CN110389176B - 一种碳纤维增强基复合材料结构的疲劳损伤诊断方法 - Google Patents
一种碳纤维增强基复合材料结构的疲劳损伤诊断方法 Download PDFInfo
- Publication number
- CN110389176B CN110389176B CN201910620495.0A CN201910620495A CN110389176B CN 110389176 B CN110389176 B CN 110389176B CN 201910620495 A CN201910620495 A CN 201910620495A CN 110389176 B CN110389176 B CN 110389176B
- Authority
- CN
- China
- Prior art keywords
- carbon fiber
- fatigue damage
- matrix composite
- fiber reinforced
- composite structure
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/4472—Mathematical theories or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Analysis (AREA)
- Algebra (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Signal Processing (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
Abstract
本发明属于复合材料结构疲劳损伤检测相关技术领域,其公开了一种碳纤维增强基复合材料结构的疲劳损伤诊断方法,该方法包括以下步骤:(1)根据确定的致动频段向碳纤维增强基复合材料试样发射导波并采集导波信号;(2)以健康状态下的导波为基准来确定导波信号的损伤指数,继而基于损伤指数来自动对导波信号进行标签;(3)利用连续小波变换方法对导波信号进行处理以得到CWT图,并构建卷积神经网络模型,进而对卷积神经网络模型进行训练,以得到疲劳损伤诊断模型;(4)将待测碳纤维增强基复合材料结构中传播的导波对应的CWT图输入到疲劳损伤诊断模型,以进行疲劳损伤诊断。本发明提高了精度和适用性,灵活性较好。
Description
技术领域
本发明属于复合材料结构疲劳损伤检测相关技术领域,更具体地,涉及一种碳纤维复合材料结构的疲劳损伤诊断方法。
背景技术
碳纤维增强基(CFRP)复合材料因其优越的综合性能而被广泛应用于航空航天、汽车等制造领域,由于碳纤维增强基复合材料具有复杂内部结构和各向异性特性,碳纤维增强基复合材料的疲劳损伤规律一直尚不明确,限制了碳纤维增强基复合材料大范围应用。因此,发展可靠、通用、精准的诊断技术可以有效诊断碳纤维增强基复合材料结构因疲劳损伤带来的可靠性风险,推动碳纤维增强基复合材料的工程应用。
Lamb波是一种由横波和纵波在传播的过程中经由板的上下平面反射耦合而成的弹性应力波,也称为板波或者导波。Lamb波在板状结构中传播时,能量衰减小,传播距离远,对小损伤敏感,而且可同时检测结构的表面缺陷和内部缺陷,因此被广泛应用于复合材料板中的损伤检测和定位。然而,Lamb波技术存在众多局限性,如多重缺陷会导致信号的叠加效应,严重缺陷会使信号快速衰减,结构外覆层容易导致回波信号的衰减等,这些因素都会导致导波信号中干扰成分的增加,进而导致检测精度较低。相应地,本领域存在着发展一种精度较好的碳纤维增强基复合材料结构的疲劳损伤诊断方法的技术需求。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种碳纤维复合材料结构的疲劳损伤诊断方法,其基于碳纤维增强基复合材料结构的损伤检测特点,研究及设计了一种精度较好的碳纤维增强基复合材料结构的疲劳损伤诊断方法。所述方法结合了卷积神经网络及连续小波变换,其首先,通过信号分析对Lamb波信号进行筛选;其次,使用连续小波变换提取Lamb波信号的时频域特征,绘制CWT图;然后,基于损伤指数自动给出CWT图的数据标签;最后,利用得到的图像及标签训练卷积神经网络,并采用训练好的卷积神经网络预测损伤状态,提高了精度及适用性。
为实现上述目的,本发明提供了一种碳纤维复合材料结构的疲劳损伤诊断方法,该方法包括以下步骤:
(1)依据Lamb波在待测碳纤维增强基复合材料结构中传播的频散曲线来确定致动频段,并根据所述致动频段向所述碳纤维增强基复合材料试样发射Lamb波,继而采集碳纤维增强基复合材料试样中传导的Lamb波信号;
(2)以碳纤维增强基复合材料在健康状态下的Lamb波为基准来确定当前的所述Lamb波信号的损伤指数,继而基于所述损伤指数来自动对所述Lamb波信号进行标签;
(3)利用连续小波变换方法对标签后的所述Lamb波信号进行处理以得到CWT图,并基于所述CWT图构建卷积神经网络模型,进而基于所述CWT图及所述Lamb波信号的数据标签来对所述卷积神经网络模型进行训练,以得到疲劳损伤诊断模型;
