Resumo:
A inspeção não-destrutiva por ultrassom é empregada no ramo ferroviário para inspecionar in loco as hastes e engates que ligam vagões entre si, a fim de detectar trincas críticas na composição durante manutenção preditiva. O ensaio requer cuidado pois não são detectadas somente trincas, mas também descontinuidades da natureza da peça. Ainda, uma oficina pode conter múltiplos inspetores, fator que introduz subjetividade ao processo. Uma Rede Neural Artificial pode auxiliar na identificação das descontinuidades críticas, dado um treinamento baseado em análises anteriores. O objetivo deste estudo foi elaborar um modelo programado em Python capaz de prever, por imagens obtidas pelo equipamento de ultrassom, a presença ou não de trincas críticas nos relatórios. A partir do processamento de 1222 imagens registradas pelo aparelho Phasor XS (General Electric), elaborou-se um banco de dados contendo valores de intensidade para cada relatório (variáveis de entrada), e valores binários relacionados a existência ou não de trincas críticas (variável de saída). Os dados registrados foram inseridos em uma rede perceptron de múltiplas camadas, de configuração 20-36-1 e ativações logísticas. Resultados parciais apontam um percentual de predições corretas de 97%, compatível com estudos similares, e métricas de suporte que validam o aprendizado do modelo.