Реферат: Решение обратной задачи вихретокового контроля

Содержание

1. Техническое задание

Разработать алгоритм решения обратной задачи вихретокового контроля (ВТК). Объектом контроля (ОК) являются проводящие немагнитные листы. Объекты контроля подвергаются термообработке (закалка, отпуск) или насыщению внешних слоев различными веществами, что приводит к изменению механических, а вследствие этого и электромагнитных свойств материала листа по глубине.

Задача заключается в определении, в рамках допустимой погрешности, зависимости электропроводности (ЭП) от глубины s(Н) в ОК для данного состояния. Метод контроля заключается в измерении определенного количества комплексных значений вносимой ЭДС на различных частотах с помощью накладного вихретокового преобразователя (НВТП).

Необходимо выбрать математическую модель задачи, способ аппроксимации искомого решения, рассмотреть алгоритм решения.

Используя программную реализацию, исследовать поведение погрешности аппроксимации зависимости s(Н) от следующих факторов:

1. От величины приборной погрешности измерения ЭДС

2. От вида зависимости электропроводности от глубины s(Н)

3. От параметров аппроксимации решения

4. От диапазона частот возбуждения ВТП

2. Анализ технического задания.

Основная задача вихретокового контроля с помощью накладных преобразователей состоит из двух подзадач:

• Прямой задачи расчета вносимой ЭДС в присутствии немагнитного проводящего листа с произвольной зависимостью ЭП по глубине.

• Обратной задачи нахождения зависимости ЭП как функции глубины в немагнитном проводящем листе по результатам измерений определенного количества комплексных значений вносимой ЭДС.

2.1 Прямая задача ВТК

Полагая зависимость ЭП от глубины известной проведем ее кусочно-постоянную аппроксимацию. Это позволяет свести исходную задачу к расчету ЭДС в многослойном листе, в каждом слое которого ЭП принимает постоянное значение.

Как показано в работе [50], подобная модель вполне адекватно описывает задачу и дает отличное согласование с результатами опытов.

Рекуррентные формулы для произвольного количества слоев хорошо известны [1-5,36, 42,43,50-52]. Таким образом решение прямой задачи в рамках принятой модели затруднений не вызывает.

2.2 Обратная задача ВТК

С математической точки зрения обратная задача ВТК относится к классу некорректных задач[49] и ее решение неустойчиво т.е. при сколь угодно малой погрешности исходных данных( набора измеренных вносимых ЭДС ) погрешность решения ( рассчитанных локальных значений ЭП ) может быть сколь угодно большой, а одному набору измерений может отвечать много (формально бесконечно много) распределений ЭП по глубине.

При попытке расчета некорректной задачи как корректной, вычислительный процесс за счет неустойчивости сваливается в заведомо худшую сторону. В нашем случае это означает получение распределения ЭП, которое, хотя и обеспечивает требуемое совпадение измеренной и вычисленной ЭДС, но является явно нереальным из-за осцилляций. Следует отметить, что амплитуда и частота осцилляций распределения ЭП растут при увеличении числа независимых параметров аппроксимации ЭП ( коэффициентов полинома в случае полиномиальной аппроксимации, количества узлов при сплайн-аппроксимации и т.д.).

При наличии погрешности измерения вносимой ЭДС, превышающей на несколько порядков вычислительную погрешность и на практике составляющей не менее (0.5-1)% от измеряемого сигнала, ситуация значительно осложняется.

Учитывая вышеизложенное для выделения из множества допустимых распределений решения, наиболее удовлетворяющего физической реальности, в алгоритмах решения обратной задачи необходимо использовать дополнительную априорную информацию. На практике это реализуется введением некоторых критериев, позволяющих отличить решение, отвечающее практике, от физически нереального.

Для решения обратной задачи ВТК предлагались три возможные стратегии[46]:

1. Решение большого числа прямых задач и табуляция результатов для различных моделей. Измеренные данные с помощью некоторых критериев сравниваются с таблицей. Подход очень экстенсивный и требующий проведения избыточного числа расчетов, поэтому на практике встречающийся редко.

2. Условная минимизация невязки измеренных и расчитанных данных. Очень мощный и универсальный метод, широко распространен для решения обратных задач в различных областях техники [41,44,49]. Позволяет восстанавливать произвольное распределение ЭП по глубине (вообще говоря произвольное 3D распределение), но требуется довольно сложная процедура расчета.

3. Аналитическое инвертирование ядра оператора и использование алгоритма, зависящего от ядра уравнения[46]. Потенциально самый малозатратный метод, однако как и все аналитические, применим далеко не всегда.

В нашем случае остановимся на втором подходе, поскольку он сочетает в себе универсальность, точность и относительную простоту реализации.

В целом процесс решения обратной задачи сводится к итерационному решению прямой задачи для текущей оценки распределения ЭП и внесению изменений в эту оценку в соответствии с величиной невязки.

2.3 Модель задачи

Приведем основные положения, на основе которых будет построена модель нашей задачи:

• ОК представляет из себя находящуюся в воздухе проводящую пластину толщиной Н состоящую из N плоско-параллельных слоев толщиной b_i.

• В пределах каждого слоя удельная электропроводность s имеет постоянное значение т.е. распределение s по глубине аппроксимируется кусочно-постоянной зависимостью.

• Возбуждающая и измерительная обмотки ВТП заменяются нитевидными моделями. Следует отметить, что это предположение сказывается лишь на решении прямой задачи, а проведя интегрирование можно получить выражения для катушек конечных размеров.

• Для численного моделирования реальных распределений ЭП применим пять типов аппроксимации: сплайном, кусочно-постоянную, кусочно-линейную, экспоненциальную и гиперболическим тангенсом. В процессе решения прямой задачи с их помощью вычисляются значения s в центральных точках слоев пластины.

2.4 Анализ литературы

2.4.1 Зарубежные методы решения

Решению обратной задачи ВТК посвящен ряд работ в зарубежных изданиях. Следует отметить монографию [38], в которой рассмотрены случаи импульсного возбуждения, а оперируют в частотной и временной областях напряженностью электрического поля.

Подход к решению квазистационарных задач рассмотрен в цикле статей [45-51]. Он основан на интегральной постановке задачи с помощью функций Грина[31-34,39]. Для иллюстрации рассмотрим решение обратной задачи ВТК согласно [49].

А. Прямая задача

Определим функцию v(r)=( s(r) - s₀ )/s₀ , где s(r) - произвольное распределение проводимости, а s₀ - ее базовая величина. Функция v(r) может представлять собой как описание произвольного распределения проводимости (в этом случае для удобства полагаем s(r)=s₀ вне некоторого ОК объема V, тогда v(r) отлична от нуля только в пределах V ) так и некоторого дефекта (для трещины v(r)=-1 внутри дефекта и равна нулю вне его).

Рассмотрим систему уравнений Максвелла в предположении гармонического возбуждения exp(-jwt) и пренебрегая токами смещения:

( 2.4.1)

где P(r)=[ s(r)-s₀ ]ЧE(r)=s₀ Ч v(r)ЧE(r) - может интерпретироваться как плотность диполей эффективного тока, причиной которого является вариация s(r)-s₀.

Решение уравнений Максвелла можно представить в виде

( 2.4.2)

где Eⁱ(r) - возбуждающее поле, а G(r|r’) - функция Грина, удовлетворяющая уравнениюСґСґ G(r|r’)+k²Ч G(r|r’)=d(r-r’) , k²=-jЧwЧm₀ Чs₀ , d(r-r’) - трехмерная дельта-функция.

Импеданс ВТП можно выразить как

( 2.4.3)

где интеграл берется по измерительной катушке, J(r) - плотность тока в возбуждающей катушке. Применяя теорему взаимности импеданс можно представить через возбуждающее поле:

( 2.4.4)

где интеграл берется по объему ОК.

В. Обратная задача

Пусть v(r) - оценка истинной функции v_true(r), Z_obs(m) - измеренный импеданс ВТП в точке r₀ на частоте возбуждения w , m=(r₀ ,w) - вектор в некоторой области определения M , Z[m,v] - оценка величины Z_obs(m) на основе решения прямой задачи.

Определим функционал невязки измеренных и рассчитанных значений импеданса ВТП как :

( 2.4.5)

Предположим, что для решения обратной задачи используется итерационный алгоритм типа метода спуска: vⁿ(r)= v^n-1(r)+a sⁿ(r). Можно показать, что в случае метода наискорейшего спуска итерация имеет вид: vⁿ(r)= v^n-1(r)-aЧСF[ v^n-1(r) ], где градиент функционала СF[v] можно определить как :

( 2.4.6)

где Re обозначает вещественную часть, * обозначает комплексную сопряженность.

Требуемый в (2.4.6) градиент импеданса можно определить как:

СZ(r) = -s0ЧE(r)ЧE*(r)

( 2.4.7)

где E^*(r) - решение уравнения

( 2.4.8)

С. Аппроксимация при решении обратной задачи

Пусть электропроводность моделируется с помощью конечного числа переменных (например узловых значений некоторой аппроксимации), а вектор р состоит из этих переменных. Тогда выражение (2.4.7) принимает вид:

( 2.4.9)

где (СZ)_j - j-ая компонента градиента импеданса.

Значение j-ой компоненты градиента невязки (2.4.6) можно представить как:

( 2.4.10)

Следует обратить внимание на то, что в случае дискретного пространства М (конечное число измерений) интеграл в (2.4.10) заменяется суммой.

С учетом приведенных преобразований итерация метода наискорейшего спуска принимает вид:

pjn = pjn-1 - aЧ(СFn-1)j

( 2.4.11)

где n - номер итерации.

D. Пример применения

В качестве примера рассмотрим функцию v(r) в виде v(r)=Sc_iЧf_i(r), i=1,N , где f_i(r) - множество линейно независимых базовых функций с коэффициентами c_i. Рассматривая коэффициенты c_i в роли параметров аппроксимации (c_i=p_i ) получим из (2.4.9) для компонентов градиента импеданса:

( 2.4.12)

В случае проводящего ОК, состоящего из N параллельных слоев с проводимостью s_j распределение электропроводности по глубине можно представить с помощью функций Хевисайда H(z) как s(z)=S s_jЧ[ H( z-z_j ) - H( z-z_j+1 ) ].

Подставляя в (2.4.12) базовые функции вида f_i(z)=[H( z-z_j )-H( z-z_j+1 )], получим окончательное выражение:

( 2.4.13)

Отметим основное преимущество такого решения. Несмотря на определенную сложность вычислений при решении интегральных уравнений (2.4.2-2.4.8) для расчета градиента импеданса НВТП необходимо решить только две такие задачи.

2.4.2 Отечественные методы решения

Подход, в значительной мере аналогичный работам [45-51] был предложен в работе [41]. Из-за небольшого объема в ней уделено недостсточное внимание вопросам практической реализации, объяснены не все обозначения и не приведены результаты численного моделирования. В целом это значительно снижает практическую ценность статьи. Приведем основные положения этой работы.

Прямая задача

Пусть круговой виток радиусом а с током I находится в точке P=P_s(r,j,z), jО(-p,p) вблизи немагнитного ОК, занимающего область V. Пусть ОК обладает электрической проводимостью s=s₀Чs(Р) являющейся произвольной функцией координат. Требуется по N измерениям величины э.д.с. определить s как функцию координат точек PОV. Причем i-ое измерение э.д.с. будем проводить на i-ом измерительном круговом витке с координатами P_i=P_i(r,j,z) i=1,N при неизменных частоте и расположении возбуждающего витка.

В общем случае напряженность электрического поля Е определяется через векторный магнитный потенциал А, причем А = А₀ + А_вн, где А₀ - возбуждающий, а А_вн - вносимый потенциалы.

(2.4.14)

Вводя функцию Грина G(p,p₀) получим

(2.4.15)

При этом вносимая напряженность электрического поля

Eвн = -jЧwЧAвн

(2.4.16)

Вносимая э.д.с., наводимая в i-ом витке

(2.4.17)

где функция Грина G(P,P₀) имеет вид

(2.4.18)

В дальнейшем рассмотрим случай, при котором V-полупространство (r>0,\j\<p,z<0) с электрической проводимостью s=s₀Чs(Р), где s(Р) - произвольная функция координаты z. В этом случае выражение (2.4.17) примет вид

(2.4.19)

где k²=jwm₀s₀ .

Для напряженности электрического поля Е(Р) справедливо представление

(2.4.20)

где Е⁰(р) - возбуждающее поле витка.

После проведения серии из N измерений величины e_вн выражение (2.4.19) дает связь между вносимыми ЭДС e_i и s(z)E(r,z). Чтобы определить непосредственно s=s(z), находим E(r,z) при известной функции s(z)E(r,z) из (2.4.20), после чего исключаем E(r,z) из известного.

Обозначим x(p)=-k²s(z)E(r,z), а измеряемую совокупность ЭДС через Fi. Тогда (2.4.19) можно записать в операторной форме как

F = Px + d

(2.4.21)

где d - погрешность измерения.

