卷积神经网络和水平设置的光谱元素方法用于超声波成像在一个异型复合结构中的分层腔
Boyoung Kim1, Shashwat Maharjan1, Fazle Mahdi Pranto1
1School of Engineering and Technology, Central Michigan University, Mount Pleasant, MI 48859, USA.
Ultrasonics
|February 2, 2024
概括
这项研究引入了一个卷积神经网络 (CNN),以使用弹性波信号检测复合材料中的内部分层. 该方法在没有事先知识的情况下准确地识别内部空洞,从而实现有效的非破坏性测试.
科学领域:
- 计算力学是计算力学.
- 材料科学是一种材料科学.
- 人工智能的人工智能是人工智能.
背景情况:
- 复合结构中的内部分层可以损害完整性.
- 准确检测这些缺陷对于安全性和性能至关重要.
- 现有的方法可能需要先前的知识或广泛的重组.
研究的目的:
- 开发一种计算方法来检测二维异型复合结构中的内部分层.
- 使用在模拟弹性波数据上训练的卷积神经网络 (CNN).
- 为了使缺陷检测在没有关于分层特性的预先信息的情况下.
主要方法:
- 使用二维光谱元素方法 (SEM) 模拟弹性波传播.
- 生成的训练数据与CNN输入 (波信号) 和输出 (元件类型).
- 采用了显式时间集成和水平设置方法,以有效生成数据.
- 训练CNN根据波信号将元素分类为无效或非无效.
主要成果:
- 美国有线电视新闻网有效地检测到异型结构 (,碳纤维增强环氧) 中的内部空洞.
- 该方法准确地从分类的空洞元素中重建了分层腔.
- 使用来自第三方模拟器的盲测数据验证了性能.
结论:
- 基于CNN的方法为复合结构的非破坏性测试提供了一种有效的方法.
- 该技术可以使用测量的弹性波来识别内部分层,而无需事先提供缺陷信息.
- 该方法可扩展到3D设置,并适用于各种异性质复合材料.
更多相关视频
09:02Cortical Bone Assessment Using Ultrasonic Guided Waves: A Reproducibility Study in a Healthy Population
Published on: January 31, 2025
482
06:18Intravascular Ultrasound Image-Based Finite Element Modeling Approach for Quantifying In Vivo Mechanical Properties of Human Coronary Artery
Published on: December 6, 2024
540
