在复合板中使用基于卷积神经网络的羔羊波技术检测分层深度

科学领域:

• 材料科学 材料科学 材料科学
• 机械工程 机械工程
• 计算机科学 计算机科学

背景情况:

• 分层是复合板的关键故障模式,存在重大安全风险.
• 结构健康监测 (SHM) 技术对于检测分层至关重要,但自动化仍然是一个挑战.
• 卷积神经网络 (CNN) 在自动化非破坏性测试 (NDT) 数据分析方面表现有前途.

研究的目的:

• 开发一种自动化系统,以区分原始结构和受损的复合结构.
• 使用CNN和Lamb波浪技术,根据深度对分层进行分类.
• 为了研究分层深度对引导波传播的影响.

主要方法:

• 一个拟议的CNN模型与Lamb波技术集成.
• 使用压电晶片活性传感器 (PWAS) 和扫描激光多普勒振动计 (SLDV) 的数值模拟和实验验证.
• 利用了三个数据集:数值波场图像,实验波场图像和实验波数频谱图像.

主要成果:

• 数字和实验研究都证实了分层深度直接影响被困的波浪能量和分布.
• 拟议的CNN模型在所有三个数据集中准确地分类了四个类别 (原始和三个分层深度).
• 对谷歌LeNet CNN的验证显示出了很好的一致性,证实了该模型的预测能力.

结论:

• 开发的自动化系统有效地检测和分类复合板的分层深度.
• 波场和波数频谱图像是分层检测中CNN的合适输入数据.
• 这项研究推进了复合结构健康监测的自动化NDT.