presentes no neurnio biolgico.
Em 1960, surge O Perceptron de Rosenblat, em que um modelo neural no
linear e adaptativo permite expressar os processamentos representados no
modelo de McCulloc e Pitts e incorporar um algoritmo de aprendizado
supervisionado bastante eficaz.
Em 1969, Marvin Minsky e Seymour Papert publicaram um livro chamado
Perceptrons, em que vrios aspectos tericos e limitaes do Perceptron de
Rosenblat so formalizados e estudados.
Em 1982, John Hopfield apresentou um sistema neural artificial capaz de
armazenar nas interconexes entre os neurnios informaes complexas,
como imagens por exemplo. Esta proposta teve um impacto importante no
ressurgimento e crescimento nas dcadas seguintes do interesse em redes
neurais artificiais para a modelagem e emulao de aspectos da inteligncia e
percepo humanas (RUSSELL, 2004).
Aps este pequeno parntese histrico, vejamos um detalhamento e
entendimento dos neurnios artificiais e das redes de neurnios. A imitao da
biologia e do sistema nervoso feita pelas redes neurais artificiais tanto nos
nveis de processamento microscpico realizado por uma clula do sistema
nervoso individualmente, quanto no nvel macroscpico, seja em termos de
padres de interconexo entre elementos de processamento, seja em termos
dos comportamentos coletivos que emergem em uma rede biolgica com



35
vrios neurnios. Segundo o paradigma vigente em neurofisiologia, a
informao representada no sistema nervoso atravs de pulsos eltricos
gerados pelos neurnios, denominados potenciais de ao. No que se refere
ao campo de redes de neurnios artificiais, a forma especfica na qual a
atividade neural representada no modelo matemtico pode assumir diversas
simplificaes. Isso depende do grau de refinamento na representao de
fenmenos biolgicos que se tem em mente, o que por sua vez varia
grandemente de grupo de pesquisa a grupo de pesquisa, de acordo com a
orientao e a nfase dos seus trabalhos.
Nos modelos pulsados, por exemplo, (spiking neurons), assume-se que a
forma dos potenciais de ao irrelevante para a representao de informao
e para a computao neural, no se precisando, portanto preserv-la na
modelagem computacional. No entanto, em tais modelos se conserva
integralmente a informao temporal referente aos instantes de suas
ocorrncias, ou seja, o modelo representa o instante de ocorrncia de cada
potencial de ao, individualmente. Outra classe de modelos utiliza a
representao da atividade neural unicamente atravs da freqncia mdia dos
potenciais de ao. Tal simplificao se baseia em resultados de experimentos
demonstrando a no repetibilidade dos padres temporais dos potenciais de
ao que so gerados em resposta a estmulos idnticos, realizados de forma
repetida em experimentos semelhantes seqenciados; observa-se, no entanto
a repetibilidade na freqncia de tais pulsos ao longo dos experimentos
seqenciados, o que justificaria considerar um mapeamento funcional entre
entrada e sada baseado apenas em grandezas do tipo freqncia de pulsos,
no nos pulsos isoladamente. Estes modelos so conhecidos como modelos
sigmoidais, ou de codificao for freqncia de potenciais de ao. Uma
terceira classe assume que modelos neurais com sada binria so
suficientemente poderosos para representar uma classe bastante ampla de
problemas computacionais. Em realidade, grande parte da pesquisa em redes
neurais assume este tipo de modelo (binrio), que tem a particular vantagem
de, por sua simplicidade estrutural, permitir a formalizao matemtica em um
grau no possvel para os modelos mais complexos.



36
Na seqncia so apresentadas algumas das caractersticas de dois dos
modelos neurais importantes citados aqui: o sigmoidal e o binrio.
Basicamente, todos os tipos de redes neurais apresentam a mesma unidade de
processamento: um neurnio artificial, que simula o comportamento do
neurnio biolgico. Esse neurnio artificial possui vrias entradas, que
correspondem s conexes sinpticas com outras unidades similares a ele, e
uma sada, cujo valor depende diretamente da somatria ponderada de todas
as sadas dos outros neurnios a esse conectado. Nesta seo de integrao
dos estmulos das vrias entradas, a ponderao dada pelos pesos que cada
conexo possui (fig. 2.7).


Figura 2.7 Neurnio artificial do tipo linear (Adaline).

Assim, a somatria, que na figura 2.7 corresponde sada do modelo neural,
dada por:

=
=
n
i
i i
w x Soma
1
(2.1)
As constantes de ponderao
i
w representam as conexes sinpticas
biolgicas que intermdia a interao entre neurnios vizinhos,
i
x o estmulo
proveniente do neurnio vizinho i , e o resultado Soma representa o estmulo
global (com as devidas ponderaes relativas) recebido pelo neurnio de todos
os seus vizinhos (LEFTERI; UHRIG, 1997). O neurnio artificial acima



37
representado corresponde ao modelo matemtico conhecido como Adaline
(Adaptive Linear Element). importante notar que esse modelo somente
incorpora transformaes lineares; como conseqncia, temos que alm de o
modelo no permitir a implementao de computaes complexas (h, pois
limitao do poder matemtico), impede a representao de relaes estmulo /
resposta no lineares que de fato so observadas com freqncia no neurnio
biolgico (h, pois limitao do poder de modelagem de sistemas biolgicos).
Uma pequena alterao no modelo neural necessria para viabilizar as
funcionalidades no lineares, atravs da introduo de uma funo de
transferncia como representado na figure 2.8 a seguir.


Figura 2.8 Neurnio artificial com funo de transferncia no linear.

De acordo com o valor da varivel Soma, e de acordo com a funo de
transferncia qual essa varivel Soma aplicada (ou tambm conhecida
como funo de ativao), o novo modelo de neurnio, no linear, fornecer
uma sada em resposta aos estmulos xi, conforme representado na seguinte
equao:
) (Soma f Sada = (2.2)

Na sua forma mais simples, a funo de transferncia no linear f pode ser
binria (discreta), como no caso do modelo conhecido como Perceptron de
Rosenblatt (RUSSELL, 2004). Neste caso, o modelo tendo uma sada binria
permite representar funcionalidades de natureza lgica realizadas pelos

38
neurnios biolgicos. o caso da tomada de decises (uma funcionalidade
digital por natureza). Por outro lado, para o caso de modelagem de
funcionalidades do sistema nervoso em que no apenas grandezas digitais
esto em jogo, mas uma gama de valores analgicos so necessrios para a
representao da atividade neural, devemos empregar uma funo de
transferncia f com sada contnua, como por exemplo, a funo tangente
hiperblica (neste caso o modelo pode ser chamado de sigmoidal). Em ambos
os casos, a idia que essa funo de transferncia possa imitar, em algum
grau, a relao entrada / sada observada nos neurnios biolgicos
(WARWICK, 1992).

2.4.1 Modelos tpicos em redes neurais

Nesta seo apresentaremos alguns modelos de redes neurais propriamente
ditas, em que vrios neurnios artificiais so interconectados, interagindo uns
com os outros. Conjuntos de neurnios artificiais como os discutidos na seo
acima, organizados e conectados de vrias formas, podem resultar em
diferentes modelos neurais, com caractersticas e aplicaes bastante distintas,
algumas das quais sero discutidas nesta seo. No entanto, todos estes
modelos com diferenas bastante grandes entre si so chamadas
indistintamente de redes neurais, pelo simples fato de que o bloco
microscpico usado na construo de cada uma destes modelos o neurnio
artificial representado na figura 2.8. Outra caracterstica importante nas redes
neurais a programabilidade da funo especfica desejada atravs de
conjuntos de exemplos (conjunto de treinamento). Isto contrasta com a
estratgia mais tradicional de se ter a programao de funcionalidade de um
sistema de computao definida atravs de uma prescrio explcita, na forma
de um algoritmo, de uma equao ou sistema de equaes modelando o
problema alvo, ou atravs da definio precisa e formal de regras de causa e
efeito entre as variveis envolvidas na aplicao (LEFTERI; UHRIG, 1997). Em
lugar de tal especificao formal do sistema computacional, temos apenas a
apresentao de exemplos de treinamento rede neural.



39

A natureza da funo de transferncia no linear f , o nmero de ns de
processamento empregados na rede e a topologia de interconexo entre eles,
tm todo impacto importante no tipo de computaes que podem ser realizadas
pelas redes compostas por vrios ns como os descritos na figura 2.9. Em
primeiro lugar, importante reafirmar que a no linearidade em f viabiliza a
implementao de mapeamentos complexos entre as variveis de entrada da
rede e as variveis de sada. Entre outras coisas, isto permite que se abarquem
os universos de aplicao com sadas para a rede neural, mediante escolha
adequada da funo f .
O Perceptron simples corresponde forma mais bsica de modelo neural, para
a qual a funo de transferncia se reduz a uma funo com apenas dois
valores em seu repertrio de sadas, seja do tipo degrau ou do tipo sinal.
Tradicionalmente o perceptron simples definido em forma bipolar (sada +1
ou 1), atravs da funo sinal:

) (

=
i i
x w Sinal Sada (2.3)

Pela natureza de elemento de deciso da funo f e pela operao de
combinao linear das entradas, que corresponde a um produto escalar entre o
vetor de pesos
i
w e o vetor de entradas
i
x , o Perceptron simples viabiliza a
separao / classificao de padres de entrada atravs de um hiperplano
definido pelos pesos
i
w . Um algoritmo de aprendizado adequado adapta os
i
w
de forma a encontrar o hiperplano de separao adequado a certo repertrio de
exemplos que se deseja separar em duas classes. o clssico algoritmo de
aprendizado do Perceptron. Naturalmente, uma estrutura de clculo to
simples como a do Perceptron, expressa na Equao (2.3), no atende a todas
as necessidades de classificao de padres no caso geral. medida que
cmputos mais complexos que a classificao com separabilidade linear
necessria, empregamos uma estrutura com diversos neurnios encadeados.



40
O modelo Multi Layer Perceptron (MLP), cujas caractersticas principais so as
seguintes:
1) possui mltiplas entradas / mltiplas sadas / mltiplas camadas;
2) entradas e sadas podem ser tanto analgicas quanto digitais;
3) no h mais a restrio de separabilidade linear entre classes.

A figura 2.9 representa uma arquitetura do tipo MLP com 20 neurnios
organizados em 5 camadas. Cada n (crculo) representa um neurnio e cada
linha uma conexo entre sada de um neurnio e uma entrada de neurnio da
camada seguinte.


Figura 2.9 Rede to tipo MLP (Multi Layer Perceptron) de 5 camadas. Cada um dos 20 crculos
representa um neurnio artificial, e cada linha representa uma conexo sinptica, com seu
peso programvel.

Como pode ser verificado, o fluxo de informao ocorre em camadas de
neurnios, sem que haja realimentao (retorno da informao da sada para a
entrada de algum dos neurnios da rede). Esta organizao em camadas e a
ausncia de realimentao so prprias da arquitetura MLP, no se
observando tais caractersticas, no entanto em muitos outros modelos de redes
neurais so tambm. Apenas a ttulo de comentrio, a arquitetura de Hopfield,
por exemplo, densa em realimentaes e no possui qualquer organizao


41
em camadas. Note que no caso do MLP, a funo de transferncia adotada
tipicamente do tipo sigmoidal (tangente hiperblica, por exemplo), de forma
que com escalonamentos adequados do argumento da funo de transferncia
(ou dos pesos que indiretamente escalam as entradas) possvel passar de
mapeamentos entrada-sada aproximadamente lineares a mapeamentos de
outra natureza, sem mudar a funo f propriamente dita, mas apenas com o
recurso de escalonamento do argumento. Esta transio entre comportamento
analgico e digital possvel porque a funo sinal ) (x pode ser vista como o
caso limite da funo tangente hiperblica com constante escalonamento
tendendo a infinito (LEFTERI; UHRIG, 1997).
Entre as aplicaes do MLP, podemos citar a classificao de padres sem
separabilidade linear j mencionada, a aproximao de funes genricas
(inclusive analgicas) e a fuso no linear de grandezas analgicas
multidimensionais, alm da previso de sries temporais no lineares. Note
que o aprendizado atravs de exemplos do MLP permite que ele realize as
funes acima sem a necessidade de um modelo matemtico conhecido /
confivel. At aqui s mencionamos dois modelos neurais clssicas, o
Perceptron e o MLP, mas na verdade existe um grande numero de modelos de
redes neurais. Entre elas, podemos citar os modelos de Hopfield, os modelos
de funo base radial (RBF), as arquiteturas do tipo ART (Adaptive
Ressonance Theory), os mapas auto-organizveis de Kohonen, as redes
neurais probabilsticas entre outras. Como nosso objetivo de estudo desenhar
uma rede neural probabilstica que permita o diagnstico automtico, esta rede
neural ser estudada detalhadamente no capitulo 3.
Seguindo com nosso estudo de redes neurais, um aspecto importante a
definio das conexes entre os elementos de processamento e a definio
dos pesos associados a essas conexes. Pode-se dizer que a informao
armazenada e a computao realizada por uma determinada rede neural so
definidas mais pela topologia de conexes entre elementos e pelos pesos
atribudos a essas conexes que propriamente pelos elementos de
processamento individualmente. Em funo disso, essas conexes entre os
neurnios artificiais de uma rede so normalmente programveis, e muitas


