一种基于UNet++的方法,用于使用全波场的CFRP层材中的分层成像
Yitian Yan1, Kang Yang2, Yaxun Gou1
1State Key Laboratory of Precision Measuring Technology and Instruments, Tianjin University, Tianjin 300072, China.
Sensors (Basel, Switzerland)
|July 30, 2025
概括
在碳纤维增强聚合物 (CFRP) 中检测分层是非常重要的. 本研究介绍了一个UNet++深度学习模型,使用2D频域光谱在CFRP结构中进行准确,无工件的分层成像.
科学领域:
- 材料科学 材料科学 材料科学
- 结构健康监测 结构健康监测
- 非破坏性测试是指非破坏性测试.
背景情况:
- 及时检测分层对于碳纤维增强聚合物 (CFRP) 的完整性和寿命至关重要.
- 在CFRP中,完整的波场数据包含了丰富的信息,用于损坏映射,但由于引导波的复杂性,难以解释.
- 现有的方法与引导波的多式和分散性质作斗争,阻碍了准确的分层成像.
研究的目的:
- 开发一个端到端的深度学习方法,用于在CFRP结构中准确的分层成像.
- 为了利用来自全波场数据的二维频域光谱 (FDS) 来增强损坏检测.
- 在模拟,实验和公共数据集上验证拟议的方法.
主要方法:
- 实现一个UNet++深度学习架构用于图像细分.
- 使用从完整波场数据中提取的2D频域光谱 (FDS) 作为输入.
- 使用自建模拟数据集,扫描激光多普勒振动测试实验数据和公共数据集进行验证.
主要成果:
- UNet++模型使用多频FDS准确预测分层位置,形状和大小.
- 该方法证明了对FDS频率偏移和噪声干扰的稳定性.
- 在模拟数据上训练的模型显示直接适用于现实世界的实验数据,产生无文物图像.
结论:
- 拟议的基于UNet++的方法为CFRP中的分层成像提供了有效的端到端解决方案.
- 该方法成功地解决了多式联络和分散导向波所带来的挑战.
- 该模型能够从模拟到实验数据进行概括,这突显了其用于结构性健康监测的实际潜力.
