El martes 14 de noviembre, a las 9, el Ing. Mecatrónico egresado de la Facultad de Ingeniería de la UNCUYO, Gerardo Granados, defenderá su tesis "Simulación realista basada en técnicas de aprendizaje para mejorar el diagnóstico en ensayos no destructivos", en la Universidad de París - Saclay, Francia.

La presentación podrá verse de forma virtual, a través del siguiente enlace.

Resumen del trabajo

Las soluciones basadas en modelos para el diagnóstico automático en el campo de los ensayos no destructivos son actualmente un tema de gran interés tanto en la comunidad académica como en la industrial.

Su objetivo final es proporcionar una evaluación cualitativa o cuantitativa del estado del material inspeccionado (en buen estado, defectuoso, defectuoso con dimensiones anómalas o criticidad) en un contexto industrial como una línea de producción. 

Estas herramientas, que proporcionan información para el control de procesos en tiempo real, contribuyen a la tendencia general en Europa que apunta a modernizar la industria y los servicios. 

El instituto CEA LIST, es una institución de investigación reconocida internacionalmente en el campo de los ensayos no destructivos. Desarrolla el software CIVA, que ofrece modelos multifísicos y está considerado como un producto líder en simulación para aplicaciones de END.

Los modelos precisos capaces de reproducir señales experimentales resultan muy útiles en un proceso de inversión destinado a clasificar o caracterizar defectos. Sin embargo, como no tienen en cuenta las perturbaciones y la variabilidad de los parámetros que ocurren durante una adquisición experimental, las señales simuladas parecen inherentemente "perfectas" y, por ejemplo, se distinguen fácilmente de los datos experimentales. 

Esta materia de doctorado tiene como objetivo mejorar la coincidencia entre la simulación y los datos experimentales, aumentando la simulación con otra contribución que generalmente se puede denominar "ruido".

La estrategia propuesta para obtener dicha contribución de ruido es aplicar técnicas de aprendizaje automático, como el aprendizaje de diccionarios, a un conjunto de datos experimentales representativos.

Alternativamente, se puede entrenar un modelo de aprendizaje profundo para analizar datos reales y luego distinguir entre contenidos (señales de fallas) y estilo (el resto, que no se simula mediante modelos físicos).

Posteriormente, la herramienta de simulación aumentada podrá reproducir fielmente datos experimentales, tener en cuenta discrepancias específicas debidas a un entorno particular y reproducir la variabilidad observada experimentalmente. De este modo, mejorará el rendimiento de las herramientas basadas en modelos desarrolladas en CEA LIST para el análisis de sensibilidad, la gestión de la incertidumbre y el diagnóstico.