Обратная задача

Построим функционал Ф(х)=||F-Px||²+a||x-x₀||², где х₀ - некоторое известное ІблизкоеІ к искомому распределение, удовлетворяющее F₀=Px₀. Образуем вариацию функционала Ф(х), используя определение сопряженного оператора (Px,y)=(x,P*y). Для нахождения минимума Ф(х) приравняем его вариацию dФ нулю.

Вводя вспомогательную функцию u=x-x₀ и учитывая F₀=Px₀ проведем ряд преобразований. Искомое распределение s(z) можно найти из равенства

(2.4.22)

где напряженность электрического поля в точке р для известного распределения s(z) имеет вид

	(2.4.23)
	(2.4.24)

Система алгебраических уравнений для определения коэффициентов С_i имеет вид

	(2.4.25)
, j=1,N	(2.4.26)

3. Прямая задача ВТК для НВТП

3.1 Уравнение Гельмгольца для векторного потенциала

Взаимодействие преобразователя с объектом контроля определяется системой уравнений Максвелла в дифференциальной форме[6] :

(3.1)

где

H	- вектор напряженности магнитного поля
E	- вектор напряженности электрического поля
B	- вектор магнитной индукции
	- вектор плотности полного тока
	- вектор плотности токов проводимости
s	- удельная электрическая проводимость
	- вектор плотности токов смещения
D	- вектор электрического смещения
	- вектор плотности токов переноса
u	- вектор скорости переноса
jстор	- вектор плотности сторонних токов

Дополним систему (3.1) уравнениями связи:

B = m Ч m0 Ч H	(3.2)
B = rot A	(3.3)

где

m0 = 4ЧpЧ10-7	- магнитная постоянная
m	- относительная магнитная проницаемость
A	- векторный потенциал магнитного поля

Преобразуем систему уравнений (3.1) с учетом следующих предположений[4] :

• ОК неподвижен относительно электромагнитного поля т.е. jпер = 0

• среда изотропна и ее параметры не зависят от напряженностей полей

• воздействия синусоидальны

• последовательность дифференцирования по времени и пространственным координатам можно изменять, а операция дифференцирования линейна

(3.4.1) (3.4.2)

Поскольку ротор градиента любого скаляра тождественно равен нулю, величину в скобках выражения (3.4.2) можно приравнять градиенту некоторого скаляра y , например скалярного потенциала электрического поля :

(3.5)

Заменяя векторы напряженности магнитного и электрического поля в (3.4.1) через векторный потенциал магнитного поля получаем :

grad div A - DA = -m Чm 0 Ч ( s + jЧwЧeЧe0 ) Ч ( grady + jЧwЧA ) + m Чm 0 Чjстор

(3.6)

Откуда после очевидных преобразований следует:

(3.7)

где

k2 = w2 Ч m Ч m 0 Ч e Ч e0 - j Ч w Ч m Ч m 0 Ч s

(3.8)

Поскольку векторный потенциал магнитного поля задан с точностью до градиента некоторого скаляра, а потенциал y с точностью до постоянной величины, имеется возможность положить значение величины в квадратных скобках выражения (3.7) равное нулю (так называемая калибровка Лоренца). В результате получаем уравнение Гельмгольца для векторного потенциала магнитного поля :

(3.9)

В дальнейших рассуждениях используем следующие предположения :

• Поле НВТП квазистационарно в том смысле, что волновыми процессами в воздухе можно пренебречь. Это вполне оправдано т.к. размеры НВТП и ОК обычно много меньше длины волны в воздухе, а потери на излучение по сравнению с потерями в ОК малы.

• В проводящем теле будем рассматривать только волновые процессы, обусловленные наличием параметров s и m т.е. токами смещения( пропорциональными wЧeЧe0 ) как и в воздухе пренебрегаем. Легко показать, что это предположение справедливо не только для металлов, но и для полупроводниковых материалов с удельным сопротивлением r до 50[ОмЧсм]. В этом случае выражение (3.8) принимает вид : .

3.2 Поле витка над многослойной средой

Введем цилиндрическую систему координат ( r,j, z ). Пусть : - ток, протекающий по нитевидной возбуждающей обмотке с радиусом R1, находящейся на расстоянии h от N-слойной среды jстор = I Ч d( z - h ) Ч d(r - R1) Отметим, что в силу осевой симметрии системы

В цилиндрической системе координат выражение (3.9) имеет следующий вид :

(3.10)

Применяя к (3.10) преобразование Фурье-Бесселя с ядром в виде функции Бесселя первого порядка имеющее вид : получаем

(3.11)

Так как на поверхностях раздела слоев ОК должна сохранятся непрерывность тангенциальных составляющих векторов напряженностей магнитного и электрического поля, дополняем уравнение (3.11) граничными условиями на поверхностях слоев ОК( граничные условия одинаковы для А и А* ) :

	(3.12)
	(3.13)

Решив уравнение (3.11) с учетом граничных условий (3.12-3.13) и применяя к решению обратное преобразование Фурье-Бесселя имеющее вид : получаем для полупространства над ОК

где j=j( l , m , s ) - функция граничных условий.

3.3 Воздействие проводящего ОК на НВТП

Для большинства инженерных расчетов можно использовать нитевидную модель обмоток НВТП использованную в (п 3.2). При данном упрощении получаем :

	- напряженность электрического поля	(3.15)
	- ЭДС наводимая в измерительной обмотке с радиусом R2 и числом витков w2	(3.16)

Анализируя формулу (3.14) можно заметить, что первый интеграл представляет собой векторный потенциал создаваемый возбуждающей обмоткой, а второй интеграл - векторный потенциал вносимый ОК. В практике ВТК обычно анализируются вносимые параметры НВТП (напряжение, импеданс) поэтому получим выражение для вычисления вносимого напряжение кругового трансформаторного накладного ВТП используя (3.15-3.16):

(3.17)

Подставляя выражение для вносимого векторного потенциала (3.14) в уравнение (3.17) окончательно получаем :

(3.18)

где

w = 2ЧpЧf	- круговая частота тока возбуждения I
m0	- магнитная постоянная
wи , wв	- числа витков измерительной и возбуждающей обмоток НВТП
R = Ц(RиЧRв)	- эквивалентный радиус НВТП
Kr = Ц(Rв/Rи)	- параметр НВТП
x	- переменная интегрирования
h* = (hи + hв)/2	- обобщенный зазор
J1	- функция Бесселя 1 рода 1 порядка
jm	- функция граничных условий

Функция граничных условий для m-слойного ОК с плоскопараллельными слоями может быть вычислена по рекуррентной формуле[2]:

где

	(3.20)
	(3.21)
	(3.22)

th(z)	- гиперболический тангенс
mm	- относительная магнитная проницаемость m-го слоя
bm* = 2Чtm / R	- относительная толщина m-го слоя
tm	- толщина m-го слоя
qm	- обобщенный параметр m-го слоя
j1	- функция граничных условий для нижнего полубесконечного слоя, для воздуха ( m = 1 , e = 1 , s = 0 ) j1 = 0

При анализе годографов для удобства используют нормированные зависимости. Для НВТП нормировку производят по модулю максимального вносимого напряжения, которое соответствует идеально проводящему ОК и вычисляется при j_м = -1:

(3.23)

Такая нормировка обобщает полученные результаты, расширяет область их применения и делает их однозначными.

Отметим, что для получения часто используемого в ВТК значения импеданса НВТП достаточно разделить правую часть (3.18) на величину тока возбуждения I.

4. Обратная задача ВТК для НВТП

Решение обратной задачи ВТК состоит в нахождении зависимости s(h) распределения электропроводности по глубине пластины используя набор из N измеренных с помощью НВТП вносимых напряжений. Математически обратную задачу можно представить интегральным уравнением

(4.1)

Поскольку явного метода решения уравнения (4.1) не существует, применим к нему метод квазирешения (п5.3.2). В постановке для локального в смысле Чебышева критерия получим корректную задачу минимизации функционала невязки:

, i=1,N

(4.2)

Учет априорной информации в обратной задачи ВТК удобно проводить в виде интервала [ s_min , s_max ], которому могут принадлежать значения электропроводности. В этом случае можно рассматривать задачу (4.2) как задачу нелинейного программирования вида:

(4.3)

Заметим, что поскольку ограничения в задаче (4.3) являются линейными, разумным представляется применение метода условного градиента (п6.2.1). Рассмотрим процесс решения системы (4.3) в предположении, что электропроводность аппроксимируется по узловым значениям s_j , j=1,M.

(4.4)

Линеаризуем функционал Ф в окрестности исследуемой точки s⁰ разложив его в ряд Тейлора с использованием только первых производных.

(4.5)

Пусть y = maxФ_i’ = Ф_p’ і 0. В этом случае мы можем свести задачу (4.4) к эквивалентной задаче линейного программирования, состоящей в условной минимизации функции y. Рассмотрим процесс приведения задачи линейного программирования к каноническому виду.

Раскрывая модуль в (4.5) получаем систему уравнений

(4.6)

Рассмотрим выражение под модулем в (4.5) и введем некоторые обозначения

(4.7) (4.8) (4.9) (4.10)

С учетом системы (4.8 - 4.10) постановка задачи (4.4) принимает вид

(4.11)

Раскрывая скобки в (4.11) и исключая y из первых 2N неравенств кроме р-го получаем систему неравенств

(4.12)

Приведем систему неравенств (4.12) к каноническому виду (6.1). Для этого, в соответствии со стандартным подходом, запишем все неравенства в виде равенств, добавляя в левые части неравенств неотрицательные переменные v.

(4.13)

В матричном виде полученная система имеет вид Ax = b (4.14), где искомый вектор-столбец из 2(N+M)+1 элементов имеет вид x = ( y , z₁ , ... , z_M , v₁ , ... , v_2N+M)^T. В системе линейных алгебраических уравнений (4.13) параметр минимизации y определен строкой с номером p, которую в дальнейшем будем называть базовой.

Рассмотрим алгоритм симплексного метода для решения задачи (4.14):

1. Выбор начального базиса - допустимого решения (4.14). В нашем случае базис должен состоять из 2N+M переменных. Удобно задать начальный базис, присвоив дополнительным переменным v_i значения правых частей b_i тех строк, в которых коэффициент матрицы A при них равен 1. Начальное значение параметра минимизации y равно значению правой части базовой строки. Все остальные компоненты искомого вектора х принимаются равными нулю.

2. Определение переменной, которая должна войти в очередной пробный базис. Для этого проводится анализ базовой строки p матрицы A. Из всех положительных элементов строки p, не являющихся коэффициентами при базисных переменных , выбирается элемент с наибольшим значением. Переменная, у которой этот элемент является коэффициентом, должен войти в очередной пробный базис, т.е. за новую базисную переменную принимается та, которая имеет наибольший вес в функции y. Если в базовой строке p нет небазисных переменных с положительными коэффициентами, то в силу не отрицательности элементов х следует сделать вывод, что оптимальному решению, т.е. минимуму y соответствует выбранный ранее базис. Вычисления завершаются также и при запрете изменения переменных по ограничениям.

3. Определение максимальной допустимой величины новой базисной переменной, не выходящей за пределы имеющихся ограничений. Вычисляются отношения значений правых частей (4.14) к соответствующим значениям коэффициентов при новой базисной переменной во всех строках, кроме базовой. При этом не рассматриваются отношения, в которых знаменатель равен нулю или отрицателен, т.е. при положительной правой части подобные случаи соответствуют бесконечным значениям переменных. Определяется номер строки q, где это отношение наименьшее. Новой базисной переменной присваивается значение отношения в строке q. Переменная, входившая в прежний базис и определявшаяся строкой q, исключается из базиса и приравнивается нулю. Если во всех строках, кроме базовой, коэффициенты при новой переменной равны нулю или отрицательны, то в силу не отрицательности элементов х и ограничения базиса (2N+M) переменными, следует признать, что эта переменная не может на данном шаге вычислений войти в базис. В этом случае необходимо вернуться к пункту 2, не рассматривая запрещенную переменную.

4. Преобразование системы (4.14) таким образом, чтобы в строке q коэффициент при вновь введенном параметре был равен 1, а в остальных строках - 0. Это достигается путем линейных преобразований равенств, входящих в (4.14). Т.к. коэффициенты при параметрах, входящих в новое пробное базисное решение, становятся равными 1 и в каждую строку входит только один базисный параметр, то значение нового базиса определяется правой частью уравнений. Далее следует возврат к пункту 2.

Решая систему (4.14) находим вектор s_min , соответствующий текущему решению задачи(4.13). Возвращаясь к методу условного градиента отметим, что направление спуска определяется как -s_n=s_min - s⁰ , а очередное итерационное решение задачи (4.3) определяется выражением sⁿ⁺¹=sⁿ - aЧ s_n. Для получения окончательного результата требуется определить оптимальную величину шага a в направлении s_n , что можно осуществить путем одномерной минимизации функции s(a)=sⁿ - aЧ s_n методом золотого сечения.