42
vezes existem algum mecanismo do tipo "aprendizado", atravs do qual a rede
"incorpora experincia a partir de exemplos que lhe so apresentados". Isto
particularmente interessante para a soluo de problemas cuja especificao
no suficientemente estruturada, o que dificulta a sua representao em uma
forma algortmica (prpria aos ambientes computacionais baseados em
linguagens procedurais) ou mesmo na forma de uma lista de regras (prpria s
linguagens declarativas). Tal situao ocorre, por exemplo, nas tarefas de
reconhecimento de padres visuais, de reconhecimento de padres de voz, e
em leitura automtica de textos manuscritos, e este um dos motivos pelos
quais as redes neurais so usadas nessas reas (RUSSELL, 2004). Este
conceito de adaptao da rede faz a uma descrio do problema que se
pretende resolver atravs de exemplos d origem a uma expresso que
aparece com freqncia no contexto de redes neurais: redes neurais possuem
a capacidade de aprender por exemplos. Outra expresso comum que
descreve essa caracterstica a que segue: as informaes so apresentadas
rede, que extrai informaes a partir dos padres apresentados. Embora
estas frases paream dar s redes neurais o poder especial e quase mgico de
entender o problema a ser incorporado por elas, o que ocorre concretamente
algo bem simples de entender do ponto de vista matemtico: os graus de
liberdade das redes neurais (os pesos
i
w ) so adaptados de forma a que uma
dado mapeamento entrada / sada desejado (e descrito por um repertrio de
pares entrada / sada chamados de exemplo de treinamento) seja obtidos. Isto
realizado atravs de algum algoritmo de adaptao ou aprendizado, que
tenha caractersticas boas em termos de viabilizar o aprendizado de um leque
amplo de diferentes mapeamentos entrada/sada. Em resumo, a expresso
aprendizado da rede neural, embora normalmente traga um toque de charme
s redes neurais, nada mais significa do que o processo de adaptao educada
dos pesos
i
w da rede, de forma a viabilizar o mapeamento entre entradas e
sadas descritas por uma lista de exemplos representativos de uma dada
aplicao (RUSSELL, 2004). Diversos mtodos de aprendizado/treinamento
foram desenvolvidos, sendo que os denominados algoritmos de Aprendizado
Supervisionado so os de mais fcil entendimento face s discusses que


43
fizemos at o momento. Neste tipo de aprendizado, as informaes so
apresentadas rede sob a forma de padres de entrada e dos resultados
correspondentes desejados, conhecidos previamente. O algoritmo supervisor
verifica as sadas geradas pela rede, para os padres de entrada dos exemplos
de treinamento, e as compara com as sadas desejadas, guiando assim o
ajuste nas conexes sinpticas de forma a minimizar a diferena entre sada
desejada e sada oferecida pela rede. Os algoritmos de aprendizado
supervisionado mais conhecidos so a Regra Delta, para o Perceptron
simples, e o Error Backpropagation, para o MLP. Em ambos os casos,
sempre que ocorre erro no reconhecimento de uma entrada, um ajuste
sinptico conduzido. O ajuste sinptico procura, portanto corrigir os pesos de
modo que se produza a sada desejada diante da respectiva entrada,
representando assim o aprendizado, em cada neurnio, do fato apresentado.
Dessa forma, pode-se dizer que ao final do processo de aprendizado, o
conhecimento dos neurnios / da rede neural reside nos pesos sinpticos
(RUSSELL, 2004).

2.4.2 Alguns sistemas com Redes Neurais Probabilsticas

Nesta seo apresentaremos alguns exemplos que usam sistemas com redes
neurais probabilsticos com a finalidade de conhecer um pouco mais os
diferentes tipos de aplicaes destas redes nas diversas reas do
conhecimento.
Vamos a citar o trabalho de (FATTAH; REN, 2009) que desenvolvem um
sistema de RNP em combinao com o Modelo de Mistura Gaussiana (MMG),
Algoritmo Gentico (AG), e o Modelo Matemtico de Regresso (MR) com o
objetivo melhorar a seleo e sumarizao de texto automtico usando alguns
instrumentos estatsticos. A abordagem uma sumarizao de treinos, que
leva em conta vrios elementos, incluindo a posio da sentena, palavra-
chave positiva, palavra-chave negativa, centralidade da sentena, semelhana
da sentena com o ttulo, a incluso da sentena do nome da entidade,
incluso da sentena de dados numricos, comprimento da sentena relativa,

44
caminho arbustivo da sentena e similaridade de associar para cada sentena
para gerar resumos. Primeiro investigam o efeito de cada sentena
caracterstica sobre a tarefa de sumarizao. Logo usam todos os recursos em
conjunto para formar o algoritmo gentico e o modelo matemtico de regresso
para obter uma adequada combinao de funcionalidade dos pesos. Tambm,
usa todas as caractersticas dos parmetros para treinar a rede neural
probabilstica e modelo de mistura Gaussiano, a fim de construir um texto
sumarizado para cada modelo. Alm disso, usam modelos formados por uma
linguagem de sumarizao para testar o desempenho no outro idioma. A
abordagem proposta a medida do desempenho em vrias taxas de
compresso de dados em um corpus composto de 100 artigos de poltica rabe
e 100 artigos religiosos de Ingls. Os resultados da proposta de abordagem
so promissores, especialmente a abordagem do MMG.
Outro sistema importante que considere ressaltar o trabalho de deteco de
imagens como no trabalho de (QUAN; WEN; XU, 2008) o mtodo desenvolvido
em esse trabalho apresenta um eficiente mtodo de multi-escala para a
segmentao da sinttica abertura da imagem do radar SAR via RNA.
Combinando uma RNP com um modelo multi-escala auto-regressivo MAR, os
resultados experimentais mostram as vantagens da hibridao do MAR e da
RNP. O mtodo proposto robusto como o nmero crescente de amostra, e
pode ser utilizado para outro problema de classificao.
Um outro caso de sistemas de RNP encontramos no trabalho de Ching-Han e
Chia-Te Chu (2009), que apresenta uma nova tcnica de extrao de
caractersticas da ris com um classificador inteligente para o alto desempenho
do reconhecimento da ris. Eles usam um perfil dimensional circular para
representar as funcionalidades da ris. A reduzida e significativas
caractersticas so extradas por um operador Sobel e a transformada wavelet
1-D. Para melhorar a preciso, este trabalho combina uma rede neural
probabilstica (RNP) e um enxame de partculas de otimizao (PSO) para um
modelo otimizado do classificador RNP. Um experimento comparativo dos
mtodos existentes para reconhecimento da ris avaliado em CASIA ris


45
imagem de bases de dados. Os resultados experimentais revelam que o
algoritmo proposto apresenta desempenho superior em reconhecimento da ris.
Tambm podemos citar o trabalho de Sivakumar e Kannan (2009) que
aplicado a uma srie de problemas industriais que envolvem acumular dados
do sensor como dispositivos para a anlise mais especfica em aplicaes, tais
como caldeiras de gases de anlise, viso computacional, etc. Diversas
caractersticas de seleo de tcnicas tm sido utilizadas por pesquisadores
para os dados condicionados, tais como seqenciais da tcnica da pesquisa,
ramificao da tcnica e limite da tcnica, a melhor seleo individual da
tcnica, etc. Este estudo reporta uma soluo plausvel para a verificao da
composio dos gases durante a anlise da data do fluxo dum gs por uma
caldeira mediante o uso um modelo de classificao numrica.
Para este efeito desenvolveu um mtodo de Aritmtica do Resduo (AR). O
esquema foi desenvolvido como uma caracterstica da tcnica de seleo. Para
os efeitos de classificao de dados (nmero de classes de gases), uma rede
neural probabilstica foi implementado e sua capacidade de classificao foi
primeiro analisado para os dados adquiridos a partir do analisador ORSAT e,
em seguida, para os dados do analisador KANE. Este sistema abre caminho
para resolver problemas de classificao com um volumem grande de dados.
Seguindo com os exemplos de aplicaes de RNP o trabalho de Jian-Da e
Peng Hsin (2009) propem um sistema experto para o diagnostico de falhas de
combusto interna dum motor utilizando distribuio Wigner-Ville para a
extrao de caracterstica e uma rede neural probabilstica para a classificao
das falhas. A maioria das tcnicas convencionais para a anlise de falhas num
sinal de sistema mecnico baseada principalmente na diferena de amplitude
do sinal nos domnios do tempo e freqncia. Infelizmente, em algumas
condies, o desempenho limitado, tal como durante a anlise dos sinais so
no-estacionrios. O estudo de distribuio de Wigner-Ville proposto para a
emisso sonora duma classificao caractersticas de um sinal, porque oferece
uma alta resoluo de densidade de energia instantnea, tanto no domnio do
tempo e no domnio da freqncia. Entretanto, a energia instantnea do
espectro apresentada para a obteno de alta densidade energtica quando
ocorrem condies de falha no motor. Estas caractersticas dos sinais so

46
classificadas usando a rede neural probabilstica. Para analisar a eficincia da
rede neural probabilstica, usam em comparao as redes neurais de Back-
propagation e rede neural da funo de base radial na classificao das falhas.
Os resultados experimentais mostraram que as trs redes podem alcanar
nveis elevados da taxa de reconhecimento com a extrao de caractersticas
utilizando o mtodo de distribuio Wigner-Ville. Ele tambm sugeriu que a
rede neural probabilstica capaz de treinar completamente em um tempo
extremamente curto.
Outras aplicaes tm no trabalho de Pereira e Souza (2009) que usa uma
rede neural probabilstica para mapear o potencial do elemento platino em uma
zona determinada de minerais no nordeste, Brasil. A escala espectromtrica
geolgica e a escala espectromtrica geofsica e a data magntica foi utilizada
para gerar mapas evidentes para obter os vetores caractersticos de entrada.
As caractersticas dos vetores representam a localizao conhecida do mineral
foram utilizados como dados de treinamento. A rede foi criada baseada no
treinamento do conjunto de dados e os mapas evidentes foram classificados
em termos de probabilidades usando esta rede.
E por ultimo citamos o trabalho de (KUMARI et al, 2009) Nesse trabalho usam
uma rede neural probabilstica modificada (MPNN) para lidar com o problema
da equalizao dum canal. Algumas melhorias so sugeridas para a MPNN de
modo a que seja mais adequado para o problema atual. Em primeiro lugar, o
MPNN estendido para processar sinais complexos. Em segundo lugar, uma
tcnica de adaptao de gradiente estocstica proposta, de tal forma que
quando a rede est sendo empregado para equalizar um canal variando
lentamente, ele pode adaptar-se automaticamente mudana. Simulaes
mostraram que as MPNN so capazes de equalizar efetivamente. O smbolo
seqencial 4-QAM transmitidos atravs de um no-linear, lentamente de tempo
variando canal. Por fim, mtodos que reduzem ainda mais o tamanho da rede
so propostos. Simulaes mostram que o mtodo proposto capaz de reduzir
o tamanho da rede consideravelmente.




47
2.4.3 Algumas aplicaes das RNP Inspeo no destrutiva.

A inspeo no destrutiva de estruturas tem enormes vantagens tanto para a
diversidade de aplicaes como pelos diferentes ambientes onde podem ser
analisadas as estruturas sem necessidade se ser destrudas ou modificadas.
Entretanto, essa mesma diversidade implica que os sinais provenientes de
medies no destrutivas sejam muito complexos. Isto devido a que esta
contm a superposio de um grande conjunto de fatores fsicos.
Uma das grandes metas atuais destes mtodos conseguir obter, destes
sinais complexos e de maneira reproduzvel e confivel, a informao til das
estruturas inspecionadas.
por tudo isto que os mtodos de inteligncia artificial e minerao de dados
so cada vez mais aplicados inspeo no destrutiva. Exemplos recentes
destas aplicaes podem-se citar a aplicao de uma Rede Multi-layer
Percepton (ACCIANI, 2010) e (LUK, 2008) ambos utilizam uns dos mtodos
mais populares atualmente baseados na representao do sinal mediante
wavelets para a anlise de sinais de ultrasom de equipamentos de medio
no destrutiva. Este mtodo explora a possibilidade de representar as sinais do
ultrasom mediante wavelets e utilizam os coeficientes deste desenvolvimento
como neuronios para uma Rede neural de classificao.
Outros trabalhos tambm mostram a aplicao das redes neuronais a mtodos
no destrutivos eletromagnticos como por exemplo em medies de correntes
parasitas (ZHANG, 2009). Neste caso se utilizam as medies de correntes
parasitas para determinar a forma de uma trinca em um material mediante uma
rede neuronal e o mtodo de optimizao conhecido como enxame de
partculas.
Outro mtodo no destrutivo magntico o qual se a combinado com as redes
neuronais o do Magnetic Flux Leakage (RAMUHALLI, 2008), o qual combinou
uma rede neural com um modelo de elementos finitos para determinar a forma
de uma trinca.



48
Com relao utilizao de Redes Neuronais em conjunto com o RMB existem
poucos trabalhos. Entre eles tm-se um captulo do livro de (AKI SORSA,
2009), no qual se faz uso de um mtodo de seleo de carateristicas e o
algoritmo gentico para o anlise de sinais do RMB.
interessante mencionar que a pesar da RNP ter grandes qualidades, ela
ainda a sido pouco utilizado nesta rea. Estas redes possuem uma serie de
vantagens em relao a outros tipos de redes e recomenda-se o seu uso em
problemas de classificao.



