使用深度学习方法对复合板材进行基于Lamb波的损害评估

科学领域:

• 材料科学 材料科学 材料科学
• 非破坏性测试 不破坏性测试
• 人工智能的人工智能

背景情况:

• 复合材料越来越多地被用于其先进的特性,需要强大的结构健康监测.
• 基于Lamb波的方法对复合材料的损伤检测有希望,但定量表征,特别是分层,仍然具有挑战性.
• 现有的深度学习模型往往缺乏对损害评估的物理解释性.

研究的目的:

• 提出一种新的深度学习架构,基于卷积稀疏编码的UNet (CSCUNet),用于改进复合板材中的超声波Lamb波基损害评估.
• 提高在多层复合结构中对分层的定量检测和表征.
• 提高结构性健康监测的深度学习模型的性能和物理解释性.

主要方法:

• 使用延迟和和算法生成Lamb波传播的低分辨率图像.
• 采用带有编码器解码器框架的UNet架构,将低分辨率输入转换为高分辨率损坏图像.
• 多层卷积稀疏编码块集成到UNet编码器中,以提高性能和可解释性.

主要成果:

• CSCUNet有效地识别了复合样本中分层的位置,大小和形状.
• 该模型展示了强大的特征提取能力,导致高分辨率损坏成像.
• 增强的解释性允许精确地评估复合材料损坏的轮.

结论:

• 拟议的CSCUNet提供了一种有效的解决方案,用于对复合板材的基于超声波Lamb波的损害评估.
• 卷积稀疏编码的整合显著提高了损坏特征的准确性和可解释性.
• 这种方法可以促进复合结构的结构健康监测,确保其完整性和可靠性.