Vývoj metodiky pro stanovení délky únavové trhliny pomocí korelace digitálních obrazů

Abstract

Zastavování únavových zkoušek kvůli vizuálním odečtům je pracné a je v rozporu s nepřetržitým snímáním doporučovaným normami pro stanovení rychlosti růstu únavových trhlin. Měření délky únavové trhliny v průběhu zkoušky navíc snižuje zátěž obsluhy a umožňuje automatizaci. Tato práce rozvíjí metodiku založenou na korelaci digitálních obrazů (DIC), která nahrazuje vizuální inspekci pomocí posuvného mikroskopu (VIM) a validuje ji vůči datům VIM napříč materiály, velikostmi a typy vzorků i úrovněmi zatížení; současně ji porovnává s prahovým přístupem na DIC datech, metodou prahového přetvoření (STM). Je analyzována citlivost na vstupní parametry, jsou identifikována omezení a formulovány uživatelská doporučení. Jádrem metodiky je fyzikálně podložený odhad délky trhliny – metoda inflexního bodu (IPM) – a její rychlá implementace (fIPM) a filtrovaná varianta (fIPMf). Postup je následující. DIC poskytuje posuvy prostřednictvím softwarově definovaných „virtuálních extenzometrů“ rozmístěných podél očekávané trajektorie trhliny. Výsledná křivka představuje projekci otevření trhliny. Regrese pomocí gaussovských procesů tuto křivku prokládá a inflexní bod proložené křivky je považován za čelo trhliny (IPM). Rychlá implementace metody inflexního bodu (fIPM) mění procesní schéma, čímž zkracuje výpočetní čas o 55 %. Filtrovaná varianta (fIPMf) přidává adaptivní Kalmanův filtr s měkkým vynucením monotonicity pro stabilizaci časové řady, čímž snižuje šum přibližně o řád na submikrometrickou úroveň. Validace využila zkušební tělesa typu CT a M(T). Všechny metody (VIM, IPM a STM) byly aplikovány na stejné snímky pořízené ze stejné strany vzorku, čímž se eliminovalo zkreslení přes tloušťku způsobené nestejnými délkami trhlin. První validace porovnávala výsledky délky trhliny na snímcích pořízených při přerušeních zkoušky. V tomto uspořádání se výsledky IPM shodovaly s referencí VIM (RMSE 31 m), zatímco výsledky STM se od reference řádově lišily (RMSE 274 m). Nejdůležitějším zjištěním z analýzy citlivosti byla zanedbatelná závislost IPM na zatížení, na rozdíl od STM. Další validace porovnala výsledky rychlosti růstu trhliny z VIM a fIPMf na stejných vzorcích měřených sekvenčně, nejdříve pomocí VIM, pak s využitím fIPMf. Data získaná z VIM byla proložena rovnicí NASGRO a použita jako reference; výsledky fIPMf se odchylovaly přibližně o 20–30 %, což je srovnatelné s rozptylem mezi samotnými datovými sadami VIM. Pro použití v reálném čase nabízí fIPMf stejnou frekvenci zpracování dat jako STM, což je více než 10× vyšší než u full-field DIC. Navržená metodika umožňuje nepřerušované vyhodnocování délky a růstu trhliny během probíhajících zkoušek s přesností srovnatelnou s VIM a výrazně přesnějšími výsledky oproti STM. Nabízí rychlost zpracování okolo 20 snímků/s. Klíčové přínosy zahrnují bezprahový, fyzikálně podložený odhad; robustní adaptivní prokládání a filtrování, které se v průběhu zkoušky učí a reagují na měnící se podmínky; a zanedbatelnou citlivost na úroveň zatížení, jež umožňuje provádět zkoušky s klesajícím rozkmitem faktoru intenzity napětí (K) používané k určení prahové hodnoty součinitele intenzity napětí (K_th) — což je u STM velmi obtížné.

Stopping fatigue tests for visual readings is labor-intensive and conflicts with uninterrupted acquisition recommended in fatigue crack growth rate standards. Furthermore, measuring fatigue crack length during ongoing tests reduces operator workload and enables automation. This thesis develops a digital image correlation (DIC)–based methodology that replaces visual inspection with a traveling microscope (VIM) and validates it against VIM data across materials, specimen sizes and types, and load levels, while also comparing it with a DIC thresholding approach, the Strain threshold method (STM). Sensitivity to input parameters is analyzed, limitations are identified, and user recommendations are formulated. The core estimator is a physics-based Inflection point method (IPM) and its fast, filtered implementation (fIPMf). The workflow is as follows. DIC provides displacements via software-defined “virtual extensometers” laid out along the expected crack path. The resulting curve is a projection of crack opening displacements. Gaussian Process Regression—used here to mitigate spatial noise—fits this curve, and the inflection point of the fitted curve is taken as the crack tip (IPM). Its fast implementation (fIPM) restructures processing and reduces computation time by 55%; the filtered variant (fIPMf) adds an adaptive Kalman filter with a soft-monotonicity safeguard to stabilize the time series, reducing temporal noise by about an order of magnitude to sub-micrometer levels. Validation used compact tension and middle tension specimens, with all the methods (VIM, IPM, and STM) applied to the same images acquired from the same side of the specimen, removing through-thickness bias from unequal crack lengths. The first validation compared crack-length results on images acquired during test stoppages. In this setting, IPM matched the VIM baseline with a root-mean-square error (RMSE) of 31 m, while STM reached 274 m. The most important sensitivity finding was the negligible load dependence of IPM, in contrast to STM. An additional validation compared crack-growth-rate results from VIM and fIPMf on the same samples measured sequentially. VIM data were fitted with the NASGRO equation and used as a baseline; fIPMf results deviated by approximately 20-30%, which is comparable to the spread among VIM datasets themselves. For real-time use, fIPMf offers the same data-processing frequency as STM, which is more than 10× higher than for full-field DIC. In summary, the proposed methodology enables non-interruptive, VIM-comparable crack-length and crack-growth evaluation during running tests and outperforms STM by a large margin. It offers a processing speed of about 20 frames/s. Key benefits include a threshold-free, physics-based estimator; robust adaptive fitting and filtering that learn during the test and react to changing conditions; and negligible load-level sensitivity, enabling K-decreasing tests to identify the stress intensity factor threshold—something difficult with STM.