CN103018338A - 一种基于声发射和神经网络的混凝土无损检测方法 - Google Patents
一种基于声发射和神经网络的混凝土无损检测方法 Download PDFInfo
- Publication number
- CN103018338A CN103018338A CN2012105143356A CN201210514335A CN103018338A CN 103018338 A CN103018338 A CN 103018338A CN 2012105143356 A CN2012105143356 A CN 2012105143356A CN 201210514335 A CN201210514335 A CN 201210514335A CN 103018338 A CN103018338 A CN 103018338A
- Authority
- CN
- China
- Prior art keywords
- concrete
- acoustic emission
- neural network
- damage
- sound emission
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Abstract
本发明提出了一种基于声发射和神经网络的混凝土无损检测方法,该方法首先建立神经网络模型,并在标准工况下采集混凝土损伤声发射信号;然后将采集到的声发射信号根据加载曲线划分成3个损伤阶段,混凝土的3个损伤阶段分别是:轻度损伤、中度损伤和严重损伤,将已经划分好的3类损伤信号作为标准工况数据输入到神经网络学习模块进行训练,得到混凝土损伤程度神经网络识别系统;最后将在对应的加载工况之下采集的混凝土声发射信号输入到神经网络识别系统中,即可实现对混凝土的损伤程度的判断。本发明化繁为简地实现了对混凝土损伤程度的在线无损监测,提高了对混凝土结构构件安全与否的预警和综合判断能力。
Description
技术领域
本发明属于土木工程损伤检测技术领域,特别涉及一种基于声发射和神经网络的混凝土无损检测方法。更特别的说,是指一种采用布置在混凝土试件表面的声发射传感器所采集的数据,首先经过神经网络训练,得到损伤程度识别系统,然后应用该系统对待识别的混凝土损伤声发射信号进行识别,进而判断混凝土的损伤程度。
背景技术
混凝土在土木工程中的应用非常广泛,我国国家建设中重要结构如高坝、桥梁、核电基础设施、高层建筑等混凝土结构在运行过程中,会不可避免地受到外界作用的影响。及时、准确地监测和评价混凝土结构损伤程度以便及时采取措施确保安全,对于保障人民生产、生活的顺利进行具有重要意义。
声发射技术(Acoustic Emission Technique)是一种无损检测技术,与其他无损检测方法相比,声发射检测是一种动态的检测方法,接收的信号是材料内部缺陷的活动信息,直接反映材料或构件内部缺陷的诱发、产生和发展状况,因其具有实时、动态和灵敏度高等优点,已开始被应用于土木工程结构的安全监测。实践表明,材料在承受荷载和其他外界作用过程的不同阶段,所伴生的声发射信号特征会呈现一系列不同的变化趋势,然而,一方面由于目前声发射信号处理过程中存在声发射源模式不可分,以及过分依赖于信号处理过程中的人为干预,效率低,误判率高等问题,另外一方面,对于混凝土的损伤破坏过程而言,由于其组成材料和各方面特性的特殊性质,在其损伤过程中所伴生的声发射信号往往呈现出多个参数同时变化发展的特征,并且某一个或若干个参数变化又可能是由多种损伤状态引起,因此,通过简单的设置阈值、分析单个声发射特征参数和相关分布分析等方法,难以将混凝土损伤过程所伴生的声发射信号按照不同的损伤程度进行识别和分类。
混凝土的损伤程度和损伤机理识别是一类典型的模式识别问题,由于其特征空间与模式类别之间存在复杂的非线性关系,故很难通过简单的超平面把特征平面的样本点划分为不同的类别。为了解决上述难题,需要一个能处理非线性映射问题的分类器,而人工神经网络具有较强的非线性能力,并且具有较好的鲁棒性和泛化能力,能够解决系统输入、输出之间存在的复杂的非线性关系问题,以及难以建立其数学模型的科学问题。
BP(Back Propagation)神经网络是一种多层前向神经网络,采用误差反向传播方法,已经在许多科学技术领域得到成功应用,也是理论上较成熟的神经网络。神经网络可以通过对系统输入、输出样本的学习,实现在没有先验知识的情况下自动提取输入、输出信息中蕴含的规律。因此,从理论上讲BP神经网络完全可以用于基于声发射信号的识别混凝土损伤程度的研究之中。
发明内容:
本发明为克服现有技术的不足,准确识别混凝土的损伤程度,提出了一种基于声发射和神经网络的混凝土无损检测方法。本发明将人工神经网络技术引入到混凝土损伤程度识别系统中,建立基于声发射技术和人工神经网络相结合的识别系统,可实现对力学荷载作用下混凝土的损伤程度进行识别。