49
Captulo 3 Rede Neural Probabilstica


3.1 Teoria de Redes Neurais Probabilsticas

A rede neural probabilstica foi desenvolvida por Donald Specht em 1988. Esta
rede fornece uma soluo geral aos problemas da classificao do teste
padro seguindo a aproximao de classificador estatstico de Bayes-Parzen,
que toma em considerao a probabilidade relativa dos eventos e usa a
informao a priori para melhorar a predio (LEFTERI; UHRIG, 1997).
Para estimar a probabilidade de uma amostra estar entre varias categorias
dadas necessrio estimar as funes densidade de probabilidade de um
conjunto de dados de treinamento da rede.
Para entender o funcionamento da RNP necessrio conhecer o mtodo
estatstico de Bayes. Esse mtodo est relacionado com a chance de uma
amostra ser classificada de forma incorreta. Para entender melhor em a
seqncia mostramos um exemplo que auxilia a exemplificao do mtodo de
Bayes (RUSSELL, 2004)
Para um problema de classificao em duas categorias Defeito e Normal
D

ou
N
baseado em um vetor de medidas de dimenso
], ... ... [ :
2 1 p j
t
X X X X X p = e segundo a regra de deciso Bayeseana, tem-se
que:

< =
> =
) ( ) ( ) (
) ( ) ( ) (
X f l h X f l h se X d
X f l h X f l h se X d
N N N D D D N
N N N D D D D

(3.1)
Onde:
) ( X f
D
e ) ( X f
N
so funes de probabilidade pdf para as categorias D e N;
D
l e
N
l representam a funo custo ou funo de perda associada ao erro de
classificao, por exemplo,
D
X d = ) ( quando
N
= ou
N
X d = ) ( quando


50
D
= ;
D
h e
N
h representam a probabilidade a priori de ocorrncia das
categorias D e N.
Para que uma rede classifique uma amostra corretamente ela deve obter a eq.
(3.1). O limite entre a regio de deciso de Bayes para
N
X d = ) ( e a regio
no qual
D
X d = ) ( dado pelas eq.(3.2) e (3.3):
) ( ) ( X Kf X f
N D
= (3.2)
Onde:

D D
N N
l h
l h
K = (3.3)
A regra de Bayes pode ser estendida para problemas onde vrias categorias
so consideradas segundo:


k
X d = ) ( , se ) ( ) ( X f l h X f l h
q q q k k k
> desde que q k (3.4)
A probabilidade a priori utilizada na regra de deciso de Bayes a
probabilidade conhecida de um evento ocorrer, sendo calculada a partir de
dados do problema a ser estudado.
Para que uma pdf fornea uma descrio simples das probabilidades
associadas a uma varivel aleatria, ou para que no haja problemas na
regio de deciso para as duas categorias consideradas para a classificao
necessrio que:
) ( X f Seja no negativa;

+

=1 ) ( dX X f
1 ) ( 0 < < b X a P , assim as probabilidades so adequadamente restritas.
Em uma RNP a preciso de classificao depende principalmente da preciso
com que as funes densidade de probabilidade so estimadas.
A funo densidade de probabilidade uma funo que pode ser estimada
atravs do mtodo de Parzen (1962). O estimador de Parzen converge

51
assintoticamente para uma funo densidade real conforme o nmero de
amostras aumenta ) (n , eq. (3.5). Esse mtodo estima a pdf atravs da soma
das funes de ponderao para cada amostra. A funo de ponderao
denominada |

\
|

i
X X
W conhecida como funo de Kernel. A diferena
entre X e
i
X calculada entre um vetor da matriz de treinamento da rede e o
vetor representante de classe i . Matematicamente o mtodo de Parzen pode
ser representado pela funo densidade de probabilidade:

=
|

\
|
=
n
i
i
X X
W
n
X f
1
1
) (

(3.5)

Onde:
n , o nmero total de amostras de cada classe;
Abertura da Gaussiana, parmetro escalar que representa largura da
curva;
) ( X f a funo densidade de probabilidade estimada para uma classe;
X a matriz de treinamento;
i
X a matriz de representantes da classe i , matriz Professor.

3.1.1 A Topologia de uma RNP

A Topologia bsica de uma RNP mostrada na figura 3.1. Basicamente a
grande diferena entre uma RNP e outros tipos de redes so os clculos
implementados nas unidades padres.




52

Figura 3.1 Topologia da RNP

Este modelo de rede composta por quatro camadas, como mostra a fig. 3.1,
a camada de entrada, a camada do teste padro, a camada da soma e a
camada da deciso.
A unidade da camada da entrada no executa nenhuma computao se no
distribui simplesmente a entrada aos neurnios na camada do teste padro.
A camada do teste padro nesta camada existe um numero de neurnios
(unidades) correspondentes ao numero de exemplos do conjunto de
treinamento. Cada neurnio recebe da camada de entrada os vetores de
entrada e realiza uma comparao com o correspondente vetor alvo da matriz
Professor. (matriz de referencia para o treinamento da rede) e o resultado
desta operao ser o argumento de uma funo de ponderao. O resultado
final ser transferido para a camada seguinte.
Para ilustrar o funcionamento de cada neurnio na camada padro ser
utilizada a mtrica dotprod para calcular a distancia entre a amostra X e o

53

vetor representante de cada classe i ,
i
X , esta operao resulta em eq.
(3.10), na seqncia realizada uma operao exponencial em
i
Z antes de
passar para a camada seguinte. Porm, o valor de
i
Z pode ser calculado de
outras maneiras como ser visto na seo seguinte que trata do assunto
especifico de mtricas. A operao de ativao exponencial sada da
camada padro e a entrada da camada soma. A funo de ativao usada
nesta camada dada na eq. (3.6):

2
/ ) 1 ( exp ) ( =
i i
Z Z f
(3.6)

A fig. (3.2) mostra um neurnio representado na camada padro realizando
a seqncia de operaes mencionadas anteriormente

Figura 3.2 Neurnio representado na Camada Padro


54

Onde na fig. (3.2):
p
X := vetor de treinamento
i
p
X := vetor representante de cada classe i
i
Z := mtrica utilizada
) (
i
Z f := funo de ativao da sada do neurnio

Camada soma as entradas so os resultados das operaes realizadas na
camada padro. Nesta camada realizada simplesmente a soma dos
valores obtidos em cada neurnio da camada padro, correspondentes a
cada categoria em que o problema se divide. O resultado desta soma a pdf
aproximada correspondente a cada classe.
A camada de sada a decisiva na classificao da rede, ou seja, a resposta
a ser encontrada. A sada da camada de deciso uma resposta da
classificao de uma determinada amostra no conhecida. A fig. (3.3)
mostra o caso particular de se ter somente duas classes, assim a
classificao pode ser uma resposta binria, 1 para categoria A ou 0 para a
categoria B. teoricamente, seguindo a teoria de classificao de Bayes, no
caso em que o problema se divida em n classes, as sadas da camada de
soma devem ser multiplicadas por
k k k
n l h / e esta sada ser repassada por
um detector de mximo.

55

Figura 3.3 Camada de Sada ou Deciso

Para a tomada de deciso h uma varivel de ponderao e dada por:


N
D
D D
N N
n
n
l h
l h
c = (3.7)

Onde:
D
n = numero de padres de treinamento da categoria Defeito;
N
n = nmero de padres de treinamento da categoria Normal;
A constante c a razo das probabilidades a priori multiplicada pela razo
das perdas e multiplicada tambm pela razo do nmero de amostras de
treinamento das categorias D e N. Esta constante pode ser determinada no
somente a partir da estatstica, mas tambm da significncia de deciso,
relacionada, claro, com o principio da Regra de Bayes discutido
anteriormente.


56
Em um caso prtico, esta camada simplesmente fornece a maior pdf obtida,
indicando qual a classe em que o vetor de entrada obteve o maior valor
referente a pdf.

3.1.2 Tipos de Mtricas de Uma RNP

Um dos parmetros que pode ser alterado numa RNP o tipo de mtrica
empregada, a forma de calcular o argumento
i
Z da funo de kernel.
Esta mtrica representa a proximidade entre uma determinada amostra e o
vetor representante de cada classe i .
A mtrica mais utilizada a mtrica Euclidiana, que pode ser calculada
atravs da seguinte eq. (3.8):


2
1
) (

=
=
p
j
i
j j i
X X Z (3.8)
Outras mtricas tambm podem ser utilizadas e podem influenciar os
resultados de classificao. As mais conhecidas so: cityblock e a dotprod. A
segunda mais utilizada segundo Specth (1990) a cityblock.
Embora as mtricas Euclidianas e cityblock sejam muito parecidas, as
distancias calculadas so um pouco diferentes e a aplicao de cada uma
delas depende do banco de treinamento e de teste da rede Specth (1990).

=
=
p
j
i
j j i
X X Z
1
cityblock (3.9)
A mtrica cityblock tem uma vantagem em relao mtrica Euclidiana com
respeito sua implementao computacional. Tanto para a implementao
em software quanto em hardware, a seqncia de operaes realizada pela
cityblock mais simples que a Euclidiana.

i i
W x Z = dotprod (3.10)


A mtrica dotprod requer uma normalizao dos dados de entrada, assim como
as mtricas mencionadas anteriormente.

57
Na mtrica dotprod, esta operao do produto escalar representada por um
vetor peso
i
W que equivalente ao mesmo vetor representante da matriz
Professor (ver, Anexo A). Para cada classe i .

3.2 Estratgias do parmetro sigma

A RNP normalmente precisa de um nmero razovel de amostras de
treinamento para a boa generalizao do . O parmetro sigma varia entre
zero e infinito, mas nenhum limite fornece uma separao tima (LEFTERI;
UHRIG, 1997).
Um grau de clculo da mdia dos vizinhos, os mais prximos fornecem a
melhor generalizao onde o grau de clculo da mdia ditado pela densidade
das amostras do treinamento. A figura 3.4 mostra o parmetro sigma enquanto
varia entre 0.1 e 1, com funo de densidade da probabilidade entre -3 e 3.

3 2 1 0 1 2 3 4
0
2
4
p
d
f
Grfico da Influencia do Sigma na funo pdf
3 2 1 0 1 2 3 4
0
1
2
p
d
f
3 2 1 0 1 2 3 4
0
0.5
1
p
d
f
3 2 1 0 1 2 3 4
0
0.2
0.4
p
d
f
sigma=1
sigma=0.5
sigma=0.2
sigma=0.1

Figura 3.4 Influencia do parmetro sigma na funo pdf









58
3.2.1 Sigma por Amostra

A abordagem mais simples de uma RNP com relao ao parmetro sigma
considerar o mesmo valor de sigma para todas as amostras, embora esta
estratgia apresente uma desvantagem. Esta trata da possibilidade de uma
amostra com baixa relevncia influenciar na classificao da rede. Isto pode
ocorrer devido falta de conhecimento em relao relevncia dos dados
sem relevncia para a rede tem um efeito diluitivo nos dados importantes.
A RNP possui mais uma alternativa para a variao de estratgias quanto
ao parmetro sigma. A abordagem de sigma por amostra implica na escolha
de um valor diferente de sigma para cada amostra do banco de dados. Com
isto teoricamente, possvel que os dados menos importantes exeram
influencias menores no resultado de classificao.
Este tipo de abordagem em uma RNP, geralmente, empregado para
aumentar a preciso dos resultados de classificao, pois utilizado um
valor de sigma especifico para cada amostra. Esta aplicao gera uma
desvantagem na rede, pois implica no aumento do tempo de execuo da
mesma. Outra desvantagem em relao ao aumento de complexidade da
rede com o aumento do nmero do parmetro sigma para cada amostra.
No caso de se utilizar sigma para cada amostra, h a necessidade de uma
funo geral para o calculo da distancia para cada caso de treinamento
como pode ser observado na eq. (3.11):


2
1
) , (

=
|
|

\
|
=
p
j j
ij j
i
X X
X X Z

(3.11)

Onde j o ndice de cada varivel individual e i o ndice relacionado com
cada neurnio em que a operao est sendo realizada. A eq. (3.11) est
sendo exemplificada com a mtrica Euclidiana, mas nada impede que as
outras mtricas sejam consideradas.
Neste caso, a funo de densidade de probabilidade passa a ser a eq.
(3.12):


59

=
=
n
i
i
X X Z
n
X f
1
)) , ( exp(
1
) ( (3.12)
Para a implementao desta abordagem necessria a utilizao de um
mtodo de otimizao para se obter os melhores valores de sigma.
completamente invivel atribuir um valor para cada amostra sem um mtodo
prprio para isso.

3.2.2 Sigma por Classes

O caso de se utilizar o parmetro sigma por classes um excelente desafio
entre a generalidade e a praticidade. Tambm considerada na maioria das
vezes, uma alternativa para se obter maior preciso de classificao da rede.
Cada classe tem a sal prpria funo de distancia ) , (
i k
X X Z . Utiliza-se a
varivel
kj
para designar o peso na classe k de varivel j . A funo
densidade de probabilidade dada por ) (X f
k
:

=
=
n
i
i k k
kp k k
k
X X Z i X f
1 2 1
)) , ( exp( ) (
...
1
) (

(3.13)


2
1
) , (

=
|
|

\
|
=
p
j kj
ij j
i k
X X
X X Z

(3.14)

As equaes para este tipo de modelo so muito parecidas com as do modelo
anterior de sigma por amostra. A diferena est na introduo de mais de uma
varivel representando a classe a ser considerada. A complexidade deste
modelo deve ser levada em considerao para a implementao
computacional, assim como o tempo de execuo para essa estratgia. Para
este caso tambm necessrio o uso de um mtodo otimizador para a
obteno dos melhores valores do parmetro sigma.

