超声波分相阵列测试和识别基于卷积神经网络的碳纤维增强塑料中多种类型的内部缺陷

科学领域:

• 材料科学 材料科学 材料科学
• 非破坏性测试是一种非破坏性测试.
• 人工智能的人工智能

背景情况:

• 碳纤维增强塑料 (CFRP) 容易出现内部缺陷,如分层和冲击,影响性能.
• 超声波分相阵列 (UPA) 检查对于CFRP的非破坏性测试 (NDT) 是至关重要的.
• 目前的UPA技术难以准确分类各种CFRP缺陷.

研究的目的:

• 开发和验证基于UPA的NDT方法,用于对CFRP的内部缺陷进行分类.
• 利用卷积神经网络 (CNN) 来提高缺陷的识别和分类.
• 提高CFRP中检测制造和撞击相关缺陷的准确性.

主要方法:

• 创建了一组超声波C扫描图像的数据集,其中包括各种内部CFRP缺陷.
• 分析了C-scan图像中的缺陷特征.
• 一个自动编码的分类器网络被设计和训练用于缺陷识别.

主要成果:

• 提出的基于CNN的方法证明了强大的缺陷特征提取能力.
• 该技术在识别撞击和制造缺陷方面取得了很高的准确性.
• 自动编码分类器有效地识别了不同大小和类型的缺陷.

结论:

• 基于CNN的UPA方法在CFRP缺陷分类方面取得了重大进展.
• 这种方法提高了NDT在确保CFRP质量和安全方面的可靠性.
• 该研究强调了人工智能在解决材料检查中的复杂挑战方面的潜力.