为达到上述目的,本发明采用的技术方案是:一种基于声发射和神经网络的混凝土无损检测方法,所述方法采用声发射采集系统实时监测在加载系统进行加载试验的混凝土损伤破坏过程;通过设置混凝土试件表面的声发射传感器采集损伤过程所伴生的声发射信号;声发射传感器的输出信号依次输入前置放大器、声发射处理模块和计算机;由声发射处理模块提取到达时间、声发射上升时间、声发射振铃计数、能量计数、持续时间、平均频率、平均信号电平、到峰振铃数、回响频率这9个声发射特征参数并输入计算机中存储;重复执行若干组混凝土的损伤破坏试验,根据加载时程曲线将每个混凝土试件的损伤过程划分成3个阶段,并形成关于混凝土3个损伤阶段的声发射特征参数数据库,然后将存储于特征数据库的声发射特征信号作为训练BP神经网络的输入向量;BP神经网络的输出特征向量分别是:[1 0 0]、[0 1 0]和[0 0 1],其中[1 0 0]表示混凝土轻度损伤阶段,[0 1 0]表示混凝土中度损伤阶段,[0 0 1]表示混凝土严重损伤阶段。
本发明的有益效果为:本发明提出了一种基于声发射和神经网络的混凝土无损检测方法,该方法首先建立神经网络模型,并在标准工况下采集混凝土损伤声发射信号;然后将采集到的声发射信号根据加载曲线划分成3个损伤阶段,混凝土的3个损伤阶段分别是:轻度损伤、中度损伤和严重损伤,将已经划分好的3类损伤信号作为标准工况数据输入到神经网络学习模块进行训练,得到混凝土损伤程度神经网络识别系统;最后将在对应的加载工况之下采集的混凝土声发射信号输入到神经网络识别系统中,即可实现对混凝土的损伤程度的判断。本发明化繁为简地实现了对混凝土损伤程度的在线无损监测,提高了对混凝土结构构件安全与否的预警和综合判断能力。
附图说明
图1是本发明操作流程示意图。
具体实施方案
下面结合附图对本发明提出的一种基于声发射和神经网络的混凝土无损检测方法,进行详细说明:
根据加载曲线将加载损伤分解为3个阶段,分别为:0-40%极限荷载,40-75%极限荷载,75-100%极限荷载阶段,确定相应的各阶段时间节点之后,对相应的声发射监测数据进行划分。这3个加载阶段依次对应混凝土轻度损伤阶段、中度损伤阶段和严重损伤阶段,将此分阶段数据作为接下来的神经网络训练所需的数据。
本发明采用BP神经网络将声发射特征参数进行优化提取,提取原始数据中的到达时间、声发射上升时间、声发射振铃计数、能量计数、持续时间、平均频率、平均信号电平、到峰振铃数、回响频率9个声发射特征参数作为训练神经网络的输入样本,从而确定了BP神经网络的输入层有9个输入节点;混凝土轻度损伤、中度损伤和严重损伤3个阶段,对应神经网络输出层的3个输出节点;再对BP神经网络的隐含层节点数进行设置,最佳隐含层节点数根据所设计神经网络的输入层神经元节点数和输出层神经元节点数确定大致范围为[6,26],逐一测试,选取最佳隐含层节点数为22;输出层有3个神经元,若训练样本属于混凝土轻度损伤阶段,则第一个输出神经元输出为1,第二、三个神经元输出为0;若训练样本属于混凝土中度损伤阶段,则第一、三个输出神经元输出为0,第二个神经元输出为1;若训练样本属于混凝土严重损伤阶段,则第一、二个输出神经元输出为0,第三个神经元输出为1。
BP神经网络参数设置:隐含层神经元传递函数采用正切S型传递函数;网络学习函数采用带动量项的BP学习规则;训练函数选用梯度下降法和拟牛顿法的结合算法;性能分析函数采用计算输出矢量和目标矢量之间的均方误差的函数;BP神经网络权值与阈值的初值由系统随机产生,并通过反向传播来不断调整网络的权值和阈值,使网络性能分析函数达到最小;神经网络在训练的过程中,最大训练次数取为50次,学习速率取为0.001,设定达到的允许误差值为0.001,即在网络的输出和样本之间的差小于给定的误差范围,则停止对网络权值的修正。
本实施例操作过程如图1所示,建立一整套完整的混凝土损伤声发射检测平台,将声发射传感器放置于编号为C1的混凝土试件表面,利用加载装置对混凝土试件进行单调静态加载,在加载过程中同步使用声发射采集系统采集混凝土损伤过程所伴生的声发射信号,与此同时,在计算机控制下的加载系统同步记录荷载时程曲线,完成加载曲线和混凝土损伤所伴生的声发射信号同步采集并存储完成之后,分别对试件C2、C3、C4重复相同的试验,然后将此若干组数据作为接下来神经网络训练所需的样本数据,将普通混凝土试件C1-C3损伤破坏过程中所采集到的声发射信号作为训练所述BP神经网络的输入数据;将混凝土试件C4损伤破坏过程所接收到的声发射信号作为待测数据,输入神经网络模型进行识别,最后给出识别准确率,混凝土试件C4轴压损伤破坏过程的3个损伤阶段轻度损伤阶段、中度损伤阶段和严重损伤阶段的神经网络识别准确率分别达到了92.2%、96.6%和99.4%;所述混凝土试件C1、C2、C3、C4都是普通混凝土构件。
Claims (2)
1.一种基于声发射和神经网络的混凝土无损检测方法,其特征在于,所述混凝土无损检测方法实时监测加载系统进行加载试验的混凝土损伤破坏过程,通过混凝土试件表面的声发射传感器采集损伤过程所伴生的声发射信号,所述声发射传感器的输出信号输入前置放大器放大后交给声发射处理模块,所述声发射处理模块提取声发射信号特征参数并输入计算机中存储;重复执行至少3组混凝土损伤破坏试验,构成混凝土试件损伤过程的声发射特征参数数据库,用于训练神经网络;所述神经网络采用BP神经网络,该BP神经网络输入层包含9个输入神经元,输出层包含3个输出神经元,隐含层包含22个神经元,将存储于特征参数数据库的声发射信号特征参数作为训练BP神经网络的输入向量,输出特征向量分别是:[1 0 0]、[0 1 0]和[0 0 1],其中[1 0 0]表示混凝土轻度损伤阶段,[0 1 0]表示混凝土中度损伤阶段,[0 0 1]表示混凝土严重损伤阶段;声发射采集系统实时监测的混凝土构件表面的声发射信号特征参数输入到经过训练的神经网络系统,所述神经网络系统输出特征向量,从而得到所监测混凝土构件损伤程度。