Em nosso trabalho para obter os sigmas timos se realizou um procedimento
de aproximaes sucessivas e otimizao dos sigmas para o qual foi
estabelecida uma faixa entre 0 e 10, que a faixa mxima recomendado nas

60
diversas literaturas (LEFTERI; UHRIG, 1997); (SIVAKUMAR; KANNAN, 2009);
(DERYA; MUSTAFA, 2009), e se fez uma busque da grossa variando os
valores dos sigmas de um a um e calculando sua eficincia para cada sigma na
faixa. Como resultado se obteve que os valores de eficincia eram
significativos s na faixa de 0 a 5, de ai se realiza una busqueda mais refinada
no intervalo ] 5 , 0 [ , com uma variao do de 0.05.

3.3 Vantagens da RNP

A seguir detalhamos algumas caractersticas vantajosas da RNP.
A topologia destas redes neurais fixa, no existe numero de neurnios
de camada oculta a ser estimado (TSOUKALAS, 1997). Existe apenas
um parmetro que precisa ser estimado, o fator de escala .
O tempo de treinamento rpido em comparao a outros modelos de
redes. A RNP virtualmente apenas l o conjunto de treinamento
(SPECHT, 1990); (MASTERS, 1995).
Existe a possibilidade de se acrescentar novos parmetros (ou se retirar
parmetros j existentes) rede sem a necessidade de um novo
processo de treinamento, como ocorre com outras redes. Ou seja, a
RNP permite o processo de melhoria e evoluo de aprendizagem em
operao, e neste processo sua topologia tambm evolui (aumentando
ou diminuindo) (MASTERS, 1995).
Existe a garantia de convergncia para uma classificao tima
(converge para um classificador Bayesiano) (RUSSELL, 2004).
A RNP tem uma estrutura paralela natural, o que facilita implementaes
de processos paralelos, diminuindo consideravelmente o tempo de
processo. O maior atrativo da RNP que fornece a probabilidade do
resultado de classificao com certa confiabilidade


61


Captulo 4 Metodologia Experimental


Neste capitulo se mostrar as tcnicas experimentais usadas para a medio
do sinal RMB nas amostras e tambm como se realizou a preparao das
amostras com os diferentes tratamentos trmicos, composies qumicas e
fases. Por outro lado se detalham os parmetros do RMB mais usados para
estudar a correlao entre o sinal do RMB e a microestrutura e por ultimo se
descreve o modelo que descrever o comportamento do envelope do RMB para
diferentes contedos de carbono em aos AISI/SAE1006, 1050, 1070.

4.1 Preparao das amostras
4.1.1 Preparao das amostras para a anlise do tamanho de gro

As amostras foram obtidas de placas de ao ao carbono, 1006, 1050 e 1070,
em forma de paraleleppedos ). 2 . 1 42 120 ( mm mmx mmx Se realizou um tratamento
trmico a altas temperaturas com as amostras cobertas com uma capa de
argila especial. Os detalhes dos diferentes tratamentos trmicos se mostram na
tabela 4.1. As amostras foram polidas usando pastas de diamantes ( 6 e mm 1 )
para realizar o exame metalogrfico. As amostras foram expostas a uma
soluo de % 2 Nital para revelar a micro-estrutura. A microestrutura se
observa com um microscpio Olympus BX60M.

Tabela 4.1 Tratamentos trmicos realizados aos aos
Tratamento T. 10061050-1070 (C) t. Permanncia Resfriamento
Gro fino 910 860 750 1 h Forno
Gro mdio 940 890 780 2 h Forno
Gro grosso 970 920 820 3 h Forno

Este um procedimento relativamente comum que se realiza aos aos ao
carbono para obter diferentes tamanhos de gro e vem descrito na literatura de
metalurgia. Para este trabalho, o procedimento foi feito por tcnicos de
metalurgia do laboratrio LADIN. Os distintos tratamentos trmicos asseguram


62
a formao de tamanhos de gro similares para os diferentes aos. A tabela
4.2 mostra os tamanhos de gro obtidos para os diferentes aos.

Tabela 4.2 Tamanhos de gro obtidos para os diferentes tipos de aos
Tamanho de gro 10061050-1070 ( m)
Gro fino 22 20 18
Gro mdio 32 30 31
Gro grosso 45 42 39

O software empregado para a determinao do tamanho de gro o software
profissional correspondente ao Microscpio Olympus BX60M: Olympus Imaging
software BX6-SW verso 1.02.

4.1.2 Preparao das amostras para a anlise do contedo de carbono
As amostras foram obtidas de placas de ao ao carbono: 1006, 1050 e 1070,
com forma de paraleleppedos ). 97 . 0 250 25 ( mm mmx mmx Realiza-se um
tratamento trmico de altas temperaturas com as amostras cobertas com uma
capa de argila especial. Os detalhes dos diferentes tratamentos trmicos se
mostram na tabela 4.3. s amostras realiza-se um procedimento similar ao j
descrito para revelar sua microestrutura.

Tabela 4.3 Tratamentos trmicos dos aos 1006, 1050 e 1070.
Amostras T. aquecimento
(C)
T. Permanncia
(min)
T.
Resfriamento
Resfriamento
1006 925 10 650 Ar
1050 860 10 670 Ar
1070 830 10 690 Ar

Similar que no caso do tamanho de gro, este o procedimento padro que se
realiza aos aos de baixo contedo de carbono para obter uma estrutura de
ferrite e perlite. Este procedimento tambm foi realizado pelos tcnicos na
metalurgia no laboratrio LADIN. A composio qumica das amostras se
detalha na seguinte tabela:



63
Tabela 4.4 Composio Qumica das placas de ao ( % 10 .
3
wt )
Materiais C Mn P S Si Al Cu Cr Ni Mo Ti Nb
1006 459 259 10,5 9 4,8 34 1,5 9 6,5 1,8 0,9 1,8
1050 517 686 15,7 4 195 42,2 13 15,1 8,7 1,3 1,8 1,9
1070 711 966 18 2,3 321 38 6,6 182 36,9 2,2 3,7 2

Estes valores foram extrados do manual do vendedor das amostras.

4.1.3 Preparao das amostras para a anlise da tenso aplicada e
deformao plstica

As placas se cortaro em duas direes, direo de laminao RD e
transversal a esta TD, com dimenses ). 97 . 0 250 25 ( mm mmx mmx


Figura 4.1 Amostra da placa de ao.

Estas amostras foram submetidas a tenses uniaxiais, a uma razo de
deformao de aproximadamente . min / 5 . 0 mm Estas se mediram livre de
esforo ) 0 ( MPa e submetidas a cargas de trao, realizadas numa maquina
de ensaio mecnico KRATOS. Realizar-se-o deformaes das amostras com
os seguintes valores 0%, 0.2%, 0.4%, 0.6%, 0.8% e 1%.
O banco de dados corresponde deformao plstica de amostras de ao
AISI 1006, 1050 e 1070 em direo RD

64

4.1.4 Influencia do tamanho de gro no RMB
A figura 4.2. Mostra as micrografias obtidas para o ao 1006 com diferentes
tamanhos de gro.

Figura 4.2 Micrografas obtidas para os trs tamanhos de gro no ao. Ampliao 150x

Os valores dos tamanhos de gro correspondentes a cada ao encontram-se
na tabela 4.1.

Figura 4.3 Micrografias obtidas para os aos 1006, 1050 e 1070. Ampliao 100x...

Pode-se ver desta figura que com o aumento do contedo de carbono se
incrementa a densidade de partculas de segunda fase. Em particular, os gros
de perlita (zonas obscuras nas micrografias). A perlita est composta por
lamelas alternas de ferrita e cementita. Estas lamelas de cementita possuem
propriedades magnticas diferentes s de ferrita. Portanto quando as paredes

65

de domnios, presentes nos gros de perlita, interatuam com os segmentos de
as lamelas de cementita, o movimento da parede parado at que o campo
magntico aplicado os libera. A figura 4.4 mostra uma ampliao das
micrografias correspondentes a os aos 1006 e 1050.

Figura 4.4 Ampliao das micrografias correspondentes a os aos 1006 e 1050, onde se
observa as microestruturas de ferrita e perlita. Ampliao 150x.


Nesta figura se podem apreciar as estruturas de ferrita de cor claro e as
estruturas de perlita formadas por laminas claras e obscuras alternas.
Ver-se- agora a dependncia do sinal do RMB com o contedo de carbono. A
figura 4.4 a) e b) mostra as dependncias do contedo de carbono em funo
do mximo voltagem do pico do sinal RMB e Vrms respectivamente.
4.2 Instalao Experimental
A estao com que foram realizadas as medies mostra-se
esquematicamente na figura 4.5. Um ordenador pessoal (PC) com um
dispositivo de aquisio de dados (com canais de D/A e de A/D) produze uma
onda senoidal de Hz 10 , a uma fonte bipolar Kepco BOP20-20D que a sua vez
alimenta o circuito magntico formado pelo excitador e a amostra com um
campo magntico de , / 10 4 . 1
4
m A x suficiente para alcanar a saturao. O
sinal do sensor do RMB amplificado e filtrada por um filtro passa banda de
. 1KHz ate KHz 100 . Os sinais so visualizados num osciloscpio digital e o

66
dispositivo de aquisio adquire os dados com uma freqncia de
amostragem de . 200KHz



Figura 4.5 Esquema experimental bsico usado para a medio do RMB referente a diferentes
amostras de placas de ao.

O esquema experimental antes descrito foi desenhado no laboratrio LADIN
da Escola Politcnica da Universidade de So Paulo. Este sistema foi
calibrado, avaliado para seu uso Professional.
A figura 4.6 mostra uma imagem do programa em MatLab verso 7.0 usado
para a excitao, medio do sinal RMB e mover o sistema XYZ com o
objetivo de mapear o sinal RMB na superfcie das amostras. Por cada grau de
deformao plstica foram feitas 10 medidas do sinal RMB.


67

Figura 4.6 Imagem da interfase grfica do programa para o mapeamento

O sistema para o mapeamento usando o RMB foi desenhado por o Professor
Dr. Fsico Jos Prez Bentez, quem acoplou o sistema bsico da medio do
RMB desenhado no LADIN, o qual permite mapear o sinal na superfcie da
amostra. O software para o mapeamento do RMB mostrado na figura 4.6
Na figura 4.7 se mostra um exemplo do sinal RMB obtida para o ao AISI 1006,
nela se pode apreciar quatro ciclos do sinal RMB.










68


Figura 4.7 exemplo do sinal RMB obtida para uma amostra de ao 1006 para o campo
aplicado desde zero ate 4KA/m.

Depois de realizadas as medies das amostras dos materiais industriais
correspondentes a deformao plstica, se formo nosso banco de dados.
Na tabela 4.5 mostram-se as medidas referentes deformao plstica
atravs do RMB como END.









69
Tabela 4.5 Materiais ligados aos seus nveis de Deformao Plstica

Materiais

Valores de Neveis de Deformao Plstica em (%)

AISI 1006

0, 0.2, 0. 4, 0.6, 0.8, 1.0

AISI 1050

0, 0.2, 0. 4, 0.6, 0.8, 1.0

AISI 1070

0, 0.2, 0. 4, 0.6, 0.8, 1.0


4.3 Processamento do sinal RMB

Os sinais do RMB foram processados com um software de sinais, feito pelo
Prof. Dr. Fsico Jos Bentez Prez. (Universidade Oriente de Cuba) e com
orientao do Prof. Dr. Linilson Padovese (Ladin), em Junho 2008. O software
est suportado na verso 7.0 do MatLab e possibilita a aplicao de um
conjunto de procedimentos prprios da tcnica magntica do RMB.
O software desenvolvido apresenta estrutura modular, nele se programam
diferentes procedimentos tais como:

1. Seleo mltipla dos dados a processar
2. Pr-processamento dos dados elegidos
3. Filtrao do sinal
4. Determinao do valor eficaz, envelope no tempo, espectro do sinal RMB.
5. Salva os resultados em formato Excel
6. Diferentes opes de interfaces grficas dos resultados

O software est formado por uma interfase usurio que permite a interao
com o usurio de forma amistosa, prevendo a ocorrncia de erros com a
ativao de desativao automtica dos controles pertencentes a

70
procedimentos de clculos que no possuam os dados ou a configurao de
clculo apropriada (figura 4.8).
No trabalho utilizamos este software para obter os parmetros do Vrms ,
envelope no tempo e envelope do espectro. Estes parmetros so os mais
analisados em os END. Estes parmetros sero analisados no capitulo
seguinte.



Figura 4.8 Interface usurio do software MBNTool














71


Captulo 5 Anlise Estatstico e Pr-processamento da RNP


Neste Capitulo descreveremos a anlise estatstica dos parmetros,
maiormente estudados nos END e depois se far o pr-processamento da RNP

5.1 Parmetros estatsticos extrados do RMB

Anlises estatsticas dos parmetros escalares do RMB, maiormente utilizados
e analisados em END, Vrms , ) (t Env , ) ( f Env .