5. Некорректные задачи

5.1 Основные понятия. Корректность по Адамару

В самом общем виде большинство обратных задач может быть представлено в виде операторного уравнения

A · x = f , xО X , fО F

( 5.1 )

где А - оператор, определенный на непустом множестве некоторого метрического пространства Х с метрикой r_X и действующий в метрическое пространство F с метрикой r_F, а по заданному элементу f требуется определить решение х [10-14].

Введем в пространстве X норму || x ||=Цеx_i² и в пространстве F норму || f ||=Цеf_j². Заметим, что метрики r в соответствующих пространствах будут иметь вид r(x,y)=\\x-y \\.

В нашем случае обозначения в (5.1) имеют следующий смысл:

А є		- оператор, согласно которому вычисляется величина относительного напряжения, вносимого пластиной с электрической проводимостью s( h )
х є	s( h )	- электрическая проводимость пластины как функция глубины
f є	U*вн	- величина относительного вносимого напряжения НВТП

Согласно классического определения задача (5.1) называется корректной по Адамару если при любой фиксированной правой части ее решение:

• существует в Х

• единственно в Х

• непрерывно зависит от f

В реальных условиях правая часть (5.1) известна всегда с некоторой погрешностью, т.е. f = f0 + df , причем обычно f0 принадлежит пространству гладких функций, а погрешность df выводит ее из этого класса. Вследствие этого получаем постановку задачи, для решения которой невозможно применение обычных методов решения корректных задач, т.к. любой фиксированной правой части (5.1) соответствует бесконечное множество наборов исходных данных т.е. возможных распределений ЭП по глубине пластины.

5.2 Корректность по Тихонову

Задача (5.1) называется корректной по Тихонову на множестве корректности М М X если:

• точное решение задачи существует и принадлежит М

• принадлежащее М решение единственно для любой правой части

• принадлежащее М решение непрерывно относительно правой части

В данном подходе к вопросу корректности существование решения и его принадлежность некоторому множеству не доказывается, а постулируется в самой постановке задачи.

Физически гипотеза о принадлежности искомого решения определенному множеству корректности может интерпретироваться для нашей задачи предположениями:

1. Исследуемая среда устроена не слишком сложно, т.е. ее физические характеристики(s,m) являются достаточно гладкими функциями( т.е. их можно моделировать с помощью аппроксимаций типа кусочно-постоянной, кусочно-линейной и т.п.). Предположение основывается на физическом смысле поверхностной обработки.

2. Значения функций находятся во вполне определенных пределах( для s(h) истинность данного предположение не вызывает сомнения ).

5.3 Вариационные методы решения некорректных задач

Вариационные методы решения некорректных задач являются наиболее универсальными из известных способов решения. Практически любая некорректная задача, для которой разработан какой-либо метод решения, может быть решена также и вариационным способом[15].

Для выбора подходящего метода решения обратной задачи рассмотрим постановки наиболее распространенных вариационных методов в терминах вычислительной математики и нашей задачи.

Пусть фиксированный набор данных состоит из измеренных на N частотах N комплексных значений вносимой ЭДС Uiизм, текущее рассчитанное значение которых Ui( s ). Требуется определить для выбранного типа аппроксимации ЭП значения М параметров аппроксимации ( обычно используются узловые значения ).

5.3.1 Метод регуляризации

Метод основан на стабилизации невязки r(Ax,f) при помощи вспомогательного неотрицательного функционала W(x). Идея метода состоит в том, чтобы минимизировать обладающий сглаживающими свойставами функционал Ф(x,f), имеющий следующий вид:

, параметр регуляризации a > 0

(5.2)

Используя классический регуляризирующий функционал вида в терминах нашей задачи получаем:

(5.3)

Основное преимущество метода состоит в регуляризации простейшим способом, в рамках использования квадратичного функционала. Это позволяет использовать для решения некорректной задачи хорошо известные и легко программируемые методы минимизации квадратичных функционалов [17].

Оборотной стороной достоинств метода являются его недостатки. Требование минимизации нормы решения и, как следствие, выбор гладкой реализации, в нашем случае будет приходить в противоречие с физикой задачи и в принципе не позволит находить решения с выраженным приповерхностным изменением ЭП.

Еще один принципиальный недостаток метода состоит в постановке функционала как квадратичного, единого для всех измерений. Его минимум в общем случае не гарантирует минимизацию отклонения для произвольного i-го измерения в следствии нелокальности условия минимизации.

Кроме того, следует учитывать отсутствие надежных априорных рекомендаций по выбору параметра регуляризации a. Обычно подходящие значения a можно подобрать только после ряда численных экспериментов по решению однотипных задач. Изменение характера искомого решения приводит к необходимости поиска нового значения a.

5.3.2 Метод квазирешений

Метод использует одну из форм критерия невязки и заключается в сведении невязки к минимуму на некотором непустом множестве P, содержащем подмножество искомых решений.

Квазирешением уравнения (5.1) на множестве PМX называется всякий элемент yОP для которого справедливо равенство r_F( Ay , f ) = inf( Ax , f ), xОP. Понятие квазирешения обобщает понятие решения, а для его существования не требуется принадлежность решения множеству P.

Исходя из вышеизложенного получаем постановку метода в виде задачи условной минимизации функционала Ф(x,f):

(5.4)

Отметим, что множество Р может иметь простой вид, например интервала [ x_min , x_max ].

В терминах нашей задачи ВТК постановка задачи (5.4) примет вид:

(5.5)

Для того, чтобы гарантировать минимизацию отклонения для произвольного i-го измерения, можно применить к первому выражению в (5.5) локальный в смысле Чебышева критерий, в соответствии с которым получаем окончательное выражение :

(5.6)

Основное преимущество метода состоит в том, что само понятие квазирешения снимает трудности с требованиями тихоновской корректности: первым (вызывающим переопределенность задачи) и третьим (обычно принадлежность приближенной правой части уравнения (5.1) множеству N=AM неизвестна, а критерии этой принадлежности часто сами бывают неустойчивы).

Кроме этого при рассмотрении задачи в виде (5.6) возможна постановка минимизационной задачи как задачи нелинейного программирования с явно заданными ограничениями на искомые переменные. В этом случае нет необходимости искажать исходный функционал регуляризующими членами как в (п5.3.1), а требования к искомому решению можно удовлетворить, управляя ограничениями на параметры минимизации (в нашем случае - узловые значения ЭП).

5.3.3 Метод невязки

Рассмотрим множество Р формальных решений уравнения (5.1) Р={x : r_F( Ax , f_d ) Ј d}, где f_d - приближенная правая часть (5.1), известная с погрешностью d.

В качестве приближенного решения (5.1) нельзя брать произвольный элемент множества Р, т.к. не гарантируется близость Р к множеству точных решений. Для выбора приближенного решения предлагается использовать стабилизирующий функционал W(х) из (п 5.3.1) следующим образом: W( х ) = inf W( х ), xОP. Этот способ приводит к выбору элементов множества Р имеющих минимально допустимую невязку.

С учетом этого постановка метода состоит в условной минимизации функционала Ф(х):

(5.7)

Как и для метода регуляризации можно использовать стабилизирующий функционал вида W(х)=||x||² , что приводит в обозначениях нашей задачи к системе:

(5.8)

При использовании локального в смысле Чебышева критерия система (5.8) окончательно примет вид:

(5.9)

6. Нелинейное программирование

Содержание нелинейного программирования составляют теория и методы решения задач о нахождении экстремумов нелинейных функций на множествах, определяемых линейными и нелинейными ограничениями (равенствами и неравенствами)[16-29].

Рассмотрим наиболее распространенные методы решения на примере основной задачи нелинейного программирования вида:

(6.1)

6.1 Метод штрафных функций

Идея метода состоит в замене экстремальной задачи с ограничениями (6.1) на задачу безусловной минимизации однопараметрической функции

, b>0

(6.2)

Непрерывную функцию y(х) называют штрафом, если y(х)=0 для хО Х и y(х)>0 в противном случае. Функция y(х) должна быть выбрана таким образом, чтобы решение задачи (6.2) сходилось при b®0 к решению исходной задачи (6.1) или, по крайней мере, стремилось к нему.

Приведем часто используемые выражения для штрафа :

, k>0	(6.3)
	(6.4)
	(6.5)

Наибольшее применение находит штраф (6.3). Выражение (6.5) гарантирует конечность метода при любом k>0.

При численной реализации метода штрафных функций возникают проблемы выбора начального значения параметра b и способа его изменения. Сложность состоит в том, что выбор достаточно малого b увеличивает вероятность сходимости решения (6.2) к решению (6.1), а скорость сходимости градиентных методов вычисления точек минимума (6.2), как правило, падает с убыванием величины b .

6.2 Релаксационные методы

Релаксационным методом называют процесс построения последовательности точек {х_k: х_k О X , j( х_k+1 ) Ј j( х_k ) ; k=0,1... }. Основными представителями этого класса являются методы спуска, алгоритм которых состоит из следующих шагов :

1. Выбор начального приближения х₀

2. Выбор в точке х_k направления спуска -s_k

3. Нахождение очередного приближения х_k+1 = х_k - a_kЧs_k , где длина шага a_k>0

Различия методов состоят в выборе либо направления спуска, либо способа движения вдоль выбранного направления. В последнем случае обычно используют одномерную минимизацию функции х_k+1(a) = х_k - aЧs_k (при этом точность вычисления точки минимума функции х_k+1(a) следует согласовывать с точностью вычисления значений функции j(х)) или способ удвоения a(величина шага удваивается пока выполняется условие j(х_k+1) Ј j(х_k) ).

6.2.1 Метод условного градиента

Идея метода заключается в линеаризации нелинейной функции j(х). В этом методе выбор направления спуска осуществляется следующим образом :

1. Линеаризируя функцию j(х) в точке х_К получаем Ф(х)= j( х_k ) + ( j( х_k )’ , х - х_k )

2. Минимизируя линейную функцию Ф(х) на множестве Х находим х_min

3. Направление спуска получаем как -s_k = х_min - х_k

Таким образом итерация метода имеет вид: x_k+1=x_k+a_kЧ(s_k+1 - x_k) , s_k+1=arg min(Сf(x_k),x).

Основное преимущество метода проявляется в случае задания допустимого множества с помощью линейных ограничений. В этом случае получаем задачу линейного программирования, решаемую стандартными методами(например симплексным).

6.2.2 Метод проекции градиента

Этот метод является аналогом метода градиентного спуска, используемого в задачах без ограничений. Его идея состоит в проектировании точек, найденных методом наискорейшего спуска, на допустимое множество, определяемое ограничениями. Проекцией точки y на множество Х называется точка P(y)ОХ такая, что || P(y) - y || Ј || x - y || для всех хОХ. Задача проектирования формализуется как || x - y ||²® min, xОХ.

Выбор направления спуска осуществляется следующим образом :

1. Находим точку r_k = х_k - aЧ j’( х_k )

2. Находим проекцию p_k точки r_k на множество Х

3. Направление спуска получаем как -s_k = p_k - х_k

Таким образом итерация метода имеет вид: x_k+1=P_X[ x_k - a_kЧСf( x_k ) ], где Р_X(у) - ортогональная проекция точки у на множество Х.

Для отыскания направления спуска s_k необходимо решить задачу минимизации квадратичной функции || r_k - х ||² на множестве Х. В общем случае эта задача того же порядка сложности, что и исходная, однако для задач, допустимое множество которых имеет простую геометрическую структуру, отыскание проекции значительно упрщается. Например, для многомерного параллелепипида Q_N={xОR_N : a Ј x Ј b }, отыскание проекции осуществляется путем сравнения n чисел и имеет вид P(x)={ a_i, x_ii ; x_i, x_iО[ a_i,b_i ] ; b_i, x_i>b_i }.

6.2.3 Метод случайного спуска

Метод характеризуется тем, что в качестве направления спуска s_K выбирается некоторая реализация n-мерной случайной величины S с известным законом распределения. Об эффективности этого метода судить трудно, однако благодаря использованию быстродействующих ЭВМ он оказывается практически полезным.

6.3 Метод множителей Лагранжа

Идея метода состоит в отыскании седловой точки функции Лагранжа задачи (6.1). Для нахождения решения вводится набор переменных l_i , называемых множители Лагранжа, и составляется функция Лагранжа, имеющая вид:

(6.6)

Алгоритм метода состоит в следующем:

1. Составление функции Лагранжа

2. Нахождение частных производных функции Лагранжа

(6.7)

3. Решение системы из n+m уравнений вида

(6.8)

Решениями системы (6.8) являются точки, которые могут быть решениями задачи.

4. Выбор точек, в которых достигается экстремум и вычисление функции j(х) в этих точках.

7. Линейное программирование

Задача линейного программирования в каноническом виде имеет вид[15,16]:

(7.1)

Приведение к каноническому виду любой задачи линейного программирования осуществляется путем введения дополнительных неотрицательных переменных, за счет чего ограничения, имеющие вид неравенств, принимают вид эквивалентных им равенств.