2.如权利要求1所述的一种基于声发射和神经网络的混凝土无损检测方法,其特征在于,所述声发射信号特征参数包括到达时间、声发射上升时间、声发射振铃计数、能量计数、持续时间、平均频率、平均信号电平、到峰振铃数和回响频率9个声发射特征参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012105143356A CN103018338A (zh) | 2012-12-05 | 2012-12-05 | 一种基于声发射和神经网络的混凝土无损检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012105143356A CN103018338A (zh) | 2012-12-05 | 2012-12-05 | 一种基于声发射和神经网络的混凝土无损检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103018338A true CN103018338A (zh) | 2013-04-03 |
Family
ID=47967177
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2012105143356A Pending CN103018338A (zh) | 2012-12-05 | 2012-12-05 | 一种基于声发射和神经网络的混凝土无损检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103018338A (zh) |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103439413A (zh) * | 2013-08-07 | 2013-12-11 | 湘潭大学 | 一种热障涂层损伤模式自动识别的声发射信号分析方法 |
CN104316341A (zh) * | 2014-11-17 | 2015-01-28 | 金陵科技学院 | 一种基于bp神经网络的地下结构损伤识别方法 |
CN105243193A (zh) * | 2015-09-16 | 2016-01-13 | 三峡大学 | 一种确定徐变试验棱柱体试件抗压强度折算系数的方法 |
CN103852523B (zh) * | 2014-03-27 | 2016-01-27 | 河南省第二公路工程有限公司 | 基于声发射技术判别预应力混凝土梁结构损伤类型的系统及方法 |
CN107367377A (zh) * | 2017-07-14 | 2017-11-21 | 西安建筑科技大学 | 基于声发射振铃计数的钢筋混凝土受弯构件承载力评估方法 |
CN108491931A (zh) * | 2018-03-29 | 2018-09-04 | 四川升拓检测技术股份有限公司 | 一种基于机器学习提高无损检测精度的方法 |
CN108844856A (zh) * | 2018-07-04 | 2018-11-20 | 四川升拓检测技术股份有限公司 | 基于弹性冲击波和机器学习的套筒灌浆缺陷无损检测方法 |
CN109959726A (zh) * | 2019-03-29 | 2019-07-02 | 南昌航空大学 | 一种玻璃纤维复合材料弯压损伤声发射特征参数表征方法 |
CN109975412A (zh) * | 2019-03-29 | 2019-07-05 | 中国电建集团华东勘测设计研究院有限公司 | 基于超声波频谱深度迁移学习的岩心单轴抗压强度测定方法及装置 |
CN110457758A (zh) * | 2019-07-16 | 2019-11-15 | 江西理工大学 | 岩体失稳阶段的预测方法、装置、系统以及存储介质 |
CN111855397A (zh) * | 2019-04-25 | 2020-10-30 | 深圳市玄羽科技有限公司 | 无损检测方法及系统 |
CN112144321A (zh) * | 2020-09-18 | 2020-12-29 | 同济大学 | 一种用于无砟轨道板裂缝的无损监测方法 |
CN112213396A (zh) * | 2020-09-18 | 2021-01-12 | 同济大学 | 一种轨道交通无砟轨道板无损检测方法 |
CN112362756A (zh) * | 2020-11-24 | 2021-02-12 | 长沙理工大学 | 一种基于深度学习的混凝土结构损伤监测方法及系统 |
CN112613105A (zh) * | 2020-12-25 | 2021-04-06 | 扬州大学 | 一种基于声发射参数与遗传算法优化bp神经网络的钢筋混凝土梁损伤状态识别方法 |