5.1.1 Analise do comportamento da medida do Vrms do sinal RMB

O valor eficaz ou Vrms do sinal indica o nvel energtico (ou potncia, para
uma janela temporal de observao). Se o sinal centrado (ou seja, tem mdia
nula), o valor Vrms equivalente ao desvio padro e representa uma medida
do tamanho mdio das flutuaes ao redor da media. Ele est dado pela raiz
quadrada da varincia, na seguinte equao:


T
P al do Potncia t s Vrms = = sin )) ( ( (5.1)

Onde,
dt t s
T
P
T
T
2
0
)] ( [
1

= (5.2)
a potncia do sinal na janela temporal de durao . T Ou ainda em termos
discretos dada pela equao:


2
1
)] ( [
1
)) ( (

=
=
M
i
i
t s
N
t s Vrms (5.3)

Onde, N o nmero de pontos do sinal.

Este parmetro Vrms , o mais tradicional usado em END por que relaciona a
influncia da microestrutura, principalmente no que tem a ver com o tamanho

72
de gro presentes nas paredes de um determinado material (CAMPOS; CAP;
PADOVESE, 2007); (BENTEZ; CAP; PADOVESE, 2008).
importante dizer que esta medida a mdia para cada grau de deformao
plstica e que foi medida do sinal bruto do RMB.
Continuando com a anlise deste parmetro se pode apreciar atravs da figura
5.1 o comportamento do Vrms do sinal RMB com a deformao plstica.















73





Figura 5.1 a, b, c. Dependncia do Valor Vrms com a deformao plstica da Placa de ao
AISI 1006, 1050, 1070.



74
Na figura 5.1 a, b e c, se pode observar que no h um comportamento
monotono do valor Vrms com a deformao plstica. Este fato se deve a que a
deformao plstica no ocorre uniformemente na profundidade da amostra, e
como o RMB um efeito que sensvel s variaes na profundidade da
amostra a dependncia das flutuaes da deformao plstica com a
profundidade isso tambm ocorre com as flutuaes no sinal do Barkhausen.
No artigo de Stupakov explica o porqu deste fenmeno (STUPAKOV et al.,
2007).
Por tanto, neste caso o valor Vrms no pode ser usado como parmetro para
determinar os graus da deformao das amostras apresentadas. Ento
possvel usar uma magnitude que contenha mais informao como os
envelopes do sinal RMB no tempo ou os envelopes do espectro do sinal RMB,
para determinar e diferenciar tais graus deformaes plsticas.


5.1.2 Anlise do comportamento do Envelope do sinal RMB no domnio
do tempo

Outra maneira de se obter informaes contidas no sinal do RMB analisando
o envelope do sinal. A maneira tradicional de se calcular o envelope atravs
do sinal analtico do sinal, que pode ser calculado atravs da Transformada de
Hilbert.

ds
s t
s x
ds
s t
s x
ds
s t
s x
t x
H
) ( ) (
lim
) ( 1
) (
0
(5.4)

Aps calcular o envelope necessrio utilizar um filtro passa baixa (utilizando
certa taxa de decimao), para eliminar as freqncias altas do envelope e,
assim, recuperar um envelope mais liso.
O software utilizado para realizar este clculo foi o descrito na figura 4.8

75






76

Figura 5.2 a, b, c, Dependncia do Envelope do sinal RMB com a Deformao Plstica para as
Placas de ao respectivas AISI 1006, 1050, 1070.



Da mesma forma que no valor Vrms , estas envolventes representam a mdia
dos envelopes para cada grau de deformao plstica. Neste caso o envelope
foi calculado atravs do software mencionado na figura 4.8 com um suavizado
de 200 = z pontos para cada sinal do RMB.
A figura 5.2 a, b, c, mostra a dependncia do envelope do sinal RMB com a
deformao plstica das diferentes amostras de ao AISI 1006, 1050, 1070. Na
figura tambm se observa certa variao com o valor mximo do envelope com
a deformao, embora o resto do envelope no apresente uma dependncia
clara com a deformao.
Observe que na figura 5.2 (a), pertencente amostra de ao AISI 1006, a
dependncia do envelope do sinal RMB com a deformao no muito clara.
Este fato se deve a que existe algumas variaes na microestrutura que
seguem um padro complexo que no pode ser apreciado a simples vista.


77

5.1.3 Anlise do comportamento do envelope dos espectros do
sinal RMB

A densidade espectral de potncia (DEP) do sinal RMB indica como a potncia
do sinal aleatrio est distribudo no domnio da freqncia.
Num sinal aleatrio, a distribuio de potncia com a freqncia dado pela
transformada de Fourier de autocorrelao do sinal:

=
0
0
2
) ( ) (


d e F
F j
xx xx
(5.5)
Onde
xx
a funo de autocorrelao.
Os grficos a seguir mostram os envelopes dos espectros do sinal RMB de
diferentes graus de deformao plstica, devido natureza do fenmeno de
Barkhausen, seu contedo freqncial de banda larga, centrada em uma ou
mais regies da freqncia dominante (PADOVESE, 2008). Utilizar o envelope
do espectro do sinal RMB para realizar comparaes dificilmente d bons
resultados, como se mostra nas figuras a seguir.


78




79

Figura 5.3 a, b, c. Dependncia do Envelope da densidade espectral do RMB com a
Deformao Plstica para as Placas de ao respectivas AISI 1006, 1050, 1070.

Na figura 5.3 a, b, c, mostra o envelope dos espectros do sinal RMB, com a
deformao plstica. Nota-se certa tendncia de correlao com os diferentes
graus de deformao. Similar que no envelope no tempo, estes envelopes dos
espectros do sinal RMB correspondem a mdias espectrais para cada grau de
deformao, embora se observe que na figura 5.3 a, o ordenamento fica muito
confuso.
O clculo dos envelopes dos espectros do sinal RMB foi feita de maneira
similar ao dos envelopes no tempo com o software descrito no capitulo 4,
seo 4.3.
Depois de realizado as anlises correspondentes dos parmetros estatsticos,
maiormente usados em END que caracterizam ao RMB, conclumos que para
estas medies de deformao plstica no se pode utilizar ditos parmetros
para diferenciar os diferentes graus de deformao plstica. necessrio
ento usar mtodos mais sofisticados como o caso de uma rede neural para

80

conseguir identificar os estados de deformao. Mas no obstante, com o
objetivo de procurar uma resposta do porque que estes resultados no so to
factveis para os END, resolvemos buscar outros tipos de testes estatsticos
com a finalidade de achar uma resposta para seu comportamento.

5.2 Testes Estatsticos para o parmetro Vrms
Os testes estatsticos so teis para determinar se uma afirmao sobre uma
caracterstica de uma populao razovel. Portanto com esse raciocnio
vamos estabelecer se os valores do Vrms seguem uma boa distribuio de
seus dados para o qual se fez dois tipos de testes estatsticos.

5.2.1 Teste Estatstico de Distribuio Normal
O objetivo do teste avaliar se os dados das matrizes 1006 Mvrms , 1050 Mvrms
e 1070 Mvrms , formada pelos valores Vrms , segue uma distribuio normal. Diz-
se que uma distribuio dada um bom ajuste se os pontos plotados seguem
aproximadamente numa linha reta.
Portanto, como cada amostra relativamente pequena, se usar o teste
estatstico, normplot (Toolbox de MATLAB) para avaliar graficamente se os
dados das matrizes poderiam vir de uma distribuio normal.
Baseado neste critrio se observa nos grficos 5.4, 5.5, e 5.6 que os dados dos
valores do Vrms parecem seguir uma distribuio normal. Desta forma se pode
justificar o uso de uma Anlise de Distribuio Normal.


81

Figura 5.4 Distribuio Normal dos dados Vrms da amostra de ao AISI 1006 para os graus de
deformao plstica 0,2% e 0,8%.

Figura 5.5 Distribuio Normal dos dados Vrms da amostra de ao AISI 1050 para os graus de
deformao plstica 0,2% e 0,6%.

82

Figura 5.6 Distribuio Normal dos dados Vrms da amostra de ao AISI 1070 para os graus de
deformao plstica 0% e 0,4%.


5.2.2 Teste estatstico de hipteses

Em Estatstica, a hiptese nula uma hiptese que presumida verdadeira at
que provas estatsticas sob a forma de testes de hipteses indiquem o
contrrio. uma hiptese que voc est interessado em confrontar com os
fatos. Muitas vezes uma afirmao quanto a um parmetro que pertence a
uma populao, sendo que impossvel observar toda a populao, e o teste
baseado na observao de uma amostra aleatria da populao. Tal parmetro
freqentemente a mdia ou o desvio padro.
Este teste estatstico foi feito para verificar se houve influncia do parmetro
externo (deformao plstica) em Vrms do sinal de Barkhausen nas amostras
de ao AISI 1006, 1050 e 1070.





83

=
0122 . 0 0121 . 0 0117 . 0 0129 . 0 0127 . 0 0123 . 0
0131 . 0 0123 . 0 0120 . 0 0128 . 0 0131 . 0 0127 . 0
0121 . 0 0111 . 0 0125 . 0 0128 . 0 0125 . 0 0131 . 0
0126 . 0 0108 . 0 0109 . 0 0131 . 0 0126 . 0 0121 . 0
0124 . 0 0124 . 0 0128 . 0 0128 . 0 0132 . 0 0122 . 0
0122 . 0 0127 . 0 0123 . 0 0129 . 0 0132 . 0 0127 . 0
0126 . 0 0122 . 0 0128 . 0 0123 . 0 0118 . 0 0129 . 0
0121 . 0 0112 . 0 0125 . 0 0131 . 0 0127 . 0 0123 . 0
0125 . 0 0125 . 0 0111 . 0 0127 . 0 0129 . 0 0120 . 0
0123 . 0 0124 . 0 0121 . 0 0129 . 0 0132 . 0 0115 . 0
1006 Mvrms

As matrizes 1006 Mvrms , 1050 Mvrms e 1070 Mvrms contem os valores do Vrms
do sinal de Barkhausen para cada um dos trs tipos de aos. A estratgia do
mtodo comparar os dados de cada coluna das matrizes.
O resultado do teste da hiptese um valor Booleano, ou seja, zero quando
no se rejeita a hiptese nula, e um quando rejeita a hipteses.
Por exemplo:
Verifiquemos os dados da matriz 1006 Mvrms , comparemos os parmetros da
coluna um com a coluna nmero 2.
[
i
c H , , ]= ) 2 , 1 ( 2 coluna coluna ttest
0330 . 0 8350 . 0 * 003 0 . 1
0681 . 0
0
=
=
=
e c
H
i

Onde H indica a hipteses, o sigma, e
i
c o intervalo de confiana.
Tabela 5.1 Resultados do teste hipteses da matriz 1006 Mvrms
Nvel de
Deformao
Ao 1006

0 %

0,2 %

0,4 %

0,6 %

0,8 %

1 %
0 % 0 0 1 0 0 0
0,2 % 0 0 0 1 1 1
0,4 % 1 0 0 1 1 1
0,6 % 0 1 1 0 1 0
0,8 % 0 1 1 1 0 0
1 % 0 1 1 0 0 0



84
Explicaremos brevemente que os valores zeros, exceto os da diagonal, indicam
que no possvel rejeitar a hiptese nula, ou seja, no estatisticamente
possvel determinar que houvesse influncia do parmetro externo quando na
verdade houve.
Observe que nos resultados da tabela 5.1 que a deformao 0% com a
deformao 0,2%, 0,6%, 0,8% e 1% no possvel rejeitar a hipteses nula.

=
0119 . 0 0101 . 0 0098 . 0 0104 . 0 0108 . 0 0156 . 0
0124 . 0 0103 . 0 0095 . 0 0108 . 0 0108 . 0 0145 . 0
0123 . 0 0093 . 0 0096 . 0 0091 . 0 0113 . 0 0144 . 0
0123 . 0 0100 . 0 0095 . 0 0110 . 0 0109 . 0 0150 . 0
0121 . 0 0107 . 0 0086 . 0 0107 . 0 0119 . 0 0141 . 0
0125 . 0 0104 . 0 0095 . 0 0103 . 0 0115 . 0 0137 . 0
0124 . 0 0106 . 0 0096 . 0 0106 . 0 0110 . 0 0145 . 0
0125 . 0 0107 . 0 0096 . 0 0106 . 0 0103 . 0 0152 . 0
0126 . 0 0100 . 0 0097 . 0 0107 . 0 0114 . 0 0147 . 0
0126 . 0 0106 . 0 0100 . 0 0096 . 0 0112 . 0 0125 . 0
1050 Mvrms


Tabela 5.2 Resultados do teste hipteses da matriz 1050 Mvrms
Nvel de
Deformao
ao 1050

0 %

0,2 %

0,4 %

0,6 %

0,8 %

1 %
0 % 0 1 1 1 1 1
0,2 % 1 0 1 1 1 1
0,4 % 1 1 0 1 0 1
0,6 % 1 1 1 0 1 1
0,8 % 1 1 0 1 0 1
1 % 1 1 1 1 1 0


Na tabela 5.2 observa-se mediante o teste a hiptese que no possvel
diferenciar a variao entre o nvel de deformao 0,4 % com o nvel de
deformao 0,8%.