Любая задача линейного программирования может быть решена за конечное число итераций с помощью симплексного метода[17,18]. Следует отметить, что поскольку этот метод разработан для неотрицательных элементов x_j , это условие учитывается неявно и в систему уравнений (7.1) при численной реализации не входит.

7.1 Алгоритм симплексного метода

1. Приведение к каноническому виду

2. Выбор начального базиса

3. Проверка оптимальности базиса

Матрицу А можно рассматривать как совокупность столбцов a^j т.е. еa^jЧx_j=b где j=1,N. Не ограничивая общности можно считать, что базис образуют первые m столбцов, тогда остальные можно представить в виде a^k=еa^jЧl_jk , j=1,m где l_jk.- некоторые числа.

Рассмотрим коэффициенты D_k=еc^jЧl_jk - c_k где j=1,m и k=1,N. Заметим, что для базовых столбцов D_k є 0. Проверка на оптимальность осуществляется следующим образом:

Dk < 0 , k=1,N	- текущий базис оптимален
	- решение не ограничено сверху
	- существует другой, более подходящий базис

4. Составление нового базиса

4.1 Выбор элемента для введения в базис.

В базис вводится любой столбец, для которого D_k< 0, обозначим его D_p

4.2 Выбор элемента исключаемого из базиса

Из текущего базиса исключается столбец, для которого минимально отношение b_i/A_ip , i=1,M обозначим его b_r/A_rp

3. Преобразование вектора b и матрицы А по методу Жордана-Гаусса

4.4 Переход к пункту 3

8. Одномерная минимизация

Несмотря на кажущуюся простоту, для широкого класса функций решение задачи минимизация функции одного переменного j(х) сопряжено с некоторыми трудностями. С одной стороны, в практических задачах часто неизвестно, является ли функция дифференцируемой. С другой стороны, задача решения уравнения jў(х)=0 может на практике оказаться весьма сложной. Ввиду этого существенное значение приобретают методы минимизации, не требующие вычисления производной[15].

Поскольку нас интересует приближенное определение точки минимума, то для этого исследуют поведение функции в конечном числе точек, способами выбора которых различаются методы одномерной минимизации.

К методам, в которых при ограничениях на количество вычислений значений j(х) достигается в определенном смысле наилучшая точность, относятся методы Фибоначчи и золотого сечения[17,18]. Оба метода строятся по единой схеме и различаются способом выбора параметра l. Исходными данными для них являются: отрезок [a₀,b₀] содержащий точку минимума и точность определения точки минимума e.

8.1 Алгоритм методов

1. h₀ = b₀ - a₀ , k = 1 , l О (0.5,1) , h₁ = lЧh₀ , h₂ = h₀ - h₁ , c₁ = a₀ + h₂ , d₂ = b₀ - h₂

2. Вычислить текущие значения j(c_k) и j(d_k) и действовать в соответствии с ними:

3. Если ( h_k Ј e ) то x_min=min{ j(c_k) , j(d_k) } иначе k++ и переход к шагу II

Следует отметить, что на каждом шаге кроме первого, производится только одно вычисление значения функции j(x).

Легко показать, что для получения оптимальной последовательности отрезков, стягивающихся к точке минимума, необходимо положить l_k = F_k-1/F_k , где F - число Фибоначчи.

8.2 Метод Фибоначчи

Решая вопрос, при каких значениях параметра l за конечное число итераций N мы получим отрезок минимальной длины, получим l = l_N = F_N-1/F_N. Иначе говоря, для поиска минимума первоначально необходимо найти число Фибоначчи N такое, что F_N+1<(b₀-a₀)/eЈF_N+2.

8.3 Метод золотого сечения

В реальной ситуации начиная поиск минимума мы не знаем точного числа требуемых итераций. Вместо вычисления l будем выдерживать постоянное отношение длин интервалов h_k-2/h_k-1 = h_k-1/h_k = t. При t = (Ц5+1)/2 = 1.618034 получаем метод золотого сечения.

Сравнивая приведенные методы при больших значениях N можно показать, что значение окончательного интервала неопределенности в методе золотого сечения лишь на 17% больше чем в методе Фибоначчи.

9. Результаты численного моделирования

9.1 Аппроксимации при численном моделировании

Для построения моделей реальных распределений ЭП возможно применение целого ряда аппроксимаций. Все они могут быть разделены на два класса.

1. Аппроксимации, строящиеся по набору из произвольного числа узлов. Наиболее распространенные из них: кусочно-постоянная, кусочно-линейная и сплайном. В условиях нашей задачи указанные аппроксимации имеют несколько существенных недостатков:

• Результаты аппроксимаций слабо согласуются с реальностью. Кусочно-постоянная и кусочно-линейная аппроксимации принципиально являются негладкими, а аппроксимация сплайном сглаживает все, в результате чего возникают значительные немонотонности и всплески.

• При увеличении количества узлов аппроксимации быстро нарастает неустойчивость процесса решения обратной задачи, для противодействия которой требуется применение искусственных приемов, не гарантирующих успеха.

• В реальных условиях мы не имеем достоверной априорной информации о величине ЭП в узлах аппроксимации, расположенных в глубине пластины.

  2. Аппроксимации, строящиеся по значениям ЭП на верхней и нижней поверхностях пластины и нескольким параметрам аппроксимации. Наиболее известные из них: экспоненциальная, гиперболическим тангенсом и гауссоидой. Аппроксимации имеют вид:

где

Для нашей задачи подобные аппроксимации являются предпочтительными, поскольку обладают заметными достоинствами:

• Аппроксимации являются монотонными и гладкими, что хорошо согласуется с физической реальностью.

• Пользуясь физически обоснованными рассуждениями мы можем получить необходимую априорную информацию о величинах ЭП в приповерхностных слоях пластины.

• Процесс решения обратной задачи существенно более устойчив и осуществляется значительно быстрее

  Для иллюстрации наших рассуждений приведем пример применения приведенных выше аппроксимаций к случаю восстановления кусочно-линейной функции. По оси абсцисс отложена относительная глубина, по оси ординат электропроводность (МСм/м).

9.2 Модели реальных распределений электропроводности

Модель задачи должна описывать некоторую пластину, подвергнутую поверхностной обработке. Для определенности зададим толщину пластины равной двум сантиметрам. На основе данных из Приложения 2 зададим значения ЭП вблизи нижней и верхней поверхностей соответственно 20 (МСм/м) и 13 (МСм/м).

Для решения обратной задачи необходимо задать априорную информацию о величине ЭП в узлах аппроксимации. В качестве таковой примем интервал [8,25] (МСм/м), полученный внесением 25% отклонения от считаемых истинными значений. Это отклонение моделирует неточность априорной информации.

Из-за особенностей реализации алгоритма устойчивость решения сильно зависит от точности задания ЭП в узле, соответствующем нижней поверхности пластины, поэтому ограничение в нем зададим интервалом [19,21] (МСм/м).

В нашем случае все возможные модели распределений ЭП могут быть разделены на два класса. Распределения относящиеся к первому из них условно назовем глубинными. В них ЭП претерпевает существенные изменения на протяжении всей глубины пластины. Второй класс образуют распределения, ЭП в которых заметно изменяется лишь в приповерхностном слое глубиной порядка четверти пластины., поэтому назовем эти распределения поверхностными.

Критерием отличия восстановленной функции распределения ЭП от модельной будем считать величину относительной погрешности, поскольку сравнение результатов с ее помощью вполне адекватно целям нашей работы.

Следует отметит, что погрешность восстановления для поверхностных распределений ЭП представляет практический интерес в области, примерно ограниченной глубиной порядка четверти пластины, что обусловлено физическим смыслом поверхностной обработки. Поэтому для случаев поверхностных распределений основное внимание будем уделят именно указанным глубинам.

Для проверки возможности восстановления приповерхностных изменений ЭП рассмотрим две базовые модели поверхностных распределений.

Для проверки возможности восстановления глубинных распределений ЭП рассмотрим две базовые модели глубинных распределений.

Заметим, что на практике можно осуществить достаточно точное определение величины ЭП приповерхностных слоев путем измерений проводимости традиционными средствами, поэтому дополнительно рассмотрим модельные задачи при условии известной ЭП на верхней, а так же верхней и нижней поверхностях.

Поскольку на практике результаты измерений вносимого напряжения имеют определенную погрешность, все модели будем рассчитывать эмулируя погрешность dU= 0,1,2,5%.

Для исследования зависимости результатов восстановления распределений ЭП от частоты возбуждения разобьем частотный диапазона три части следующим образом( глубины проникновения приведены для случая постоянной ЭП s=13 МСм/м ):

Для исследования зависимости результатов восстановления распределений ЭП от числа измеряемых вносимых напряжений N рассмотрим случаи N={ 5, 10, 15 }.

Низкие частоты

Средние частоты

Высокие частоты

9.3 Принципиальная возможность восстановления

Для исследования возможности восстановления распределения ЭП рассмотрим результаты, полученные в предположении наличия точных данных (погрешность измерения отсутствует). На графиках в первых четырех пунктах Приложения 3 рассматриваемые зависимости показаны красным цветом (исходные данные черным). Исходя из них можно сделать следующие выводы

• Восстановление с помощью аппроксимации, использованной при эмуляции измерений (решении прямой задачи), приводит к погрешности восстановления порядка 0.1%.

• Восстановление глубинных распределений с помощью аппроксимаций экспоненциальной и гиперболическим тангенсом возможно с хорошей точностью ( погрешность 2-5% ) для приповерхностных слоев глубиной порядка четверти пластины.

• Восстановление глубинных распределений с помощью аппроксимаций сплайном и кусочно-линейной возможно с хорошей точностью ( погрешность 2-3% ). Погрешность восстановления увеличивается с уменьшением глубины.

• Восстановление поверхностных распределений с помощью аппроксимаций сплайном и кусочно-линейной практически невозможно. Имеют место осцилляции, приводящие к погрешностям, превышающим 10%.

• Восстановление поверхностных распределений с помощью аппроксимаций экспоненциальной и гиперболическим тангенсом возможно с хорошей точностью (погрешность 2-3%). Погрешность восстановления увеличивается с уменьшением глубины, занимаемой распределением.

  9.4 Восстановление по зашумленным данным

  Рассмотренные в данном разделе результаты демонстрируют возможность восстановления распределений ЭП в реальных условиях. Графики представлены в первых четырех пунктах Приложения 3.

  На графиках рассматриваемые зависимости показаны цветами: результат восстановления при погрешности данных равной 1% - голубым, результат восстановления при погрешности данных равной 2% - коричневым, результат восстановления при погрешности данных равной 5% - синим.

  Исходя из них можно сделать следующие выводы:

• Восстановление глубинных распределений с помощью аппроксимаций экспоненциальной и гиперболическим тангенсом возможно с хорошей точностью ( погрешность 2-8% ) для приповерхностных слоев глубиной порядка четверти пластины.

• Восстановление глубинных распределений с помощью аппроксимаций сплайном и кусочно-линейной затруднено( погрешность осциллирует в пределах 0-10% ). Погрешность восстановления увеличивается с уменьшением глубины, занимаемой распределением.

• Восстановление поверхностных распределений с помощью аппроксимаций сплайном и кусочно-линейной практически невозможно. Имеют место осцилляции, приводящие к погрешностям, превышающим 10%.

• Восстановление поверхностных распределений с помощью аппроксимаций экспоненциальной и гиперболическим тангенсом возможно с хорошей точностью (погрешность 3-6% для одноименных аппроксимаций и 7-10% в противном случае). Погрешность восстановления увеличивается с уменьшением глубины, занимаемой распределением.

  9.5 Восстановление с учетом дополнительной информации

  С целью улучшения результатов восстановления в реальной обстановке, осложненной наличием зашумленных данных, следует использовать более жесткие ограничения на величину ЭП в приповерхностных слоях.

  Для иллюстрации приведем несколько графиков, представленных в пятом пункте Приложения 3. На графиках рассматриваемые зависимости показаны цветами: базовые ограничения - коричневым, жесткие ограничения на верхней поверхности - голубым, жесткие ограничения на обоих поверхностях - малиновым.

  Исходя из полученных результатов можно сделать следующие выводы

• Восстановление глубинных распределений с помощью аппроксимаций экспоненциальной и гиперболическим тангенсом возможно с удовлетворительной точностью для приповерхностных слоев глубиной порядка четверти пластины. Дополнительные жесткие ограничения результаты восстановления не улучшают.

• Восстановление глубинных распределений с помощью аппроксимаций сплайном и кусочно-линейной затруднено. Дополнительные жесткие ограничения результаты восстановления не улучшают.

• Восстановление поверхностных распределений с помощью аппроксимаций сплайном и кусочно-линейной практически невозможно. Имеют место осцилляции, приводящие к погрешностям, превышающим 10%.

• Восстановление поверхностных распределений с помощью аппроксимаций экспоненциальной и гиперболическим тангенсом возможно с удовлетворительной точностью (погрешность 6-10% ). Погрешность восстановления уменьшается при использовании дополнительные ограничений примерно вдвое, особенно в приповерхностном слое толщиной порядка 10%.