CN115404840A (zh) * | 2022-08-24 | 2022-11-29 | 中南大学 | 一种基于深度学习的损伤感知和灾变预警智能土工织物 |
US11628445B2 (en) | 2019-04-09 | 2023-04-18 | Jiangxi University Of Science And Technology | Material crushing cavity structure and method for designing a multi-stage nested material crushing cavity structure |
CN116698988A (zh) * | 2023-07-18 | 2023-09-05 | 郑州大学 | 一种t梁桥预应力钢绞线损伤断丝混凝土表面声发射传感器布置方法 |
CN116698988B (zh) * | 2023-07-18 | 2024-05-17 | 郑州大学 | 一种t梁桥预应力钢绞线损伤断丝混凝土表面声发射传感器布置方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006010595A (ja) * | 2004-06-29 | 2006-01-12 | Railway Technical Res Inst | 交通荷重による2次起因のae音による構造物損傷度判定方法 |
CN101206196A (zh) * | 2006-12-14 | 2008-06-25 | 松下电工株式会社 | 无损检查装置 |
CN101566601A (zh) * | 2009-05-04 | 2009-10-28 | 北京航空航天大学 | 采用神经网络和耦合迭代对16Mn钢承力件进行拉伸损伤状态的识别系统 |
CN101609515A (zh) * | 2009-06-25 | 2009-12-23 | 福州大学 | 基于人工智能的混凝土配合比设计方法 |
CN101975825A (zh) * | 2010-09-10 | 2011-02-16 | 江苏大学 | 一种提取拉深件裂纹声发射信号特征参数的方法 |
CN101995436A (zh) * | 2010-10-26 | 2011-03-30 | 江苏大学 | 基于神经网络的拉深件裂纹监测方法 |
CN102692456A (zh) * | 2012-05-02 | 2012-09-26 | 江苏大学 | 一种识别金属拉深件成形微裂纹位置的方法 |
-
2012
- 2012-12-05 CN CN2012105143356A patent/CN103018338A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006010595A (ja) * | 2004-06-29 | 2006-01-12 | Railway Technical Res Inst | 交通荷重による2次起因のae音による構造物損傷度判定方法 |
CN101206196A (zh) * | 2006-12-14 | 2008-06-25 | 松下电工株式会社 | 无损检查装置 |
CN101566601A (zh) * | 2009-05-04 | 2009-10-28 | 北京航空航天大学 | 采用神经网络和耦合迭代对16Mn钢承力件进行拉伸损伤状态的识别系统 |
CN101609515A (zh) * | 2009-06-25 | 2009-12-23 | 福州大学 | 基于人工智能的混凝土配合比设计方法 |
CN101975825A (zh) * | 2010-09-10 | 2011-02-16 | 江苏大学 | 一种提取拉深件裂纹声发射信号特征参数的方法 |
CN101995436A (zh) * | 2010-10-26 | 2011-03-30 | 江苏大学 | 基于神经网络的拉深件裂纹监测方法 |
CN102692456A (zh) * | 2012-05-02 | 2012-09-26 | 江苏大学 | 一种识别金属拉深件成形微裂纹位置的方法 |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103439413B (zh) * | 2013-08-07 | 2015-11-18 | 湘潭大学 | 一种热障涂层损伤模式自动识别的声发射信号分析方法 |
CN103439413A (zh) * | 2013-08-07 | 2013-12-11 | 湘潭大学 | 一种热障涂层损伤模式自动识别的声发射信号分析方法 |
CN103852523B (zh) * | 2014-03-27 | 2016-01-27 | 河南省第二公路工程有限公司 | 基于声发射技术判别预应力混凝土梁结构损伤类型的系统及方法 |
CN104316341A (zh) * | 2014-11-17 | 2015-01-28 | 金陵科技学院 | 一种基于bp神经网络的地下结构损伤识别方法 |
CN105243193B (zh) * | 2015-09-16 | 2018-02-02 | 三峡大学 | 一种确定徐变试验棱柱体试件抗压强度折算系数的方法 |
