ИСТИНА

Для уменьшения затрат времени и вычислительных ресурсов на определение устойчивых кластеров импульсов акустической эмиссии (АЭ) представляется актуальным применение методов машинного обучения (ML). В данном исследовании были использованы методы ML с учителем и без. Конкретные методы выбирались с учетом возможного наличия артефактов в данных, связанных с особенностями измерения. Для обучения с учителем использовалась классификация методом дерева решений и их ансамблем с использованием алгоритма адаптивного бустинга (AdaBoost). Для обучения без учителя была использована иерархическая агломеративная кластеризация по метрике Уорда. Методами ML удается уверенно выделить все импульсы одной из групп на основе параметров волновых форм событий АЭ, что позволяет заключить, что этот кластер может быть действительно связан с развитием трещины, в то время как остальные могут относиться к группе помех.