  9.6 Восстановление при различном возбуждении

  Для выбора необходимого количества измерений U_вн^* и соответствующих им частот возбуждения ВТП рассмотрим три возможных диапазона частот, в каждом из которых исследуем случаи пяти, десяти и пятнадцати частот.

  На графиках в шестом пункте Приложения 3 рассматриваемые зависимости показаны цветами: 5 частот - коричневым, 10 частот - голубым , 15 частот - малиновым.

  Область низких частот

  Исходя из полученных результатов можно сделать следующие выводы

• Восстановление глубинных распределений с помощью аппроксимаций экспоненциальной и гиперболическим тангенсом возможно с удовлетворительной точностью для приповерхностных слоев глубиной порядка четверти пластины. Для улучшения результатов восстановления следует использовать 10 частот в случае погрешности данных не более 2% и 15 частот в противном случае.

• Восстановление глубинных распределений с помощью аппроксимаций сплайном и кусочно-линейной затруднено. Для улучшения результатов восстановления в приповерхностном слоев глубиной порядка четверти пластины следует использовать 10 частот в случае погрешности данных не более 2% и 15 частот в противном случае.

• Восстановление поверхностных распределений с помощью аппроксимаций сплайном и кусочно-линейной практически невозможно. Имеют место осцилляции, приводящие к погрешностям, превышающим 10%.

• Восстановление поверхностных распределений с помощью аппроксимаций экспоненциальной и гиперболическим тангенсом возможно с удовлетворительной точностью (погрешность 6-8% ). Для улучшения результатов восстановления следует использовать 10 частот в случае погрешности данных не более 2% и 15 частот в противном случае.

  Область средних частот

  Исходя из полученных результатов можно сделать следующие выводы:

• Восстановление глубинных распределений с помощью аппроксимаций экспоненциальной и гиперболическим тангенсом возможно с удовлетворительной точностью для приповерхностных слоев глубиной порядка четверти пластины. Для улучшения результатов восстановления следует использовать 10 частот в случае погрешности данных не более 2% и 15 частот в противном случае.

• Восстановление глубинных распределений с помощью аппроксимаций сплайном и кусочно-линейной практически невозможно. Имеют место осцилляции, приводящие к погрешностям, превышающим 10%.

• Восстановление поверхностных распределений с помощью аппроксимаций сплайном и кусочно-линейной практически невозможно. Имеют место осцилляции, приводящие к погрешностям, превышающим 10%.

• Восстановление поверхностных распределений с помощью аппроксимаций экспоненциальной и гиперболическим тангенсом возможно с удовлетворительной точностью (погрешность 6-8% ). Для улучшения результатов восстановления следует использовать 10 частот в случае погрешности данных не более 2% и 15 частот в противном случае.

  Область высоких частот

  Исходя из полученных результатов можно сделать следующие выводы:

• Восстановление глубинных распределений с помощью аппроксимаций экспоненциальной и гиперболическим тангенсом возможно с удовлетворительной точностью для приповерхностных слоев глубиной порядка четверти пластины. Для улучшения результатов восстановления следует использовать 15, что позволяет восстанавливатьраспределения с погрешностью (2-5)%.

• Восстановление глубинных распределений с помощью аппроксимаций сплайном и кусочно-линейной практически невозможно. Имеют место осцилляции, приводящие к погрешностям, превышающим 10%.

• Восстановление поверхностных распределений с помощью аппроксимаций сплайном и кусочно-линейной практически невозможно. Имеют место осцилляции, приводящие к погрешностям, превышающим 10%.

• Восстановление поверхностных распределений с помощью аппроксимаций экспоненциальной и гиперболическим тангенсом возможно с удовлетворительной точностью. Для улучшения результатов восстановления следует использовать 15 частот.

  10. Заключение

  По результатам проделанной работы можно сделать следующие выводы:

• Существует принципиальная возможность восстановления как поверхностных так и глубинных распределений ЭП с погрешностью, не превышающей (2-3)%. Для восстановления поверхностных распределений следует использовать экспоненциальную и гиперболическую аппроксимации, а для глубинных сплайн и кусочно-постоянную (возможно использование экспоненциальной и гиперболической аппрксимаций для в приповерхностном слое глубиной порядка четверти пластины).

• Существенное отрицательное влияние на результаты восстановления имеют погрешность измерения U_вн^* (не следует использовать данные с погрешностью измерения более 2%) и малая глубина распределения ЭП (распределения ЭП сосредоточенные в приповерхностном слое глубиной менее (3-5)% восстанавливаются хуже).

• Использование жестких ограничений на величину ЭП в приповерхностных слоях оправдано при восстановлении поверхностных распределений, причем при наличии данных с погрешностью, превосходящей 2%, или малой глубины распределения предпочтительнее задавать ограничения на обеих поверхностях. При зашумленности данных порядка (1-2)% достаточно задать жесткие ограничения лишь на верхней поверхности.

• В наборе частот возбуждения ВТП должны присутствовать низкочастотные составляющие, влияние которых особенно заметно при работе с глубинными распределениями и соответствующими аппроксимациями. Рекомендуется использовать порядка десяти частот, равномерно распределенных по частотному диапазону (0.001ё70)КГц. В условиях высокой погрешности измерений или отчетливо выраженных приповерхностных изменениях ЭП заметное положительное влияние оказывает увеличение числа частот возбуждения ВТП (например, до пятнадцати.).

В процессе работы над задачей был проведен анализ литературы, выбрана модель задачи и способы ее аппроксимации. При помощи программы, разработанной согласно предложенной модели, были проведены расчеты модельных задач и рассмотрены результаты восстановления распределений ЭП в зависимости от основных влияющих факторов.

Таким образом, цели, поставленные в техническом задании, решены в полном объеме.

11. Литература

1. Неразрушающий контроль качества изделий электромагнитными методами, Герасимов ВГ, 1978,215

2. Вихретоковый контроль накладными преобразователями., Герасимов ВГ,1985,86

3. Вихретоковые методы и приборы неразрушающего контроля., Рудаков ВН, 1992, 72

4. Накладные и экранные датчики., Соболев ВС, 1967, 144

5. Теория и расчет накладных вихретоковых преобразователей., Дякин ВВ, 1981, 135

6. Основы анализа физических полей.,Покровский АД, 1982, 89

7. Дефектоскопия металлов., Денель АК, 1972, 303

8. Индукционная структуроскопия., Дорофеев АЛ,1973,177

9. Структура и свойства металлов и сплавов.Справочник., Шматко ОА,1987,580

10. Некорректные задачи Численные методы и приложения., Гончарский АВ,1989,198

11. Некорректные задачи матфизики и анализа., Лаврентьев ММ,1980,286

12. Линейные операторы и некорректные задачи., Лаврентьев ММ,1991,331

13. Методы решения некорректно поставленных задач Алгоритмич. аспект., Морозов ВА, 1992,320

14. Численные методы решения некорректных задач., Тихонов АН,1990,230

15. Начала теории вычислительных методов, Крылов ВИ,1984,260

16. Математическое программирование в примерах и задачах., Акулич ИЛ,1993,319

17. Математическое программирование., Карманов ВГ,1986,286

18. Математическое программирование., Орехова РА,1992,290

19. Нелинейное программирование Теория и алгоритмы., Базара М,1982,583

20. Прикладное нелинейное программирование., Химмельблау Д,1975,534

21. Введение в методы оптимизации., Аоки М,1977,344

22. Введение в оптимизацию., Поляк БТ,1983,384

23. Курс методов оптимизации., Сухарев АГ,1986,326

24. Практическая оптимизация., Гилл Ф,1985,509

25. Численные методы оптимизации., Полак Э,1974,367

26. Алгоритмы решения экстремальных задач., Романовский ИВ,1977,352

27. Методы решения экстремальных задач., Васильев ФП,1981,400

28. Методы решения экстремальных задач и их применение в системах оптимизации., Евтушенко ЮГ, 1982,432

29. Численные методы решения экстремальных задач., Васильев ФП,1988,549

30. Введение в вычислительную физику., Федоренко РП,1994,526

31. Методы математической физики., Арсенин ВЯ,1984,283

32. Уравнения математической физики., Тихонов АН,1977

33. Уравнения математической физики., Владимиров ВС,1988,512

34. Метод интегральных уравнений в теории рассеивания., Колтон Д,1987,311

35. Теория электромагнитного поля., Поливанов КМ,1975,207

36. Eddy current testing. Manual on eddy current method., Cecco VS,1981,195

37. Optimization methods with applications for PC., Mistree F,1987,168

38. Electromagnetic inverse profiling., Tijhuis AG,1987,465

39. Inverse acoustic and electromagnetic scattering theory., Colton D,1992,305

40. " Накладной электромагнитный преобразователь над объектом контроля с изменяющимися по глубине электрическими и магнитными свойствами", Касимов ГА, Кулаев ЮВ, "Дефектоскопия", 1978, №6, с81-84

41. " Возможности применения методов теории синтеза излучающих систем в задачах электромагнитного контроля ", Кулаев ЮВ, 1980, тематический сборник "Труды МЭИ", выпуск 453, с12-18

42. " Analitical solutions to eddy-current probe-coil problems " , Deeds WE, Dodd CV, ІJournal of Applied PhisicsІ, 1968, vol39, ?3, p2829-2838

43. " General analysis of probe coils near stratified conductors " , Deeds WE, Dodd CV,ІInternational Journal of Nondestructive TestingІ, 1971, vol3, ?2, p109-130

44. " Tutorial. A review of least-squares inversion and its application to geophysical problems ", Lines LR, Treitel S, "Geophysical Prospecting ", 1984, vol32, ?2, p159-186

45. " Eddy current calculations using half-space Green’s functions " , Bowler JR, ІJournal of Applied PhisicsІ, 1987, vol61, ?3, p833-839

46. " Reconstruction of 3D conductivity variations from eddy current( electromagnetic induction ) data ", Nair SM, Rose JH, І Inverse ProblemsІ, 1990, ?6, p1007-1030

47. " Electromagnetic induction (eddy-currents) in a conducting half-space in the absence and presence of inhomogeneities: a new formalism " , Nair SM, Rose JH, ІJournal of Applied PhisicsІ, 1990, vol68, ?12, p5995-6009

48. " Eddy-current probe impedance due to a volumetric flaw " , Bowler JR, ІJournal of Applied PhisicsІ, 1991, vol70, ?3, p1107-1114

49. " Theory of eddy current inversion " , Bowler JR, Norton SJ, ІJournal of Applied PhisicsІ, 1993, vol73, ?2, p501-512

50. " Impedance of coils over layered metals with continuously variable conductivity and permeability: Theory and experiment " , Rose JH, ІJournal of Applied PhisicsІ, 1993, vol74, ?3, p2076

51. " Eddy-current interaction with ideal crack " , Bowler JR, ІJournal of Applied PhisicsІ, 1994, vol75, ?12, p8128,8138

52. " Method of solution of forward problems in eddy-current testing " , Kolyshkin AA, ІJournal of Applied PhisicsІ, 1995, vol77, ?10, p4903-4912

Приложение 1. Программная реализация

Программная реализация изложенного метода решения обратной задачи ВТК осуществлена при помощи компилятора Borland Pascal 7.0 и состоит из шести модулей:

1. ErIn12.pas - исполняемый файл, осуществляет основной цикл программы

2. EData.pas - содержит глобальные данные и осуществляет чтение файла исходных данных

3. EFile.pas - содержит вспомогательные функции и иосуществляет сохранение результатов расчетов

4. EMath.pas - осуществляет поддержку операций с комплексными числами

5. EDirect.pas - осуществляет решение прямой задачи ВТК

6. EMinimum.pas - осуществляет решение обратной задачи ВТК

П1.1 Исходные данные

Исходные данные программы хранятся в текстовом файле( кодировка ASCII, расширение по умолчанию TXT ).

П1.2 Используемые аппроксимации

Примечание. Координата ХО[0,1] отсчитывается от дна пластины для всех аппроксимаций.

Сплайн(SPL), кусочно-линейная(PWL), кусочно-постоянная(PWC) аппроксимации.

В процессе расчетов ищутся значения электропроводности в узлах аппроксимации, причем количество узлов увеличивается от едениицы до nPoints в целях сохранения устойчивости решения.

Начальные значения (узловые значения ІистиннойІ ЭП для эмуляции измерений U^*_вн) задаются в столбце ІsiІ файла исходных данных, начальные значения ограничений на узловые значения ЭП в столбцах ІsiMinІ и ІsiMaxІ(движение по столбцу сверху вниз соответствует изменению координаты от дна пластины до обрабатываемой повехности).