85

=
0066 . 0 0068 . 0 0091 . 0 0079 . 0 0126 . 0 0128 . 0
0067 . 0 0077 . 0 0089 . 0 0090 . 0 0124 . 0 0125 . 0
0068 . 0 0080 . 0 0088 . 0 0088 . 0 0124 . 0 0113 . 0
0070 . 0 0079 . 0 0087 . 0 0087 . 0 0128 . 0 0123 . 0
0066 . 0 0075 . 0 0079 . 0 0087 . 0 0125 . 0 0114 . 0
0065 . 0 0076 . 0 0089 . 0 0087 . 0 0120 . 0 0112 . 0
0066 . 0 0079 . 0 0086 . 0 0092 . 0 0119 . 0 0128 . 0
0065 . 0 0079 . 0 0089 . 0 0092 . 0 0123 . 0 0112 . 0
0066 . 0 0077 . 0 0087 . 0 0089 . 0 0134 . 0 0128 . 0
0065 . 0 0068 . 0 0089 . 0 0091 . 0 0125 . 0 0124 . 0
1070 Mvrms


Tabela 5.3 Resultados do teste hipteses da matriz 1070 Mvrms
Nvel de
Deformao
ao 1070

0 %

0,2 %

0,4 %

0,6 %

0,8 %

1 %
0 % 0 0 1 1 1 1
0,2 % 0 0 1 1 1 1
0,4 % 1 1 0 0 1 1
0,6 % 1 1 0 0 1 1
0,8 % 1 1 1 1 0 1
1 % 1 1 1 1 1 0


Na tabela 5.3 observa-se que a deformao 0,2% com a deformao 0% no
possvel rejeitar a hiptese nula, e na deformao 0,4% com a deformao
0,6% tambm no possvel rejeitar a hiptese nula.
Depois de realizado as anlises estatsticas correspondentes nas sees 5.1 e
5.2, conclumos que os mtodos tradicionais dos END no podem determinar
os valores da deformao plstica a partir dos valores Vrms do sinal RMB.
Tambm observamos que no caso dos envelopes do sinal RMB no tempo ou
na freqncia, no existe um padro claro que me determine os valores de
deformao. Devido complexidade na mudana dos padres das envolventes
preciso ento utilizar mtodos, mas sofisticados como as redes neuronais.
Portanto, a seguir, construiremos o algoritmo de aprendizado da RNP para
predizer o grau de deformao e/ou o contedo de carbono. Mas antes disso
vamos estabelecer a metodologia de pr-processamento da RNP.


86
5.3 Pr-processamento da RNP

A metodologia de pr-processamento padro empregada compe-se do
seguinte procedimento esquematizado na seguinte figura 5.7.



Figura 5.7 Esquema da metodologia de pr-processamento


A figura 5.7 mostra esquematicamente o processo de formao das matrizes
referentes s amostras de deformao plstica, com seus gros de deformao
respectivamente, % 0 , % 2 , 0 , % 4 , 0 , % 6 , 0 , % 8 , 0 , % 1 , importante mencionar
que para cada porcentagem de deformao plstica foram extradas dez
medidas do sinal RMB, e aps de obter estas medidas passamos a calcular os
envelopes do sinal RMB no tempo, para assim formar as matrizes
correspondentes para cada amostra. Este mesmo procedimento foi feito para
obter os envelopes dos espectros do sinal RMB.

5.4 A Anlise do algoritmo empregando

Para a classificao dos dados do banco de dados se utilizou dois algoritmos,
um para a classificao do sinal do RMB como procedente de uma amostra
deformada plasticamente para diferentes porcentagens de carbono
separadamente, e outro algoritmo que permite classificar um sinal do RMB


87
procedentes de uma amostra com um grau de deformao determinado e
contedo de carbono que possui

5.4.1 Descrio do algoritmo de classificao do grau de deformao

A figura 5.8 mostra o diagrama de blocos do algoritmo de aprendizado da RNP
para a classificao do grau de deformao.



Figura 5.8 Diagrama de Blocos do algoritmo de classificao das deformaes


O programa em MatLab verso 7.0 correspondente a este algoritmo se
encontra no Anexo A.


88

5.4.2 Descrio do algoritmo de classificao simultnea dos graus de
deformao e contedo de carbono

A figura 5.9 mostra o diagrama de blocos do algoritmo de aprendizado da RNP
para a classificao do grau de deformao e contedo de carbono.




Figura 5.9 Diagrama de Blocos do algoritmo de classificao das deformaes e contedos de
carbono simultaneamente

O programa em MatLab verso 7.0 correspondente a este algoritmo se
encontra no Anexo B.




89
Os neurnios de entrada da RNP so todos os valores do envelope do sinal
RMB no tempo, para cada instante de tempo. A forma de ordenar os envelopes
ou os vetores das envolventes foi em colunas, os vetores conformaram uma
matriz maior de dimenso mxn , onde m, para o caso da RNP representa o
tamanho do vetor padro e n , o nmero de padres. Neste caso temos que
79999 = m e 60 = n , cada padro deve ser um vetor de caractersticas, e todos
os padres devem ter o mesmo tamanho. Para possibilitar o treinamento,
deve-se informar qual a classe de cada Padro a ser treinado. A essa matriz
chamou-lhe de target ou alvo, conforme especificado na tabela nmero 5.4.

Tabela 5.4 Vetores de sada desejada

Classe

Vetores de sada desejada

0 % Graus de deformao

1
v = ( 1 0 0 0 0 0 )

0,2% Graus de deformao

2
v = ( 0 1 0 0 0 0 )

0,4% Graus de deformao

3
v = ( 0 0 1 0 0 0 )

0,6% Graus de deformao

4
v = ( 0 0 0 1 0 0 )

0,8% Graus de deformao

5
v = ( 0 0 0 0 1 0 )

1.0% Graus de deformao

6
v = ( 0 0 0 0 0 1 )



5.5 Normalizao dos dados de entrada

A matriz de treinamento foi normalizada de maneira a prevenir valores muito
dspares, capazes de dificultar o treinamento. Desta maneira os dados foram
normalizados numa faixa entre zero e um.



90
5.6 Conjunto de treinamento e teste

Para nosso conjunto de treinamento se tomou um 70 por cento da amostra e
para o teste um 30 por cento da amostra como se indica no diagrama de
blocos figuras 5.8, 5.9, mas detalhada mostramos na tabela 5.5. O nmero de
exemplos nos conjuntos de treinamento e teste (nmero de colunas nas
respectivas matrizes) depende da estratgia utilizada, conforme descrito na
tabela 5.5.
Est mesma seqncia de treinamento e teste da RNP foi feita para os
envelopes do espectro do sinal RMB usando eles como neurnios de entrada
no algoritmo mostrado na figura 5.8

Tabela 5.5 Conjunto de Parmetros para o treinamento da RNP
Envelope no Tempo Envelope na
Freqncia
Estratgia Treina Teste Tena Teste
AISI 1006 42 18 42 18
AISI 1050 42 18 42 18
AISI 1070 42 18 42 18
Total 126 54 126 54



















91


Captulo 6 Anlise de Resultados


6.1 Resultados de treino da RNP para classificao dos graus de
deformao plstica usando os envelopes do sinal RMB no tempo.

O treinamento da RNP foi feito ingressando com os envelopes no tempo do
sinal RMB. Para este processo de classificao se usou o algoritmo do
diagrama 1 (figura 5.8), para a classificao dos graus de deformao plstica
O grfico a seguir mostra a influncia do na classificao dado em
porcentagem.


Figura 6.1 Desempenho da RNP usando como entrada os envelopes do sinal RMB no tempo.



92
Na figura 6.1 mostra o desempenho da RNP, para diferentes sigmas no
intervalo ] 5 , 0 [ , com uma variao de 05 . 0 . O desempenho dado em
porcentagem. Os resultados obtidos mostram que a RNP alcana uma tima
classificao dos nveis ou graus de deformao das amostras de ao AISI
1006, 1050 e 1070 respectivamente como se observa na figura 6.6, num
intervalo considervel de sigmas timos.
Sobre a curva vermelha encontram-se sigmas timos para a classificao dos
nveis de deformao da amostra de ao AISI 1070, observe que a partir de
31 . 0 = at 66 . 4 = , a RNP alcana um 100% de acerto na classificao dos
mesmos.
De igual modo sobre a curva verde observam-se os sigmas timos para a
classificao dos nveis de deformao da amostra de ao AISI 1050, no
intervalo de ] 96 . 4 , 41 . 0 [ , com um 96% de acerto na classificao.
A curva azul contm os sigmas timos de classificao dos diferentes nveis de
deformao para a amostra de ao AISI 1006. Observe que o intervalo de
sigmas timos est entre ] 46 . 2 , 16 . 1 [ , alcanando um 100% de acerto na
classificao.

6.2 Resultados de treino da RNP para classificao dos graus de
deformao plstica usando os envelopes do espectro do sinal RMB.

O segundo treinamento da RNP foi ingressando como neurnios os envelopes
dos espectros do sinal RMB. Neste caso se fez uma reduo dos vetores de
entrada. Detalhadamente, se dividiu os vetores em dois e se utilizou s a parte
significativa do envelope espectral como se observa na figura 5.3 a, b, c, sem
que esta reduo originasse perda de informao.
Os resultados deste segundo processo de treinos so dados na figura 6.2.
Na curva vermelha encontram-se sigmas timos para a classificao dos nveis
de deformao da amostra de ao AISI 1070. Observe que para 11 . 0 = a
RNP alcana um % 100 de acerto na classificao dos diferentes graus de
deformao.

93
De igual modo sobre a curva verde observam-se dos sigmas timos para a
classificao dos nveis de deformao da amostra de ao AISI 1050, 11 . 0 = ,
e 16 . 0 = , com um 75% de acerto na classificao.
A curva azul contm os sigmas timos de classificao dos nveis de
deformao da amostra de ao AISI 1006, num intervalo de ] 16 . 3 , 41 . 2 [ ,
alcanando 67% de acerto


Figura 6.2 Desempenho da RNP usando como entrada os envelopes na freqncia.



6.3 Resultados de Treino da RNP para classificao simultnea dos graus
de deformao e contedo de carbono

Para este processo de classificao se usou o algoritmo do diagrama 2, figura
5.9, para a classificao simultnea do contedo de carbono e deformao
plstica. O desempenho se mostra na figura 6.3


94

Figura 6.3 Dependncia do valor do desempenho com o sigma para a classificao simultnea
da deformao e do contedo de carbono.


Como se pode observar da figura a classificao apresenta porcentagens muito
baixos de desempenho, o que lgico se consideramos que as classes
apresentam um grau de superposio grande. Com o objetivo de comprovar
qual pode ser o poder de resoluo de nosso mtodo com respeito ao qual a
diferena dos nveis de deformao que o algoritmo capaz de detectar, se
tomaram s quatro das seis deformaes com que se conta. Neste caso se
tomaro as deformaes 0%, 0.2%, 0.4% e 0.8% de deformao. Os
resultados de processo de classificao se mostram na figura 6.4


95

Figura 6.4 Dependncia do valor do desempenho com o sigma para a classificao simultnea
da deformao e do contedo de carbono. Tomando s as deformaes 0%, 0.2%, 0.4% e 0.8
%

Ainda neste caso se pode observar que no se obtm nveis adequados de
desempenho. Um recurso que se pode aplicar neste caso melhorar o padro
da RPN. Em nosso caso se demonstrou que se em vez de pegar como
neurnios os picos individuais dos envelopes do RMB se tomava uma
seqncia contnua de picos do envelope do RMB medidos continuamente os
resultados que se obtinham eram muito melhores como se mostra na figura 6.5











96

Figura 6.5 Dependncia do valor do desempenho com o sigma para a classificao simultnea
da deformao e do contedo de carbono. Tomando s as deformaes 0%, 0.2%, 0.4% e
0.8% e considerando como neurnios uma seqncia de quatro picos dos envelopes do RMB.

Pode-se apreciar que para esta classificao simultnea se obtiveram bons
resultados.
A figura 6.6 mostra o envelope que foi usado como conjunto de neurnios em
este caso.






97


Figure 6.6 Envelopes usados como neurnios na RPN de deteco simultnea de contedo de
carbono e deformao plstica


Como se pode apreciar de esta figura os picos de esta seqncia so
diferentes. Esta diferena influi na distncia usada pela RPN para realizar a
classificao. Ou seja, j no se trata de que exista diferena entre os
envelopes correspondente s amostras submetidas a diferentes condies,
mas tambm entre os picos do mesmo tamanho.

Esta diferencia pode ser devido fundamentalmente a duas questes:

1. Existe um problema de reprodutibilidade do sinal.
2. Existe um fenmeno fsico subjacente que varia o sinal quando se magnetiza
sucessivamente.

claro que pode existir problema de reprodutibilidade, mas de ser este a causa
fundamental seria uma questo aleatria e produziria pouco ganho na
classificao.




