Automatyzacja oceny stanu materiału z wykorzystaniem metody SPT

Abstract

Praca dotyczy oceny degradacji stali kotłowych 10H2M, 13HMF i 15HM z wykorzystaniem metody Small Punch Test (SPT) jako alternatywy dla klasycznej próby rozciągania (UTT). Celem było opracowanie narzędzia do automatycznej interpretacji wyników SPT i określenie czy metoda ta umożliwia wiarygodną analizę stanu materiału. Wykonano badania SPT i UTT, przeprowadzono analizę statystyczną wyników oraz utworzono bazy danych do trenowania modeli uczenia maszynowego. Opracowano dwie sieci neuronowe, z których konwolucyjna (CNN) uzyskała najlepsze wyniki predykcji, z błędem średnim 2,9% dla granicy plastyczności i 0,9% dla granicy wytrzymałości. Wyniki potwierdzają skuteczność SPT w identyfikacji zmian właściwości mechanicznych oraz przedstawiają kompletny algorytm automatyzacji oceny stanu materiału, który może stanowić podstawę dalszych badań i rozszerzeń o nowe gatunki stali. This thesis addresses the industrial need for reliable monitoring of material degradation in long-term mechanical structures. The Small Punch Test (SPT) was investigated as a bridge between destructive and non¬destructive methods, enabling evaluation of mechanical properties in miniature samples. The study aimed to assess degradation of boiler steels (10H2M, 13HMF, 15HM) and to automate result interpretation using machine learning. Experimental SPT and UTT tests were statistically analyzed, forming databases for training neural networks. Among the developed models, the convolutional neural network (CNN) achieved the best accuracy, with mean errors of 2.9% for yield strength and 0.9% for ultimate tensile strength. Results confirmed SPT’s capability to identify local variations in material properties and its potential as an alternative for mechanical characterization. The proposed automated workflow and predictive algorithm advance the practical use of SPT and create a basis for future research on additional steel grades and classifiers.