Экспоненциальная аппроксимация(EXP)

В случае задания экспоненциальной аппроксимации зависимость электропрводности от толщины представляется в виде

SIGMA = ( siE-siI )*EXP( -alfa*(1-x) ) + siI

Варьруемыми параметрами являются эектропроводность на верхней поверхности siЕ, электропроводность "на бесконечности" siI и параметр alfa. В файле исходных данных в таблице из nPoints строк с подзаголовком "si siMin siMax", информация об ограничениях на параметры siE, siI задается в первой и nPoints-строке. Величина и ограничения для параметра alfa задаются первой строкой в "special approximation parameters".

Аппроксимация гиперболическим тангенсом (HTG)

В случае задания аппроксимации гиперболическим тангенсом зависимость электропрводности от толщины представляется в виде

SIGMA = si2 + ( si1-si2 )/2*{ 1 + th( ( beta-x )/gamma ) }

Величина и ограничения для параметров si2,beta,gamma задаются начиная со второй строки в "special approximation parameters", для si1 аналогично siI.

П1.3 Результаты расчета

Результаты расчета помещаются в текстовый файл( кодировка ASCII, расширение по умолчанию LST ), при этом результат каждой итерации отбражается строкой вида:

1 <Ф> 0.000353 Rg= 17.003 15.639 9.697

где первая цифра (в данном случае 1) соответствует номеру текущей внутренней итерации, затем после текста "<Ф>" идет значение текущей абсолютной среднеквадратичной невязки по всем гармоникам (в данном случае 0.000353), затем после текста "Rg= ", идут искомые текущие значения переменных минимизации. В случае SPL,PWL,PWC аппроксимаций это непосредственно узловые значения электропроводности для текущего количества узлов, а для EXP,HTG аппроксимаций это параметры { siE, siI, Alfa } или { si1, si2, Beta, Gamma}. B качестве последней строки помещаются nPoints вычисленных значений э/проводности в равномерно расположенных узлах пластины.

П1.4 Основная программа ErIn

(****************************************************************************)

(* ErIn v1.42 *)

(* Eddy current inverse problem solver. *)

(* (C) 1999 by Nikita U.Dolgov *)

(* Moscow Power Engineering Institute , Introscopy dept. *)

{****************************************************************************}

Program ErIn;{23.02.99}

Uses

DOS,CRT, EData, EMath, EDirect, EFile, EMinimum;

Var

m, mLast, i : byte; {loop counters}

procedure about; {Let me to introduce myself}

begin

clrscr;

GetTime( clk1.H, clk1.M, clk1.S, clk1.S100 ); {get start time}

writeln('***********************************************************');

writeln('* ErIn v1.42 Basic * *');

writeln('***********************************************************');

end;

procedure initParameters;

var

apDT : byte; {approximation type for direct task}

begin

apDT := nApprox SHR 4; {XXXXYYYY->0000XXXX}

fHypTg:=(( apDT AND apHypTg ) = apHypTg);

if fHypTg then

begin

si0[ 1 ]:=si[ 1 ]; {si1 - conductivity about bottom of slab}

si0[ 2 ]:=par0[ 2 ]; {si2 - conductivity about top of slab}

si0[ 3 ]:=par0[ 3 ]; {Beta - ratio of approx.}

si0[ 4 ]:=par0[ 4 ]; {Gamma- ratio of approx.}

mCur:=4;

end

else

if(( apDT AND apExp ) = 0 ) then {It's not an EXP approx.}

begin

for i:=1 to nPoints do si0[ i ] :=si [ i ]; {SI data from file}

mCur:=nPoints;

end

else

begin

si0[ 1 ]:=si[ 1 ]; {siI - conductivity about bottom of slab}

si0[ 2 ]:=si[ nPoints ]; {siE - conductivity about top of slab}

si0[ 3 ]:=par0[ 1 ]; {Alfa- ratio of approx.}

mCur:=3;

end;

setApproximationType( apDT ); {approx. type for direct problem}

setApproximationData( si0, mCur ); {approx. data for direct problem}

nApprox := ( nApprox AND $0F ); {XXXXYYYY->0000YYYY}

fHypTg := (( nApprox AND apHypTg ) = apHypTg );

fMulti := (( nApprox AND apExp ) = 0 ) AND NOT fHypTg; {It's not an EXP approx.}

if fMulti then

begin

for i:=1 to nPoints do

begin

Gr[ 1,i ]:=SiMax[ i ];

Gr[ 2,i ]:=SiMin[ i ];

Rg[ i ]:=( Gr[ 1,i ] + Gr[ 2,i ] )/2; {zero estimate of SI}

Rgs[ i ]:=1E33; {biggest integer}

end;

mLast:=nPoints; {loop for every node of approx.}

mCur :=1; {to begin from the only node of approx}

end

else

if fHypTg then

begin

Gr[ 1,1 ]:= siMax[ 1 ]; Gr[ 2,1 ]:= siMin[ 1 ]; Rgs[ 1 ]:=1E33;

Gr[ 1,2 ]:=parMax[ 2 ]; Gr[ 2,2 ]:=parMin[ 2 ]; Rgs[ 2 ]:=1E33;

Gr[ 1,3 ]:=parMax[ 3 ]; Gr[ 2,3 ]:=parMin[ 3 ]; Rgs[ 3 ]:=1E33;

Gr[ 1,4 ]:=parMax[ 4 ]; Gr[ 2,4 ]:=parMin[ 4 ]; Rgs[ 4 ]:=1E33;

for i:=1 to 4 do Rg[ i ]:=( Gr[ 1,i ] + Gr[ 2,i ] )/2;

mLast:=1;

mCur:=4;

end

else

begin

Gr[ 1,1 ]:= siMax[1]; Gr[2,1]:= siMin[1]; Rgs[ 1 ]:=1E33;

Gr[ 1,2 ]:= siMax[nPoints]; Gr[2,2]:= siMin[nPoints]; Rgs[ 2 ]:=1E33;

Gr[ 1,3 ]:= parMax[1]; Gr[2,3]:= parMin[1]; Rgs[ 3 ]:=1E33;

for i:=1 to 3 do Rg[ i ]:=( Gr[ 1,i ] + Gr[ 2,i ] )/2;

mLast:=1;

mCur :=3;

end;

initConst( nLayers, parMaxH, parMaxX , parEps, parEqlB );{set probe params}

end;

procedure directTask; {emulate voltage measurements [with error]}

begin

for i:=1 to nFreqs do

begin

getVoltage( freqs[i], Umr[ i ], Umi[ i ] ); {"measured" Uvn*}

if ( epsU > 0 ) then {add measurement error}

begin

randomize; Umr[ i ]:=Umr[ i ]*( 1 + epsU*( random-0.5 ) );

randomize; Umi[ i ]:=Umi[ i ]*( 1 + epsU*( random-0.5 ) );

end;

end;

writeln('* Voltage measurements have been emulated');

setApproximationType( nApprox ); {approx. type for inverse problem}

setApproximationData( Rg, mCur ); {approx. data for inverse problem}

end;

procedure reduceSILimits; {evaluate SI for m+1 points of approx. using aG}

var

x0, x1, xL, dx, Gr1, Gr2 : real;

j, k : byte;

begin

{----------------------------- get SI min/max for m+1 points of approximation}

dx:=1/( nPoints-1 );

for i:=1 to m+1 do

begin

k:=1;

x1:=0;

x0:=( i-1 )/m;

for j:=1 to nPoints-1 do

begin

xL:=( j-1 )/( nPoints-1 );

if( ( xL < x0 ) AND ( x0 <= xL+dx ) )then

begin

k:=j;

x1:=xL;

end;

end;

Gr[ 1,i ]:=siMax[ k ] + ( siMax[ k+1 ]-siMax[ k ] )*( x0-x1 )/dx;

Gr[ 2,i ]:=siMin[ k ] + ( siMin[ k+1 ]-siMin[ k ] )*( x0-x1 )/dx;

end;

{------------------------------------- get SI for m+1 points of approximation}

for i:=1 to m+1 do

begin

Rg[i]:=getSiFunction( (i-1)/m );

if ( Rg[i] > Gr[1,i] )then Rg[i]:=Gr[1,i];

if ( Rg[i] < Gr[2,i] )then Rg[i]:=Gr[2,i];

if m > 1 then {There're more than 1 point of approx.}

begin

Gr1:= Rg[i]+( Gr[1,i]-Rg[i] )*aG; {reduce upper bound}

Gr2:= Rg[i]-( Rg[i]-Gr[2,i] )*aG; {reduce lower bound}

if ( Gr1 < Gr[1,i] )then Gr[1,i]:=Gr1; {test overflow}

if ( Gr2 > Gr[2,i] )then Gr[2,i]:=Gr2;

end;

end;

setApproximationData( Rg , m+1 );

end;

procedure resultMessage; {to announce new results}

begin

if fMulti then

begin

writeln(' current nodal values of conductivity');

write(' si : ');for i:=1 to m do write(Rg[i] :6:3,' ');writeln;

write(' max: ');for i:=1 to m do write(Gr[1,i]:6:3,' ');writeln;

write(' min: ');for i:=1 to m do write(Gr[2,i]:6:3,' ');writeln;

end

else

begin

for i:=1 to nPoints do si[i]:=getSiFunction( ( i-1 )/( nPoints-1 ) );

if fHypTg then

saveHypTgResults

else

saveExpResults;

end;

end;

procedure clockMessage; {user-friendly message}

begin

writeln('***********************************************************');

write( '* approximation points number :',m:3,' * Time '); clock;

writeln('***********************************************************');

end;

procedure done; {final message}

begin

Sound(222); Delay(111); Sound(444); Delay(111); NoSound; {beep}

write('* Task processing time '); clock; saveTime;

writeln('* Status: Inverse problem has been successfully evaluated.');

end;

Begin

about;

loadData;

initParameters;

directTask;

for m:=1 to mLast do

begin

if fMulti then

begin

mCur:=m;

clockMessage;

end;

doMinimization; {main part of work}

setApproximationData( Rg, mCur ); {set new approx. data}

resultMessage;

if(( fMulti )AND( m < nPoints ))then reduceSILimits;

end;

done;

End.

П1.5 Модуль глобальных данных EData

Unit EData;

Interface

Uses DOS;

Const

maxPAR = 40; {nodes of approximation max number}

maxFUN = 20; {excitation frequencies max number}

maxSPC = 4; {support approximation values number}

iterImax = 50; {max number of internal iterations}

Const

apSpline = 1; {approximation type identifiers}

apHypTg = 3;

apExp = 2;

apPWCon = 4;

apPWLin = 8;

Type

Parameters = array[ 1..maxPAR ] of real; {Si,Mu data}

Functionals = array[ 1..maxFUN ] of real; {Voltage data}

SpecialPar = array[ 1..maxSPC ] of real; {Special data}

Var

hThick : real; {thickness of slab}

nPoints : integer; {nodes of approximation number within [ 0,H ]}

nLayers : integer; {number of piecewise constant SI layers within[ 0,H ]}

nFreqs : integer; {number of excitation frequencies}

nStab : integer; {required number of true digits in SI estimation}

epsU : real; {relative error of measurement Uvn*}

nApprox : byte; {approximation type identifier}

incVal : real; {step for numerical differ.}

parMaxH : integer; {max number of integration steps}

parMaxX : real; {upper bound of integration}

parEps : real; {error of integration}

derivType: byte; {1 for right; 2 for central}

Var

freqs : Functionals; {frequencies of excitment Uvn*}

Umr, Umi : Functionals; { Re(Uvn*),Im(Uvn*) for "measured" data}

Uer, Uei : Functionals; { Re(Uvn*),Im(Uvn*) for estimated data}

mu : Parameters; {relative permeability nodal values}

si, si0 : Parameters; {conductivity approximation nodal values}

siMin, siMax : Parameters; {conductivity nodal values restrictions}

par0 : SpecialPar; {alfa,si2,beta,gamma - for exp&HypTg}

parMin,parMax: SpecialPar; {-||- min/max}

zLayer : Parameters; {relative borders of slab layers [0,1]}

Var

aG : real; {scale factor for SImin/max}

Ft : real; {current discrepancy functional value}

fMulti : boolean; {TRUE if it isn't an EXP-approximation}

fHypTg : boolean; {TRUE for Hyperbolic tg approximation}

parEqlB : boolean; {TRUE if b[i]=const}

mCur : integer; {current number of approximation nodes}

inFileName : string; {data file name}

outFileName : string; {results file name}

Var

Rg : Parameters; {current SI estimation}

RgS : Parameters; {previous SI estimation}

Gr : array [ 1..2 ,1..maxPAR ] of real; {SI max/min}

Fh : array [ 1..maxPAR , 1..maxFUN ] of real; {current discrepancies}

Type

TTime=record

H, M, S, S100 : word; {hour,min,sec,sec/100}

end;

Var

clk1, clk2 : TTime; {start&finish time}

procedure loadData; {load all user-defined data from file}

Implementation

procedure loadData;

var

i,eqlB : integer;

FF : text;

begin

assign( FF, outFileName ); {clear output file}

rewrite( FF );

close( FF );

assign( FF, inFileName ); {read input file}

reset( FF );

readln( FF );

readln( FF );

readln( FF, hThick, nPoints, nLayers, nFreqs, nStab, epsU, aG, nApprox );

readln( FF );

for i:=1 to nFreqs do read( FF, freqs[i] );

readln( FF );

readln( FF );

readln( FF );

for i:=1 to nPoints do readln( FF, si[i], siMin[i], siMax[i] );

readln( FF );

readln( FF );

readln( FF , incVal, parMaxH, parMaxX, parEps, derivType, eqlB );

readln( FF );

readln( FF );

for i:=1 to maxSPC do readln( FF, par0[i] , parMin[i] , parMax[i] );

readln( FF );

if ( eqlB=0 )then

begin

for i:=1 to nLayers+1 do read( FF, zLayer[i] );

parEqlB:=false;

end

else parEqlB:=true;

close( FF );

for i:=1 to maxPAR do mu[i]:=1;

end;

Var

str : string;

Begin

if( ParamCount = 1 )then str:=ParamStr(1)

else

begin

write('Enter I/O file name, please: ');

readln( str );

end;

inFileName :=str+'.txt';

outFileName:=str+'.lst';

End.