98
Por outro lado o fato de que se observe certa tendncia como se observa na
figura 6.6, sugere a presena de um fenmeno fsico por trs desta questo, o
que requer posteriores pesquisas.
Usando estes envelopes do espectro do sinal RMB, (s para os graus de
deformaes 0%, 0.2%, 0.4% e 0.8%), como neurnios se reaplicaro o
algoritmo de classificao da deformao e contedo de carbono. Os
resultados se mostram na figura 6.7


Figure 6.7 Dependncia do valor do desempenho com o sigma para a classificao simultnea
da deformao e do contedo de carbono. Tomando s as deformaes 0%, 0.2%, 0.4% e 0.8
% e considerando como neurnios o espectro do sinal do RMB


Como se pode apreciar neste caso os resultados do desempenho no foram
melhores que no caso que se usaram os envelopes no tempo do RMB.
Por outro lado se realizo o processo de classificao usando como neurnios
tanto os envelopes no tempo do sinal RMB como o espectro do sinal RMB o
resultado se mostra na figura 6.8

99

Figure 6.8 Dependncia do valor do desempenho com o sigma para a classificao simultnea
da deformao e do contedo de carbono. Tomando somente as deformaes 0%, 0.2%, 0.4%
e 0.8% e considerando como neurnios os envelopes dos espectros do sinal RMB e os
envelopes do RMB no tempo

Como se pode apreciar desta figura os resultados obtidos no superam os
resultados obtidos mediante a utilizao somente dos envelopes do sinal RMB
no tempo. Isto pode ser devido ao fato de que o sigma timo para o caso dos
envelopes do espectro do sinal RMB muito inferior ao sigma timo para o
caso dos envelopes do sinal RMB no tempo, como se pode observar nas
figuras 6.5 e figura 6.7

6.4 Funo de Erro
O erro do desempenho da RNP na determinao da classificao dos
diferentes graus de deformao para as amostras foi determinado fazendo
vrios treinos para cada amostra, tomando como referncia a mdia da
variao do alcance de acerto em porcentagem para um fixo.

=
n
i
i i
n
a a
1
2
) (
(6.1)



100
Onde: a o acerto, a o acerto mdio e n o nmero de treinos. No
presente trabalho se estimou que depois de 10 treinos o erro de classificao
da RNP varia entre 0.5% a 1.0%, o que indica que esta variao de erro
mnima. Portanto se aconselha o uso da RNP em problemas de classificao
por seu alto desempenho.

6.5 Esforo Computacional

O esforo computacional para a classificao dos diferentes amostras de ao
dado na tabela 6.1.

Tabela 6.1 Esforo computacional
Funo Tempo de treinamento da RNP
Ao AISI 1006 30 minutos
Ao AISI 1050 30 minutos

Envelopes no tempo



Ao AISI 1070

30 minutos
Ao AISI 1006 15 minutos
Ao AISI 1050 15 minutos

Envelopes na freqncia
Ao AISI 1070 15 minutos
Classificao de um determinado
nvel de deformao plstica


30 segundos
Classificao simultnea da
deformao plstica e contedo de
carbono.

30 minutos

Trabalhando num computador Pentium III de 1.60 GHz, 960 MB de memria
RAM, o software desenhado foi feito em MatLab verso 7.0



101

Captulo 7 Concluses



Neste trabalho vimos que em casos de estudo de END atravs do RMB,
quando o uso do valor Vrms ou de outro valor mdio do sinal no
suficiente para a determinao dos valores de deformao na faixa de
0% a 1%, o uso da rede neural probabilstica uma boa opo para
caracterizar estes materiais.

Os resultados de treinamento da RNP com as medidas de deformao
plstica mostram que o desempenho da RNP foi timo para a
determinao dos nveis ou grau de deformao plstica das amostras
de ao AISI 1006, 1050 e 1070.

O tempo de treinamento da RNP foi proporcional dimenso do
conjunto de treinamento dado.

O uso dos envelopes do sinal RMB no tempo como neurnios mostrou
melhores resultados para a classificao que o dos envelopes dos
espectros dos sinais RMB e que o uso da classificao simultnea de
contedo de carbono e deformao plstica.
















102

Sugestes para Trabalhos Futuros



A seguir so apresentadas algumas sugestes para trabalhos futuros que
complementariam o trabalho feito nessa dissertao ou que podem vir a
melhorar o desempenho da RNP.

Para melhorar a porcentagem de acerto no caso do sinal de Barkhausen
correspondentes a amostras sobre os que atuam vrios parmetros
externos como o caso estudado de contedo de carbono e
deformao plstica, preciso utilizar outras tcnicas como os mtodos
de componentes principais, mtodos de seleo de caractersticas em
combinao com a RNP.

Outro trabalho que seria importante desenvolver no futuro seria a
identificao de mais de dois parmetros externos presentes em as
amostras, mediante os sinais de Barkhausen como, por exemplo, a
presena simultnea de deformao plstica e tenso aplicada para
amostras de diferentes contedos de carbono.

Colocar todos estes procedimentos em um software com uma interface
grfica que facilite o processamento das datas.

















103


Referncias Bibliogrficas

Acciani, G.; Brunetti, G.; Fornerelli, G. et al. Angular and axial evaluation of
superficial defects on non-accessible pipes by wavelet transform and neural
network-based classification. ULTRASONICS, v. 50, n. 1, 2010. p. 13-25.

Anglada-Rivera, J.; Padovese, L.; Cap-Snchez, J. Magnetic Barkhausen
noise and hysteresis loop in commercial carbon steel: influence of applied
tensile stress and grain size. ELSEVIER. Journal of magnetism and
magnetic materials, v. 231, 2001. p. 299-306.

Bach, G.; Goebblels, K.; Theiner, W. A. Mate. Eval. v. 41, 1988. p.1576

Barkhausen, H. Physik Z 20 1919 p. 401

Benitz, J.; Cap Sanchez, J.; Padovese L. A model for the influence of
microstructural defects on magnetic Barkhausen noise in plain steels.
ELSEVIER. Journal of magnetism and magnetic materials, v. 288, 2005. p.
433 - 442.

Benits, J. et al. A study of plastic deformation around a defect using the
magnetic Barkhausen noise in ASTM 36 steel. ELSEVIER. NDT&E
Intrenational, v. 41, 2008. p. 53-58.

Benits, J.; Cap-Sanchez, J.; Padovese, L. Long-range field effects on
magnetic Barkhausen noise. Journals American Physical Society, review v.
76, 024406 (8pag.), 2007.

Benits, J.; Cap-Sanchez, J.; Padovese, L. Modeling of the Barkhausen jump
in low carbon steel. Journal of Applied PHYSICS, v. 103, 043910(6pag.),
2008.

Bentez, J.; Estudio del ruido magntico de Barkhausen en aceros al
carbono, teses de Doutorado, Universidade oriente de cuba, santiago de cuba
2008

Biswal, B. et al. Power Signal Classification using dynamic wavelet network.
ELSEVIER Applied Soft Computing v. 9, 2009. p. 118-125



104
Bozorth, R. M. Journals American Physical Society, Rev. v. 34 1974. p. 772
Bussiere, J. F. Mater. Eval. v. 44 1986. p. 560

Campos, M.; Benitez, J.; Padovese, L. Characterization of the elastic- plastic
region in AISI/SAE 1070 steel by the magnetic Barkhausen noise. ELSEVIER.
NTD&E International, v.41 2008. p. 656-659

Campos, M.; Cap J.; Padovese, L. Caracterizacin del Comportamiento
Elastoplastico de Aceros Estructurales com Diferente Contenido de Carbono.
In: Scientia et Technica Ao XIII, n. 36, Set. 2007. Universidad Tecnolgica de
Pereira. ISSN 0122-1701 2007, p. 671-675

Cap-Sanchez, J; Campos, M.; Padovese, L. Magnetic Barkhausen
measurements for evaluating the formation of Lders bands in carbon steel.
ELSEVIER. NDT&E International, v. 40, 2007. p. 520-524.

Cap-Snchez, J.; Bentez, J.; Padovese, L. Dependence of the magnetic
Barkhausen emission with carbon content in commercial steels. ELSEVIER.
Journal of Materials Science, v. 39, 2004. p. 1367-1370

Chen, Ching-Han.; Chia-Te, Chu. High performance iris recognition based on 1-
D circular feature extraction and PSOPNN classifier. ELSEVIER. Expert
Systems with Applications, v. 36, 2009. p. 10351-10356

Chikazumi, S. Czechoslovak Journal of Magnetism (John Wiley and Sons,
New York, 1964).

Derya beyli Elif ; Mustafa beyli. Estimation of radiation damage at the
structural materials of a hybrid reactor by probabilistic neural networks,
ELSEVIER. Expert Systems with Applications V. 36 (2009) p. 51845189

Durin, Gianfranco; Zapperi, Stefano. The Barkhausen Effect, Condensed
Matter_Materials Science, v. 1, n. 21, 2004. p. 20-23

Fattah Mohamed Abdel; Fuji Ren. GA, MR, FFNN, PNN and GMM Based
Models for Automatic Text Summarization, ELSEVIER Computer Speech and
Language v. 23, 2009. p. 126-144




105
Givargis, Sh.; Karimi, H. Mathematical, statistical and neural models capable of
predicting LA,max for the TehranKaraj express train. ELSEVIER. Applied
Acoustics v. 70, 2009 p. 10151020

Jeong, H.T. et al. The effect of microstructural changes on magnetic
Barkhausen noise in Mn-Mo-Ni pressure vessel steel. Journal of the Korean
Physical Society, v. 34, n. 5, 1999. p. 429-433

Jiles, D.C. Dynamics of domain magnetization and the Barkhausen effect.
Czechoslovak, Journal of Physics, v. 50, n. 8, 2000. p. 893-988

______. Czechoslovak, Journal of Physics, v. 50, n. 8, 2000. p. 893

Kagawa, Y.;Nakamura, T. Electron. Eng. Jpn. 110 (1990) 82.

Kameda, J.; Ranjan R. Acta Metall. 35 7 (1987) 1515.

Kumari, Padhy Sasmita et al. Non-linear channel equalization using adaptive
MPNN. ELSEVIER. Applied Soft Computing, v. 9, n. 3, 2009. p. 1016-1022

Lefteri, H.; Tsoukalas, Robert; Uhrig, E. Fuzzy and neural approaches in
engineering,1997, p. 289-328. John Wiley & Sons, INC.

Little, E. A.; Buttle, D. J.; Scruby, C. B. Effects of Radiations on Materials II
ASTM, Philadelphia, 1990.

Luk, BL; Jiang, ZD; Liu, LKP, et al. Impact Acoustic Non-Destructive Evaluation
In Noisy Environment Based On Wavelet Packet Decomposition. In:
INTERNATIONAL MULTICONFERENCE OF ENGINEERS AND COMPUTER
SCIENTISTS 2008, Hong Kong PEOPLES R CHINA, JUNHO 22-24, 2009. v. I
e II, 2008. p. 1338-1341

Mar, Marcia et al. Evaluating plastic deformation by the magnetic Barkhausen
noise. In: 9th European Conference on Non-Destructive Testing. Berlin. 2006.

Masters Timothy, Advanced Algorithms for Neural Networks, John Wiley &
Sons, INC. 1995. p.193-192,




106
Mayos, M.; Putignani, M.; Segalini, S. IRSID Report (1985) 1203.

Mostafa Mohamed M. Modeling the competitive market efficiency of Egyptian
companies: A probabilistic neural network analysis, ELSEVIER. Expert
Systems with Applications v. 36, 2009. p. 88398848

Mostafa Mohamed M.; Rajan Nataraajan, A. Neuro-computational intelligence
analysis of the ecological footprint of nations, ELSEVIER. Computational
Statistics and Data Analysis, v. 53, 2009. p. 3516-3531

Padovese, L. R. Sobre Envelope e Rudo Magntico de Barkhausen, Janeiro
2008.

______. Analise Espectral do Rudo Magntico de Barkhausen, Janeiro 2008.

______. Automao de Diagnstico de Falhas em Plantas Industriais,
teses de livre docncia, Universidade de So Paulo, 2002. p. 6-90.

Paliwal Mukta; Usha A.; Kumar. Neural Networks and Statistical Techniques,
ELSEVIER. A review of applications, Expert Systems with Applications, v.
36, 2009. p. 217

Patterson Dan W. Artificial Neural Networks: Theory and Applications. Institute
of Systems Science National University of Singapore. 1996. p. 349-366.

Pereira Leite Emilson; Souza Filho, C. Probabilistic neural networks applied to
mineral potential mapping for platinum group elements in the Serra Leste
region, Caraja s Mineral Province, Brazil, Computers & Geosciences v. 35,
2009. p. 675687

Preisach, F. Ann. Physik 53 (1970) 737.

Quan, Jin-Juan; Xian-Bin, Wen; Xue-Quan, Xu. Multiscale Probabilistic Neural
Networks Method for SAR Image Segmentation, ELSEVIER. Applied
Mathematics and Computation, v. 205, 2008. p. 578-583.





107
Ramuhalli, P. MFL signal inversion using the finite element network,
Conference Information: 34th Annual Review of Progress in Quantitative
Nondestructive Evaluation, Jul. 22-27, 2007 Golden CO, v. 27A AND 27B v.
975, 2008. p. 633-640


Russell Stuart ; Peter Norvig. Inteligncia Artificial, Elsevier Editora Ltda,
2004.

Sablik, M. I. et al. Review of Progress in Quantitative NDE (Thompson D. O.
and Chimenti D. E., Plenum, New York, 1993) 12 p 1823.

Schalkoff, Robert J. Artificial Neural Networks, The McGraw-Hill Companies,
INC. 1997 p. 337-355.

