基于卷积神经网络和双向封闭循环单元 (CNN-BiGRU) 的复合结合结构的超声波非破坏性测试,通过注意力机制进行优化
Wenhan Qu1,2, Yintang Wen1,2, Ning Yao1
1School of Electrical Engineering, Yanshan University, Qinhuangdao 066004, Hebei, China.
The Review of scientific instruments
|April 21, 2025
概括
一种具有注意力机制的新型CNN-BiGRU模型使用超声波测试准确检测飞机陶矩阵复合材料中的缺陷. 这种先进的方法改善了信号分析,提高了飞机的安全性.
科学领域:
- 材料科学 材料科学 材料科学
- 航空航天工程 航空航天工程
- 人工智能的人工智能
背景情况:
- 陶矩阵复合材料 (CMC) 对于飞机的热保护至关重要.
- 由于潜在的脱落,CMC结合结构的缺陷会带来重大安全风险.
- 超声波非破坏性测试 (NDT) 面临着CMC的挑战,原因是信号衰减和分散.
研究的目的:
- 开发一种先进的方法,用于精确识别CMC结合结构中的缺陷.
- 克服传统超声波无声检测在多孔,吸声CMC中的局限性.
- 通过改进的缺陷检测,提高飞机结构的可靠性和安全性.
主要方法:
- 这是一种新的方法,结合了卷积神经网络 (CNN) 和双向门循环单元 (BiGRU),通过超声波信号分析的注意力机制进行了优化.
- 使用CNN在时间和频率领域提取特征,注意力机制对重要特征进行加权.
- 时间和频率域特征的融合,然后使用非线性支持向量机器 (SVM) 进行全球平均聚合和分类.
主要成果:
- 拟议的CNN-BiGRU模型在缺陷识别方面实现了97.70%的高精度.
- 该方法有效地克服了CMC材料固有的信号减弱和散射问题.
- 它的性能优于依赖于手动特征提取的传统分类器.
结论:
- 开发的注意力优化的CNN-BiGRU模型为复合材料粘合结构中缺陷检测提供了卓越的解决方案.
- 这种技术为航空航天安全的实际工程应用提供了宝贵的参考.
- 该研究强调了深度学习在推进复杂材料的NDT方面的潜力.