CN105243193A (zh) * | 2015-09-16 | 2016-01-13 | 三峡大学 | 一种确定徐变试验棱柱体试件抗压强度折算系数的方法 |
CN107367377A (zh) * | 2017-07-14 | 2017-11-21 | 西安建筑科技大学 | 基于声发射振铃计数的钢筋混凝土受弯构件承载力评估方法 |
CN107367377B (zh) * | 2017-07-14 | 2019-04-02 | 西安建筑科技大学 | 基于声发射振铃计数的钢筋混凝土受弯构件承载力评估方法 |
CN108491931A (zh) * | 2018-03-29 | 2018-09-04 | 四川升拓检测技术股份有限公司 | 一种基于机器学习提高无损检测精度的方法 |
CN108491931B (zh) * | 2018-03-29 | 2023-12-19 | 四川升拓检测技术股份有限公司 | 一种基于机器学习提高无损检测精度的方法 |
CN108844856A (zh) * | 2018-07-04 | 2018-11-20 | 四川升拓检测技术股份有限公司 | 基于弹性冲击波和机器学习的套筒灌浆缺陷无损检测方法 |
CN108844856B (zh) * | 2018-07-04 | 2023-08-15 | 四川升拓检测技术股份有限公司 | 基于冲击弹性波和机器学习的套筒灌浆缺陷无损检测方法 |
CN109959726A (zh) * | 2019-03-29 | 2019-07-02 | 南昌航空大学 | 一种玻璃纤维复合材料弯压损伤声发射特征参数表征方法 |
CN109975412A (zh) * | 2019-03-29 | 2019-07-05 | 中国电建集团华东勘测设计研究院有限公司 | 基于超声波频谱深度迁移学习的岩心单轴抗压强度测定方法及装置 |
US11628445B2 (en) | 2019-04-09 | 2023-04-18 | Jiangxi University Of Science And Technology | Material crushing cavity structure and method for designing a multi-stage nested material crushing cavity structure |
CN111855397A (zh) * | 2019-04-25 | 2020-10-30 | 深圳市玄羽科技有限公司 | 无损检测方法及系统 |
CN110457758A (zh) * | 2019-07-16 | 2019-11-15 | 江西理工大学 | 岩体失稳阶段的预测方法、装置、系统以及存储介质 |
CN112213396A (zh) * | 2020-09-18 | 2021-01-12 | 同济大学 | 一种轨道交通无砟轨道板无损检测方法 |
CN112144321A (zh) * | 2020-09-18 | 2020-12-29 | 同济大学 | 一种用于无砟轨道板裂缝的无损监测方法 |
CN112362756A (zh) * | 2020-11-24 | 2021-02-12 | 长沙理工大学 | 一种基于深度学习的混凝土结构损伤监测方法及系统 |
CN112362756B (zh) * | 2020-11-24 | 2024-02-20 | 长沙理工大学 | 一种基于深度学习的混凝土结构损伤监测方法及系统 |
CN112613105A (zh) * | 2020-12-25 | 2021-04-06 | 扬州大学 | 一种基于声发射参数与遗传算法优化bp神经网络的钢筋混凝土梁损伤状态识别方法 |
CN112613105B (zh) * | 2020-12-25 | 2024-03-08 | 扬州大学 | 一种基于声发射参数与遗传算法优化bp神经网络的钢筋混凝土梁损伤状态识别方法 |
CN115404840A (zh) * | 2022-08-24 | 2022-11-29 | 中南大学 | 一种基于深度学习的损伤感知和灾变预警智能土工织物 |
CN116698988A (zh) * | 2023-07-18 | 2023-09-05 | 郑州大学 | 一种t梁桥预应力钢绞线损伤断丝混凝土表面声发射传感器布置方法 |
CN116698988B (zh) * | 2023-07-18 | 2024-05-17 | 郑州大学 | 一种t梁桥预应力钢绞线损伤断丝混凝土表面声发射传感器布置方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103018338A (zh) | 一种基于声发射和神经网络的混凝土无损检测方法 | |
Worden et al. | Impact location and quantification on a composite panel using neural networks and a genetic algorithm | |
