多波非线性超声波融合与深度学习用于微小裂纹组的微妙参数识别

科学领域:

• 材料科学 材料科学 材料科学
• 机械工程 机械工程
• 非破坏性测试是指非破坏性测试.

背景情况:

• 金属材料的疲劳裂极大地缩短了部件的使用寿命.
• 目前的方法通常集中在单个较大的裂上,忽视微裂集群.
• 从复杂的超声波信号中识别微裂组的微妙参数是具有挑战性的.

研究的目的:

• 开发一种新的方法来识别微裂组的细微参数.
• 将多声调非线性超声响应与深度学习模型集成.
• 为了提高疲劳裂缺陷的非破坏性测试的准确性.

主要方法:

• 使用有限元法 (FEM) 信号训练一维卷积神经网络 (1D CNN).
• 分析对微裂纹参数灵敏度的和非线性超声波反应.
• 融合高波响应,用于解多个参数的识别.
• 增强Dempster-Shafer (DS) 证据理论,考虑敏感性和对决策融合的传感器权重.

主要成果:

• 使用融合高波和增强的DS理论,实现了93.73%的识别准确度.
• 通过结合基于新型冲突测量的传感器权重,进一步提高精度至95.68%.
• 证明了深度学习方法在分析复杂的超声波数据中的有效性.

结论:

• 拟议的多波非线性响应融合方法与深度学习为微裂组参数识别提供了强大的解决方案.
• 完善的DS理论和传感器权重的整合大大提高了识别准确度.
• 这种方法提高了用于评估金属元件剩余使用寿命的非破坏性测试能力.