在复合结构中使用基于羔羊波的深度学习进行损害定位和严重性评估.
Muhammad Muzammil Azad1, Olivier Munyaneza2, Jaehyun Jung1
1Department of Mechanical, Robotics and Energy Engineering, Dongguk University-Seoul, Seoul 04620, Republic of Korea.
Sensors (Basel, Switzerland)
|January 8, 2025
概括
这项研究引入了一个深度学习框架,用于使用Lamb波在复合结构中的损害检测,定位和严重性评估. 该方法准确地识别损伤,增强结构健康监测和预测性维护.
科学领域:
- 材料科学 材料科学 材料科学
- 机械工程 机械工程
- 人工智能的人工智能
背景情况:
- 复合结构需要精确的损坏识别,以确保航空,土木和机械工程中的完整性.
- 现有的方法往往侧重于损害检测或定位,而不是同时评估.
- 羊羔波 (LWs) 对于结构健康监测是有效的,但需要先进的分析技术.
研究的目的:
- 开发和验证深度学习 (DL) 辅助的框架,用于使用LWs在复合结构中同时进行损害本地化和严重性评估.
- 为了比较人工神经网络 (ANN),卷积神经网络 (CNN) 和门式循环单元 (GRU) 模型的性能,用于此任务.
- 通过数据增强以零平均高斯噪声来提高DL模型的概括能力.
主要方法:
- 一个DL辅助的框架,采用独立的ANN,CNN和GRU模型来检测损坏,定位和严重程度评估.
- 使用Lamb波 (LWs) 作为结构健康监测的传感方式.
- 实现零平均高斯噪声作为数据增强技术,以提高对信号变化和噪声的模型稳定性.
主要成果:
- 拟议的框架在复合板上实现了高精度的损害定位和严重性评估.
- 对ANN,CNN和GRU模型的比较证明了它们在损坏检测和定位方面的有效性.
- 用高斯噪声增强数据改善了DL模型的概括能力.
结论:
- 该DL辅助框架为复合结构的实时结构健康监测提供了有效的解决方案.
- 这种双重功能方法提供了一个可扩展的,数据驱动的方法来评估结构完整性.
- 这些发现支持对关键工程系统的预测性维护和可靠性保证的应用.