Sheng-Hsien, Hsieh ; Ching-Han, Chen. Adaptive Image Interpolation Using
Probabilistic Neural Network, ELSEVIER. Expert Systems with Applications,
v. 36, 2009. p. 60256029

Sipahi, L. B.; Jiles, D. C. Review of Progress in Quantitative NDE (D. O.
Thompson and Chimenti D. E., Plenum, New York, 1992) 11B p 1791.

______. Nondestr. Test. Eval. 10 (1993) 183.

______. IEEE Trans. Magn. 28 (1992) 3153.

Sivakumar, A.; Kannan, K. A novel feature selection technique for number
classification problem using PNNA plausible scheme for boiler flue gas
analysis, Sensors and Actuators B v. 139, 2009. p. 280286

Specht, D. F. Probabilistic Neural Networks, Neural Networks 3, 1990 p.109-
118.

Stupakov, O. et al. Investigation of magnetic response to plastic deformation of
low-carbon steel, ELSEVIER. Materials Science and Engineerig, A 462, 2007.
p. 351-354.

Tanner, B. K. Nondestr. Test. Eval. v. 5, 1989. p. 9




108
Titto, S.; Otala, M.; Synjkangas, S. Non-Destr. Testing, v. 9, 1976. p. 117

Titto, K. Nondestr. Test. Eval. 5 (1989) 27.

Turkmen, I.; Guney, K. Genetic Tracker with Adaptive Neuro-fuzzy Inference
System for Multiple Target Tracking. ELSEVIER. Expert Systems with
Applications, v. 35, 2008. p. 1657-1667

Tyndall E. P. T., Phys. Rev., v. 24, 1930. p. 439

Veelenturf, L. P. J. Analysis and Applications of Artificial Networks, Prentice Hall
International 1995. p. 213-234.

Processamento de Distribuio Paralela Por Rumelhart, McCleland and the
PDP Grupo de Investigao. Rede PNN (Hoon Heng Teh, Neural Logic

Networks A New Class of Neural Networks, Instituteof systems science national
university of singapore p. 44-50, p. 246-299 e p. 486-498).

Warwick, K.; Irwin, G. W.; Hunt, K. J. Neural Networks for Control and Systems.
1992. p. 100-115.

Wu Jian-Da; Peng-Hsin Chiang. Application of WignerVille Distribution and
Probability Neural Network for Scooter Engine Fault Diagnosis, ELSEVIER.
Expert Systems with Applications, v. 36, 2009. p. 21872199

Yong Wang et al. Feature Selection Using Tabu Search with Long-term
Memories and Probabilistic Neural Networks, ELSEVIER. Pattern Recognition
Letters, v. 30, 2009. p. 661670

Zhang, SQ; Yang, HF Inversion of Eddy Current NDE Signals Using Artificial
Neural Network Based Forward Model and Particle Swarm Optimization
Algorithm. In: INTERNATIONAL CONFERENCE ON INFORMATION AND
AUTOMATION, v. 1-3, 2009. p. 1289-1294









109

Anexo A


A seguir apresentamos o programa implementado no software de MatLab verso 7.0
para a Rede Neural Probabilstica

%function rede1050_PNN

mex_1=load('env0_1050.txt'); % carregando os envelopes no tempo
mex_2=load('env2_1050.txt'); % carregando os envelopes no tempo
mex_3=load('env4_1050.txt'); % carregando os envelopes no tempo
mex_4=load('env6_1050.txt'); % carregando os envelopes no tempo
mex_5=load('env8_1050.txt'); % carregando os envelopes no tempo
mex_6=load('env10_1050.txt'); % carregando os envelopes no tempo

mex=[mex_1 mex_2 mex_3 mex_4 mex_5 mex_6]; % formao da matriz de
exemplos

% Normalizao da matriz de exemplos

[L,W]=size(mex);
%mex=mex(1:round(L/2),:);
mex=mex-min(max(mex));
mex=mex/max(max(mex));

v=randperm(60); % cria um vetor de ndices aleatrio
mex1=mex(:,v); % realoca as colunas da matriz de exemplos de maneira aleatria
prof=[1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 4 4 4 4 4 4 4 4 4 4 6 6 6 6 6 6 6 6 6 6 8 8 8
8 8 8 8 8 8 8 9 9 9 9 9 9 9 9 9 9]; % formao da matriz professor.
prof1=prof(:,v); % realoca as colunas da matriz professor, procurando manter a
reciprocidade das colunas de professor e da matriz de exemplos
profv=ind2vec(prof1); %ajusta a matriz professor para ser usada no treinamento

% Define o tamanho dos conjuntos de treinamento/teste (hold out)

targets=profv;
ptrn=0.7; % Porcentagem usada para treino
ptst=1-ptrn; % Porcentagem usada para teste
J=floor(ptrn*60); % arredonda um numero decimal para seu prximo inteiro

mexn1=mex1(:,1:J);
T1=profv(:,1:J);
%[L1,C1]=size(mexn1);
diff=[ ];
sig=[ ];
h=waitbar(0,'espere');
for ii=0.01:0.05:5
sig=[sig,ii];
net=newpnn(mexn1,T1,sig(end)); % treina a rede com a matriz de exemplos, a
% matriz professor, e o valor de sigma (que pode variar entre 0.01 e uns 5,
%preciso testar qual valor e da o menor erro de classificao teste


110
[Y1]=sim(net,mexn1);
a1=vec2ind(Y1);
tes=mex1(:,J+1:end);
T2=profv(:,J+1:end);
[L2,C2]=size(tes);

% realizar os testes de classificao.

[Y2]=sim(net,tes); % testa a matriz de teste. A resposta vem no vetor resposta
a2=vec2ind(Y2); % decodifica o vetor resposta. A matriz a contm os

% cdigos de classificao para cada vetor da matriz teste.

Tk=vec2ind(T2);
diff=[diff,length(find((Tk-a2)==0))*100/length(Tk)]
% waitbar(ii/5,h);
end
sigmamax=sig(find(diff==max(diff)))
close(h);


O mesmo programa foi usado para as outras duas amostras de ao AISI 1006, 1070

Implementao da RNP para a classificao dos nveis de deformao plstica
fazendo uso dos envelopes espectrais

%function rede PNN para o material de ao 1050
% envelope espectral
mex_1=load('envf0_1050.txt'); %carregando os envelopes na freqncia
mex_2=load('envf2_1050.txt'); %carregando os envelopes na freqncia
mex_3=load('envf4_1050.txt'); %carregando os envelopes na freqncia
mex_4=load('envf6_1050.txt'); %carregando os envelopes na freqncia
mex_5=load('envf8_1050.txt'); %carregando os envelopes na freqncia
mex_6=load('envf10_1050.txt'); %carregando os envelopes na freqncia
%%%% Normalizao
[L1,W1]=size(mex_1);
[L2,W2]=size(mex_2);
[L3,W3]=size(mex_3);
[L4,W4]=size(mex_4);
[L5,W5]=size(mex_5);
[L6,W6]=size(mex_6);
mex_1=mex_1(1:round(L1/2.5),:);
mex_2=mex_2(1:round(L2/2.5),:);
mex_3=mex_3(1:round(L3/2.5),:);
mex_4=mex_4(1:round(L4/2.5),:);
mex_5=mex_5(1:round(L5/2.5),:);
mex_6=mex_6(1:round(L6/2.5),:);

mex=[mex_1 mex_2 mex_3 mex_4 mex_5 mex_6]; % formao da matriz de
exemplos

%%%% Normalizao


111
[L,W]=size(mex);
%mex=mex(1:round(L/2),:);
mex=mex-min(max(mex));
mex=mex/max(max(mex));


v=randperm(60); % cria um vetor de ndices aleatrio
mex1=mex(:,v); % realoca as colunas da matriz de exemplos de maneira aleatria
prof=[1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 4 4 4 4 4 4 4 4 4 4 6 6 6 6 6 6 6 6 6 6 8 8 8
8 8 8 8 8 8 8 9 9 9 9 9 9 9 9 9 9]; % formao da matriz professor.
prof1=prof(:,v); % faz a mesma coisa, procurando manter a reciprocidade das colunas
da matriz professor e da matriz de exemplos

profv=ind2vec(prof1); %ajusta a matriz professor para ser usada treinamento

% Define tamanho dos conjuntos de treinamento/teste (hold out)
targets=profv;
ptrn=0.7; % Porcentagem usada para treino
ptst=1-ptrn; % Porcentagem usada para teste

J=floor(ptrn*60);%arredonda um numero decimal para seu prximo inteiro
%treino
mexn1=mex1(:,1:J);
T1=profv(:,1:J);
%[L1,C1]=size(mexn1);
diff=[];
sig=[];
h=waitbar(0,'espere');
for ii=0.01:0.05:5
sig=[sig,ii];
net=newpnn(mexn1,T1,sig(end)); % treina a rede com a matriz de exemplos, a
% matriz professor, e o valor de sigma (que pode variar entre 0.01 at 5, e
%preciso testar qual valor e da o menor erro de classificao teste
[Y1]=sim(net,mexn1);
a1=vec2ind(Y1);
%teste
tes=mex1(:,J+1:end);
T2=profv(:,J+1:end);
[L2,C2]=size(tes);
% realizar os testes de classificao.
[Y2]=sim(net,tes); % testa a matriz de teste. A resposta vem no vetor resposta

a2=vec2ind(Y2); % decodifica o vetor resposta. A matriz a contm os
% cdigos de classificao para cada vetor da matriz teste.
Tk=vec2ind(T2);
diff=[diff,length(find((Tk-a2)==0))*100/length(Tk)]
%waitbar(ii/5,h);
end
sigmamax=sig(find(diff==max(diff)))
close(h);


O mesmo programa se usou para as outras duas amostras de ao AISI 1006, 1070



112



Anexo B

Implementao da RNP para a classificao simultnea dos nveis de deformao e
contedo de carbono nas amostras de ao AISI 1050, 1006 e 1070.

function [Comp,sigrang,mysigma]=PNN_DEF2
clear all;
load envolt; % carregando os envelopes

Nmat = 3;
Ndef = 6;
Namostras = 10;

%%% ENVOLT %%%

minMpos=min(min(ENVOLT));
ENVOLT=ENVOLT-minMpos; % subtrao o mnimo
ENVOLT=ENVOLT/max(max(ENVOLT)); % levar escala 0 a 1

MAT_DATA = ENVOLT;

%%%AQUI ESTA O PREPROCEMENTO ESTATISTICO DA DATA%%%

[L,W]=size(MAT_DATA);
pindicesX=randperm(W); % cria um vetor de ndices aleatrio para os exemplos
pindicesY=randperm(L); % cria um vetor de ndices aleatrio para os campos


MAT_EXEM=MAT_DATA(:,pindicesX); % realoca as colunas da matriz de exemplos
de maneira aleatria

VET_BLANCOS = repmat(1:Nmat*Ndef,Namostras,1);
VET_BLANCOS = reshape(VET_BLANCOS,1,Nmat*Ndef*Namostras);

VET_BLANCOS=VET_BLANCOS(:,pindicesX); % Permuta tambm os blancos ( no
faz falta permutar as linhas)

ptrn=0.7; % Porcentagem usada para treino
J=floor(ptrn*W);

%%%Treinamento %%%

MAT_TREN=MAT_EXEM(:,1:J);
VET_OBJ=VET_BLANCOS(1:J); %

%%%TREINAMENTO%%%% treinar a rede PNN com sigmas diferentes

s=0;


113
[L1,W1] = size(ENVOLT);
sigrang = 0.1:0.2:5;
for i = sigrang
rangosigma = ones(L1,1)*i;
sig=rangosigma;
s=s+1;

MAT_TEST=MAT_EXEM(:,J+1:end);
VET_OBJTEST=VET_BLANCOS(:,J+1:end); % para comparar os resultados

VET_RES=multpnn(MAT_TREN,VET_OBJ,MAT_TEST,sig);

%%%cdigos de classificao para cada vetor da matriz tes. %%%

VDIF=VET_OBJTEST-VET_RES;
Comp(s)=(length(find(VDIF==0))/length(VDIF))*100 % porcentagem de acerto

clear MAT_RES VET_RES net;

end
mysigma=sigrang(Comp==max(Comp));
end


































114



Anexo C


function xout=multpnn(ydata,xtarget,xin,sig) % Esta funo realiza a classificao
multi-sigmas usando PNN

format long; % prevent floating point
[inL,inW]=size(xin);
[yL,yW]=size(ydata);
[xtL,xtW]=size(xtarget);

%%%% Aqui se divide pelos sigmas %%%%%%%%%%%%%

ydata=ydata./repmat(sig,1,yW);
xin=xin./repmat(sig,1,inW);

%%%Inicializao %%%%%

weiths=[];
xout=[];
MaxClase=max(xtarget);
parfor i=1:inW
xouttemp=zeros(1,MaxClase);
dife=dist(ydata',xin(:,i)); % aqui se encontram as diferenas
weiths=exp(-dife.^2);
for k=1:MaxClase
xouttemp(k)=mean(weiths(xtarget==k));
end % del k
ss=sum(xouttemp);
if ss<exp(-500)
ss=exp(-500); % evitar diviso por zero
end
xouttemp=xouttemp/ss;
xoutgrup=find(xouttemp==max(xouttemp));
if length(xoutgrup)>1,
xout(i)=xoutgrup(1); % si houver vrias somas iguais tomar a primeira
else
xout(i)=xoutgrup;
end
end % del i

Você também pode gostar