LSWNet:一种基于物理学的神经网络,用于超声波波场预测和在单向CFRP中弹性常量逆转

科学领域:

• 材料科学 材料科学 材料科学
• 非破坏性测试 不破坏性测试
• 计算力学 计算力学 计算力学

背景情况:

• 精确的弹性常数对于碳纤维增强塑料 (CFRP) 的超声波缺陷检测至关重要.
• 由于波场模拟成本,全波形逆转在计算上是昂贵的,这阻碍了非破坏性的现场表征.
• 现有的方法在计算效率和CFRP分析的实时应用方面面临挑战.

研究的目的:

• 提出一种新的物理信息神经网络 (PINN) 方法,LSWNet,用于在单向CFRP中高效的前向波场预测和弹性常量逆转.
• 克服传统波场模拟的计算局限性,用于非破坏性超声波测试.
• 为了能够准确地在现场描述弹性常数和高分辨率的CFRP损伤成像.

主要方法:

• 开发了一个基于PINN的纵向和剪切波场网络 (LSWNet).
• 嵌入弹性波方程和超声波测量数据作为波场和弹性常数预测的物理约束.
• 利用将学习从小规模转移到大规模模型以加快融合.
• 使用有限元模拟和实验数据验证了该方法.

主要成果:

• 与有限元模拟相比,LSWNet准确地预测了具有较低平均平方误差的波场 (≤3.2 × 10−3).
• 该方法成功地将弹性常数 (C66,C13,C44) 逆转至接近实际值.
• 来自LSWNet的弹性常数在应用到总聚焦方法时提高了分层检测分辨率.

结论:

• 拟议的LSWNet方法有效地解决了CFRP超声波波场分析中的前向和反向问题.
• 它可以有效地在现场描述弹性常数和高分辨率损伤成像.
• 这种方法为CFRP材料的非破坏性测试和结构健康监测提供了重大进展.