П1.6 Модуль работы с файлами EFile

Unit EFile;

Interface

Uses

DOS, EData;

function isStable( ns : integer; var RG1,RG2 ) : boolean;

function saveResults( ns,iter : integer ) : boolean;

procedure saveExpResults;

procedure saveHypTgResults;

procedure clock;

procedure saveTime;

Implementation

Var

FF : text;

i : byte;

function decimalDegree( n:integer ) : real;{10^n}

var

s:real; i:byte;

begin

s:=1;

for i:=1 to n do s:=s*10;

decimalDegree:=s;

end;

function isStable( ns:integer ; var RG1,RG2 ) : boolean;

var

m : real;

R1 : Parameters absolute RG1;

R2 : Parameters absolute RG2;

begin

isStable:=TRUE;

m:=decimalDegree( ns-1 );

for i:=1 to mCur do

begin

if NOT(( ABS( R2[i]-R1[i] )*m )<=ABS( R2[i]) ) then isStable:=FALSE;

RgS[i]:=Rg[i];

end;

end;

function saveResults( ns , iter : integer ) : boolean;

var

sum : real;

begin

sum:=0;

for i:=1 to nFreqs do sum:=sum + Fh[1,i];

sum:=SQRT( sum/nFreqs );

assign( FF , outFileName );

append( FF );

write( iter:2, ' <”>', sum:10:7, ' Rg=' );

write( FF , iter:2, ' <”>', sum:10:7, ' Rg=');

for i:=1 to mCur do

begin

write( Rg[i]:6:3, ' ');

write( FF , Rg[i]:6:3, ' ');

end;

writeln;

writeln( FF );

close( FF );

saveResults:=isStable( ns , Rgs , Rg );

end;

procedure saveExpResults;

begin

assign( FF , outFileName );

append( FF );

writeln( ' siE=',Rg[2]:6:3,' siI=',Rg[1]:6:3,' alfa=',Rg[3]:6:3);

writeln( FF , ' siE=',Rg[2]:6:3,' siI=',Rg[1]:6:3,' alfa=',Rg[3]:6:3);

write( ' SI: ');

write( FF , ' SI: ');

for i:=1 to nPoints do

begin

write( si[i]:6:3,' ');

write( FF , si[i]:6:3,' ');

end;

writeln;

writeln( FF );

close( FF );

end;

procedure saveHypTgResults;

begin

assign( FF , outFileName );

append( FF );

writeln( ' si1=',Rg[2]:6:3,' si2=',Rg[1]:6:3,' beta=',Rg[3]:6:3,' gamma=',Rg[4]:6:3);

writeln( FF , ' si1=',Rg[2]:6:3,' si2=',Rg[1]:6:3,' beta=',Rg[3]:6:3,' gamma=',Rg[4]:6:3);

write( ' SI: ');

write( FF , ' SI: ');

for i:=1 to nPoints do

begin

write( si[i]:6:3,' ');

write( FF , si[i]:6:3,' ');

end;

writeln;

writeln( FF );

close( FF );

end;

procedure clock; {t2 = t2-t1}

var

H1,M1,S1,H2,M2,S2,sec1,sec2 : longint;

begin

GetTime( clk2.H, clk2.M, clk2.S, clk2.S100 ); {current time}

H2:=clk2.H; M2:=clk2.M; S2:=clk2.S; H1:=clk1.H; M1:=clk1.M; S1:=clk1.S;

sec2:= ( H2*60 + M2 )*60 + S2;

sec1:= ( H1*60 + M1 )*60 + S1;

if( sec2 < sec1 )then sec2:=sec2 + 85020; {+23.59.59}

sec2:=sec2 - sec1;

clk2.H := sec2 div 3600; sec2:=sec2 - clk2.H*3600;

clk2.M := sec2 div 60; sec2:=sec2 - clk2.M*60;

clk2.S := sec2;

writeln( clk2.H:2, ':', clk2.M:2, ':', clk2.S:2 );

end;

procedure saveTime;

begin

assign( FF , outFileName );

append( FF );

write( FF ,'* Processing time ',clk2.H:2, ':', clk2.M:2, ':', clk2.S:2 );

close( FF );

end;

End.

П1.7 Модуль решения прямой задачи ВТК для НВТП EDirect

{****************************************************************************}

{ ERIN submodule : EDirect , 15.02.99, (C) 1999 by Nikita U.Dolgov }

{****************************************************************************}

{ Estimates Uvn* for Eddy current testing of inhomogeneous multilayer slab }

{ with surface( flat ) probe. }

{ It can do it using one of five types of conductivity approximation : }

{Spline, Exponential, Piecewise constant, Piecewise linear,Hyperbolic tangent}

{****************************************************************************}

{$F+}

Unit EDirect;

Interface

Uses EData, EMath;

Type

siFunc = function( x:real ) : real;

Var

getSiFunction : siFunc; {for external getting SI estimate}

procedure initConst( par1,par2:integer; par3,par4:real; par5:boolean );

procedure getVoltage( freq : real ; var ur,ui : real ); { Uvn* = ur + j*ui }

procedure setApproximationType( approx : byte ); { type of approx. }

procedure setApproximationItem( SIG:real ; N : byte ); { set SIGMA[ N ]}

procedure setApproximationData( var SIG; nVal : byte ); { SIGMA[1..nVal] }

procedure getApproximationData( var SIG ; var N : byte ); { get SIGMA[ N ]}

Implementation

Const

PI23 = 2000*pi; {2*pi*KHz}

mu0 = 4*pi*1E-7; {magnetic const}

Var

appSigma : Parameters; {conductivity approximation data buffer}

appCount : byte; {size of conductivity approximation data buffer}

appType : byte; {conductivity approximation type identifier}

Type

commonInfo=record

w : real; {cyclical excitation frecuency}

R : real; {equivalent radius of probe}

H : real; {generalized lift-off of probe}

Kr : real; {parameter of probe}

eps : real; {error of integration}

xMax : real; {upper bound of integration}

steps : integer; {current number of integration steps}

maxsteps: integer; {max number of integration steps}

Nlay : integer; {number of layers in slab}

sigma : Parameters; {conductivity of layers}

m : Parameters; {relative permeability of layers}

b : Parameters; {thickness of layers}

zCentre : Parameters; {centre of layer}

end;

procFunc = procedure( x:real; var result:complex);

Var

siB, siC, siD : Parameters; {support for Spline approx.}

cInfo : commonInfo; {one-way access low level info}

function siSpline( x:real ) : real;{Spline approximation}

begin

if( appCount = 1 )then

siSpline := appSigma[ 1 ]

else

siSpline:=Seval( appCount, x, appSigma, siB, siC, siD);

end;

function siExp( x:real ) : real;{Exponential approximation}

begin

siExp:=(appSigma[2]-appSigma[1])*EXP( -appSigma[3]*(1-x) ) + appSigma[1];

end;

function siPWConst( x:real ) : real;{Piecewise constant approximation}

var

dx, dh : real; i : byte;

begin

if( appCount = 1 )then siPWConst := appSigma[ 1 ]

else

begin

dh:=1/( appCount-1 );

dx:=dh/2;

i:=1;

while( x > dx ) do

begin

i:=i + 1;

dx:=dx + dh;

end;

siPWConst:=appSigma[ i ];

end;

end;

function siPWLinear( x:real ) : real;{Piecewise linear approximation}

var

dx, dh : real;

i : byte;

begin

if( appCount = 1 )then siPWLinear := appSigma[ 1 ]

else

begin

dh:=1/( appCount-1 );

dx:=0;

i:=1;

repeat

i:=i + 1;

dx:=dx + dh;

until( x <= dx );

siPWLinear:=appSigma[i-1]+( appSigma[i]-appSigma[i-1] )*( x/dh+2-i);

end;

end;

function siHyperTg( x:real ) : real;{Hyperbolic tangent approximation}

begin

siHyperTg:=appSigma[2]+(appSigma[1]-appSigma[2])*(1+th((appSigma[3]-x)/appSigma[4]))/2;

end;

procedure setApproximationType( approx : byte );

begin

appType := approx;

write('* conductivity approximation type : ');

case approx of

apSpline : begin

writeln('SPLINE');

getSiFunction := siSpline;

end;

apExp : begin

writeln('EXP');

getSiFunction := siExp;

end;

apPWCon : begin

writeln('PIECEWISE CONST');

getSiFunction := siPWConst;

end;

apPWLin : begin

writeln('PIECEWISE LINEAR');

getSiFunction := siPWLinear;

end;

apHypTg : begin

writeln('HYPERBOLIC TANGENT');

getSiFunction := siHyperTg;

end;

end;

end;

procedure setApproximationData( var SIG ; nVal : byte );

var

Sigma : Parameters absolute SIG; i:byte;

begin

appCount := nVal;

for i:=1 to nVal do appSigma[ i ]:=Sigma[ i ];

if( appType = apSpline )then Spline( appCount, appSigma, siB, siC, siD);

end;

procedure getApproximationData( var SIG ; var N : byte );

var

Sigma : Parameters absolute SIG; i:byte;

begin

N := appCount;

for i:=1 to appCount do Sigma[ i ]:=appSigma[ i ];

end;

procedure setApproximationItem( SIG:real ; N : byte );

begin

appSigma[ N ] := SIG;

if( appType = apSpline )then Spline( appCount, appSigma, siB, siC, siD);

end;

procedure functionFi( x:real ; var result:complex );{get boundary conditions function value}

var

beta : array[ 1..maxPAR ]of real;

q : array[ 1..maxPAR ]of complex;

fi : array[ 0..maxPAR ]of complex;

th , z1 , z2 , z3 , z4 , z5 , z6 , z7 : complex;

i : byte;

begin

mkComp( 0, 0, fi[0] );

with cInfo do

for i:=1 to Nlay do

begin

beta[i]:=R*sqrt( w*mu0*sigma[i] ); {calculation of beta}

mkComp( sqr(x), sqr(beta[i])*m[i], z7 ); {calculation of q, z7=q^2}

SqrtC( z7, q[i] );

mulComp( q[i], b[i], z6 ); {calculation of th,z6=q*b}

tanH( z6, th ); {th=tanH(q*b)}

mkComp( sqr(m[i])*sqr(x), 0, z6 ); {z6=m2x2}

SubC( z6, z7, z5); {z5=m2x2-q2}

AddC( z6, z7, z4); {z4=m2x2+q2}

MulC( z5, th, z1); {z1=z5*th}

MulC( z4, th, z2); {z2=z4*th}

mulComp( q[i], 2*x*m[i], z3 ); {z3=2xmq}

SubC( z2, z3, z4 );

MulC( z4, fi[i-1], z5 );

SubC( z1, z5, z6 ); {z6=high}

AddC( z2, z3, z4 );

MulC( z1, fi[i-1], z5 );

SubC( z4, z5, th ); {th=low}

DivC( z6, th, fi[i] );

end;

eqlComp( result, fi[ cInfo.Nlay ] );

end;

procedure funcSimple( x:real; var result:complex );{intergrand function value}

var

z : complex;

begin

with cInfo do

begin

functionFi( x, result );

mulComp( result, exp( -x*H ), z );

mulComp( z, J1( x*Kr ), result );

mulComp( result, J1( x/Kr ), z );

eqlComp( result, z );

end;

end;

procedure funcMax( x:real; var result:complex );{max value; When Fi[Nlay]=1}

var

z1, z2 : complex;

begin

with cInfo do

begin

mkComp( 1,0,z1 );

mulComp( z1, exp(-x*H), z2 );

mulComp( z2, J1( x*Kr ), z1 );

mulComp( z1, J1( x/Kr ), result );

end;

end;

procedure integralBS( func:procFunc ; var result:complex );{integral by Simpson}

var

z , y , tmp : complex;

hh : real;

i, iLast : word;

begin

with cInfo do

begin

hh:=xMax/steps;

iLast:=steps div 2;

nullComp(tmp);

func( 0, z );

eqlComp( y, z );

for i:=1 to iLast do

begin

func( ( 2*i-1 )*hh , z );

deltaComp( tmp, z );

end;

mulComp( tmp, 4, z );

deltaComp( y, z );

nullComp( tmp );

iLast:=iLast-1;

for i:=1 to iLast do

begin

func( 2*i*hh ,z );

deltaComp( tmp, z );

end;

mulComp( tmp, 2, z );

deltaComp( y, z );

func( xmax, z );

deltaComp(y,z);

mulComp( y, hh/3, z );

eqlComp( result, z );

end;

end;{I = h/3 * [ F0 + 4*sum(F2k-1) + 2*sum(F2k) + Fn ]}

procedure integral( F:procFunc; var result:complex );{integral with given error}

var

e , e15 : real;

flag : boolean;

delta , integ1H , integ2H : complex;

begin

with cInfo do

begin

e15 :=eps*15;{ | I2h-I1h |/(2^k -1 )< Eps ; k=4 for Simpson method}

steps:=20;

flag :=false;

integralBS( F, integ2H );

repeat

eqlComp( integ1H, integ2H );

steps:=steps*2;

integralBS( F, integ2H );