Ai et al. | Source localization on large-scale canisters for used nuclear fuel storage using optimal number of acoustic emission sensors | |
Cheung et al. | The application of statistical pattern recognition methods for damage detection to field data | |
CN104634879A (zh) | 一种金属材料疲劳加载试验与疲劳损伤无损检测分析方法 | |
CN109325263A (zh) | 基于神经网络的桁架桥梁损伤位置与损伤程度识别方法 | |
Paulraj et al. | Structural steel plate damage detection using non destructive testing, frame energy based statistical features and artificial neural networks | |
Kaplan et al. | Feature extraction of ball bearings in time-space and estimation of fault size with method of ANN | |
CN106198749A (zh) | 一种基于金属裂纹监测的多路传感器的数据融合方法 | |
Khoshnoudian et al. | A new damage index using FRF data, 2D-PCA method and pattern recognition techniques | |
CN110057918B (zh) | 强噪声背景下的复合材料损伤定量识别方法及系统 | |
Paulraj et al. | Structural steel plate damage detection using DFT spectral energy and artificial neural network | |
CN109472111A (zh) | 一种基于arch模型的非线性结构损伤识别方法 | |
CN108287964A (zh) | 一种基于加速度内积向量的灰云推理结构损伤识别方法 | |
Kanwar et al. | Damage detection for framed RCC buildings using ANN modeling | |
Dworakowski et al. | Application of artificial neural networks for damage indices classification with the use of Lamb waves for the aerospace structures | |
Wang et al. | Early sub-surface fault detection in rolling element bearing using acoustic emission signal based on a hybrid parameter of energy entropy and deep autoencoder | |
Tao et al. | Detection of small gas leaks based on neural networks and DS evidential theory using ultrasonics | |
Qian et al. | Pattern recognition of fatigue damage acoustic emission signal | |
Nazarko et al. | Anomaly detection in composite elements using Lamb waves and soft computing methods | |
CN117233347B (zh) | 一种碳钢球化等级测量方法、系统及设备 | |
LIN et al. | Application of Neural Network Entropy Algorithm and Convolution Neural Network for Structural Health Monitoring | |
Kats et al. | Optimization of the features extraction method in cyber physical systems of monitoring energy infrastructure facilities | |
CN112214888B (zh) | 一种基于索力监测的支承索健康监测方法 | |
Ai et al. | Identifying the Energy of Low-velocity Impacts on Composite Components Using Acoustic Emission |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20130403 |