SubC( integ2H, integ1H, delta );

e:=Leng( delta );

if( e

until( ( flag ) OR (steps>maxsteps) );

if( flag )then

begin

eqlComp( result, integ2H );

end

else

begin

writeln('Error: Too big number of integration steps.');

halt(1);

end;

end;

end;

procedure initConst( par1, par2 : integer; par3, par4 : real; par5:boolean );

var

i : byte;

bThick, dl, x : real;

const

Ri=0.02; hi=0.005; { radius and lift-off of excitation coil}

Rm=0.02; hm=0.005; { radius and lift-off of measuring coil}

begin

with cInfo do

begin

Nlay :=par1;

xMax :=par3;

maxsteps:=par2;

R :=sqrt( Ri*Rm );

H :=( hi+hm )/R;

Kr :=sqrt( Ri/Rm );

eps :=par4;

bThick :=hThick*0.002/R; {2*b/R [m]}

for i:=1 to Nlay do m[i]:= mu[i];

if par5 then

begin

bThick:=bThick/NLay;

for i:=1 to Nlay do b[i]:=bThick;

dl:=1/NLay;

x:=dl/2; {x grows up from bottom of slab to the top}

for i:=1 to Nlay do

begin

zCentre[i]:=x;

x:=x + dl;

end;

end

else

for i:=1 to Nlay do

begin

b[i]:=( zLayer[i+1]-zLayer[i] )*bThick;

zCentre[i]:=( zLayer[i+1]+zLayer[i] )/2;

end;

end;

end;

procedure init( f:real );{get current approach of conductivity values}

var

i : byte;

begin

with cInfo do

begin

w:=PI23*f;

for i:=1 to Nlay do sigma[i]:=getSiFunction( zCentre[i] )*1E6;

end;

end;

procedure getVoltage( freq : real ; var ur,ui : real );

var

U, U0, Uvn, tmp : complex;

begin

init( freq );

integral( funcSimple, U ); { U =Uvn }

integral( funcMax , U0 ); { U0=Uvn max }

divComp( U, Leng(U0), Uvn ); { Uvn=U/|U0| }

mkComp( 0, 1, tmp ); { tmp=( 0+j1 ) }

MulC( tmp, Uvn, U ); { U= j*Uvn = Uvn* }

ur := U.re;

ui := U.im;

end;

END.

П1.8 Модуль решения обратной задачи ВТК для НВТП EMinimum

Unit EMinimum;

INTERFACE

Uses EData, Crt, EFile, EDirect;

procedure doMinimization;

IMPLEMENTATION

procedure getFunctional( Reg : byte );

var

ur, ui, dur, dui, Rgt : real;

ur2, ui2: Functionals;

i, j, k : byte;

begin

getApproximationData( si , k );

setApproximationData( Rg, mCur );

case Reg of

0 : for i:=1 to nFreqs do {get functional F value}

begin

getVoltage( freqs[i], ur, ui );

Uer[ i ]:=ur; {we need it for dU}

Uei[ i ]:=ui;

Fh[1,i] := SQR( ur-Umr[i] ) + SQR( ui-Umi[i] );

end;

{Right:U'(i)= (U(i+1)-U(i))/h}

1 : for i:=1 to mCur do {get dF/dSI[i] value}

begin

Rgt:=Rg[i]*( 1+incVal ); {si[i]=si[i]+dsi[i]}

setApproximationItem( Rgt, i ); {set new si[i] value}

for j:=1 to nFreqs do

begin {get dUr/dSI,dUi/dSI}

getVoltage( freqs[ j ], ur, ui );

dur:=( ur-Uer[j] )/( Rg[i]*incVal );

dui:=( ui-Uei[j] )/( Rg[i]*incVal );

Fh[i,j]:=2*(dur*(Uer[j]-Umr[j])+dui*(Uei[j]-Umi[j]));

end;

setApproximationItem( Rg[i], i ); {restore si[i] value}

end;

{Central:U'(i)= (U(i+1)-U(i-1))/2h}

2 : for i:=1 to mCur do {get dF/dSI[i] value}

begin

Rgt:=Rg[i]*( 1+incVal ); {si[i]=si[i]+dsi[i]}

setApproximationItem( Rgt, i ); {set new si[i] value}

for j:=1 to nFreqs do getVoltage( freqs[j],ur2[j],ui2[j] );

Rgt:=Rg[i]*( 1-incVal ); {si[i]=si[i]-dsi[i]}

setApproximationItem( Rgt, i ); {set new si[i] value}

for j:=1 to nFreqs do

begin {get dUr/dSI,dUi/dSI}

getVoltage( freqs[ j ], ur, ui );

dur:=( ur2[j]-ur )/( 2*Rg[i]*incVal );

dui:=( ui2[j]-ui )/( 2*Rg[i]*incVal );

Fh[i,j]:=2*(dur*(Uer[j]-Umr[j])+dui*(Uei[j]-Umi[j]));

end;

setApproximationItem( Rg[i], i ); {restore si[i] value}

end;

end;

setApproximationData( si , k );

end;

procedure doMinimization;

const

mp1Max = maxPAR + 1;

mp2Max = maxPAR + 2;

m2Max = 2*( maxPAR + maxFUN );

m21Max = m2Max + 1;

n2Max = 2*maxFUN;

m1Max = maxPAR + n2Max;

n1Max = n2Max + 1;

mm1Max = maxPAR + n1Max;

minDh : real = 0.001; {criterion of an exit from golden section method}

var

A : array [ 1 .. m1Max , 1 .. m21Max ] of real;

B : array [ 1 .. m1Max] of real;

Sx: array [ 1 .. m21Max] of real;

Zt: array [ 1 .. maxPAR] of real;

Nb: array [ 1 .. m1Max] of integer;

N0: array [ 1 .. m21Max] of integer;

a1, a2, dh, r, tt, tp, tl, cv, cv1, cl, cp : real;

n2, n1, mp1, mp2, mm1, m1, m2, m21 : integer;

ain : real;

apn : real;

iq : integer;

k1 : integer;

n11 : integer;

ip : integer;

iterI : integer;

i,j,k : integer;

label

102 ,103 ,104 ,105 ,106 ,107 ,108;

begin

n2:=2*nFreqs; n1:=n2+1; m1:=mCur+n2;

mp1:=mCur+1; mp2:=mCur+2; mm1:=mCur+n1;

m2:=2*( mCur+nFreqs ); m21:=m2+1;

for k:=1 to m1Max do

for i:=1 to m21Max do

A[k,i]:=0;

iterI:=0;

102:

iterI:=iterI+1;

getFunctional( 0 );

for i:=1 to nFreqs do b[i]:= -Fh[1,i];

getFunctional( derivType );

for k:=1 to mCur do

begin

Zt[k]:=Rg[k];

for i:=1 to nFreqs do

begin

A[i,k+1]:=Fh[k,i];

A[i+nFreqs,k+1]:=-A[i,k+1];

end;

for i:=1 to nFreqs do B[i]:=B[i]+Rg[k]*A[i,k+1];

end;

for i:=1 to nFreqs do B[i+nFreqs]:=-B[i];

for i:=n1 to m1 do B[i]:=Gr[1,i-n2]-Gr[2,i-n2];

for i:=1 to m1 do

begin

if i<=n2 then

for k:=2 to mp1 do B[i]:=B[i]-A[i,k]*Gr[2,k-1];

A[i,1]:=-1;

if i>n2 then

begin

A[i,1]:=0;

for k:=2 to mp1 do

if i-n2=k-1 then A[i,k]:=1

else A[i,k]:=0;

end;

for k:=mp2 to m21 do

if k-mp1=i then A[i,k]:=1

else A[i,k]:=0;

end;

k1:=1;

for k:=1 to n2 do

if B[k1]>B[k] then k1:=k;

for k:=1 to mp1 do A[k1,k]:=-A[k1,k];

A[k1,mCur+1+k1]:=0;

B[k1]:=-B[k1];

for i:=1 to n2 do

if i<>k1 then

begin

B[i]:=B[i]+B[k1];

for k:=1 to mm1 do A[i,k]:=A[i,k]+A[k1,k];

end;

for i:=mp2 to m21 do

begin

Sx[i]:=B[i-mp1];

Nb[i-mp1]:=i;

end;

for i:=1 to mp1 do Sx[i]:=0;

Sx[1]:=B[k1];

Sx[mp1+k1]:=0;

Nb[k1]:=1;

103:

for i:=2 to m21 do N0[i]:=0;

104:

for i:=m21 downto 2 do

if N0[i]=0 then n11:=i;

for k:=2 to m21 do

if ((A[k1,n11]N0[k])) then n11:=k;

if A[k1,n11]<=0 then goto 105;

iq:=0;

for i:=1 to m1 do

if i<>k1 then

begin

if A[i,n11]>0 then

begin

iq:=iq+1;

if iq=1 then

begin

Sx[n11]:=B[i]/A[i,n11]; ip:=i;

end

else

begin

if Sx[n11]>B[i]/A[i,n11] then

begin

Sx[n11]:=B[i]/A[i,n11]; ip:=i;

end;

end;

end

else

if iq=0 then

begin

N0[n11]:=n11;

goto 104;

end;

end;

Sx[Nb[ip]]:=0;

Nb[ip]:=n11;

B[ip]:=B[ip]/A[ip,n11];

apn:=A[ip,n11];

for k:=2 to m21 do A[ip,k]:=A[ip,k]/apn;

for i:=1 to m1 do

if i<>ip then

begin

ain:=A[i,n11];

B[i]:=-B[ip]*ain+B[i];

for j:=1 to m21 do A[i,j]:=-ain*A[ip,j]+A[i,j];

end;

for i:=1 to m1 do Sx[Nb[i]]:=B[i];

goto 103;

105:

for k:=1 to mCur do Sx[k+1]:=Sx[k+1]+Gr[2,k];

a1:=0;

a2:=1.;

dh:=a2-a1;

r:=0.618033;

tl:=a1+r*r*dh;

tp:=a1+r*dh;

j:=1;

108:

if j=1 then tt:=tl else tt:=tp;

106:

for i:=1 to mCur do Rg[i]:=Zt[i]+tt*(Sx[i+1]-Zt[i]);

getFunctional( 0 );

cv:=abs(Fh[1,1]);

if nFreqs>1 then

for k:=2 to nFreqs do

begin

cv1:=abs(Fh[1,k]);

if cv

end;

if (j=1) or (j=3) then cl:=cv

else cp:=cv;

if j=1 then

begin

j:=2;

goto 108;

end;

if dh

if cl>cp then

begin

a1:=tl; dh:=a2-a1; tl:=tp; tp:=a1+r*dh ; tt:=tp; cl:=cp; j:=4;

end

else

begin

a2:=tp; dh:=tp-a1; tp:=tl; tl:=a1+r*r*dh; tt:=tl; cp:=cl; j:=3;

end;

goto 106;

107:

if (iterI < iterImax)AND(NOT saveResults( nStab,iterI )) then goto 102;

end;

End.

Приложение 2 - Удельная электрическая проводимость материалов

Приведем сводку справочных данных согласно[7-9].

Приложение 4 - Abstract

The inverse eddy current problem can be described as the task of reconstructing an unknown distribution of electrical conductivity from eddy-current probe voltage measurements recorded as function of excitation frequency. Conductivity variation may be a result of surface processing with substances like hydrogen and carbon or surface heating.

Mathematical reasons and supporting software for inverse conductivity profiling were developed by us. Inverse problem was solved for layered plane and cylindrical conductors.

Because the inverse problem is nonlinear, we propose using an iterative algorithm which can be formalized as the minimization of an error functional related to the difference between the probe voltages theoretically predicted by the direct problem solving and the measured probe voltages.

Numerical results were obtained for some models of conductivity distribution. It was shown that inverse problem can be solved exactly in case of correct measurements. Good estimation of the true conductivity distribution takes place also for measurement noise about 2 percents but in case of 5 percent error results are worse.