(4)将待测碳纤维增强基复合材料结构中传播的Lamb波对应的CWT图输入到所述疲劳损伤诊断模型,所述疲劳损伤诊断模型基于接收到的CWT图对待测碳纤维增强基复合材料结构进行疲劳损伤诊断。
进一步地,步骤(4)中,若诊断出待测碳纤维增强基复合材料结构出现疲劳损伤,则进一步确定待测碳纤维增强基复合材料结构出现疲劳损伤的位置,否则结束。
进一步地,将预定数量的PZT传感器固定在碳纤维增强基复合材料结构的表面组成阵列,负责发射信号的PZT传感器称为致动传感器,负责接收信号的PZT传感器称为接收传感器,致动传感器与接收传感器之间组成的检测通道覆盖碳纤维增强基复合材料结构需要检测的区域。
进一步地,若诊断出待测碳纤维增强基复合材料结构出现疲劳损伤,则在PZT传感器组成的阵列图中标注不同检测通道的疲劳损伤诊断结果,出现疲劳损伤的检测通道组成的封闭区域即为待测碳纤维增强基复合材料结构出现疲劳损伤的位置。
进一步地,损伤指数的计算公式为:
DI=1-Corr2
式中,Corr为基准信号与损伤信号之间的相关系数。
进一步地,损伤指数DI值第一次大于等于0.72时的循环次数与之后循环次数所对应的数据均被视为损伤状态下的数据。
进一步地,所述卷积神经网络模型包括四个卷积层。
进一步地,所述卷积神经网络模型训练时采用批量归一化方法来提高网络预测精度,使用L2正则化来减缓过拟合现象。
进一步地,步骤(1)中,将12个PZT传感器固定在碳纤维增强基复合材料的表面组成阵列,其中6个PZT传感器作为致动传感器发射信号,另外6个PZT传感器作为接收传感器接收信号。
进一步地,六个致动传感器与六个接收传感器之间组成36条检测通道,该36个检测通道覆盖了碳纤维增强基复合材料待检测的区域。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,本发明提供的碳纤维增强基复合材料结构的疲劳损伤诊断方法主要具有以下有益效果:
1.利用连续小波变换方法对标签后的所述Lamb波信号进行处理,由此利用了连续小波变换对非平稳信号在时间和频率两个尺度的刻画能力,可以展现Lamb波信号中所包含的疲劳损伤信息和外界干扰等成分,提高了疲劳损伤信息的清晰度。
2.以碳纤维增强基复合材料在健康状态下的Lamb波为基准来确定当前的所述Lamb波信号的损伤指数,继而基于所述损伤指数来自动对所述Lamb波信号进行标签,提高了效率的同时避免了目测带来的标签差异。
3.采用了卷积神经网络模型,如此利用了卷积神经网络模型强大的图像分类能力,使得本方法无需复杂的模态分析和特征提取就可以有效识别Lamb波信号中的损伤信息,给出精确的诊断结果,提高了诊断效率及精度。
4.若诊断出待测碳纤维增强基复合材料结构出现疲劳损伤,则进一步确定待测碳纤维增强基复合材料结构出现疲劳损伤的位置,如此基于疲劳损伤的诊断结果,本方法利用检测通道组成的封闭图形进行疲劳损伤定位,定位成像结果准确、简便。
5.致动传感器与接收传感器之间组成的检测通道覆盖碳纤维增强基复合材料结构需要检测的区域,如此可以实现全范围内的损伤检测,适用性较强。
附图说明
图1是本发明提供的碳纤维增强基复合材料结构的疲劳损伤诊断方法的流程示意图;
图2是图1中的碳纤维增强基复合材料结构的疲劳损伤诊断方法涉及的PZT传感器阵列示意图;
图3是图1中的碳纤维增强基复合材料结构的疲劳损伤诊断方法涉及的疲劳损伤定位的成像示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
请参阅图1、图2及图3,本发明提供的碳纤维增强基复合材料结构的疲劳损伤诊断方法,所述方法主要包括以下步骤:
步骤一,依据Lamb波在待测碳纤维增强基复合材料结构中传播的频散曲线来确定致动频段,并根据所述致动频段向所述碳纤维增强基复合材料试样发射Lamb波,继而采集碳纤维增强基复合材料试样中传导的Lamb波信号。
具体地,将若干个PZT传感器固定在碳纤维增强基复合材料结构的表面组成阵列,负责发射信号的PZT传感器称作致动传感器,负责接收信号的PZT传感器称作接收传感器,致动传感器和接收传感器之间组成检测通道覆盖需要检测的区域。其中,依据Lamb波在待测碳纤维增强基复合材料结构中传播的频散曲线来确定致动频段,并依据所述致动频段向所述碳纤维增强基复合材料试样发射Lamb波,继而采集所述碳纤维增强基复合材料试样中传导的Lamb波信号。
步骤二,以碳纤维增强基复合材料在健康状态下的Lamb波为基准来确定当前的所述Lamb波信号的损伤指数,继而基于所述损伤指数来自动对所述Lamb波信号进行标签。
具体地,随着疲劳损伤次数的增加,待测碳纤维增强基复合材料结构中会出现疲劳损伤,分层损伤是疲劳损伤中的主要类型之一。对于上述检测通道来说,附近区域产生的分层损伤会使得该检测通道中传播的Lamb波信号发生改变,导致该检测通道中采集的Lamb波信号与待测碳纤维增强基复合材料在健康状态下采集的Lamb波信号之间的相关性降低。
假设待测碳纤维增强基复合材料在健康状态下采集的Lamb波信号为B={B1,B2,…,Bn},将待测碳纤维增强基复合材料在疲劳损伤状态下采集的Lamb波信号视作损伤信号为D={D1,D2,…,Dn},其中下标n表示Lamb波信号中的第n个点,定义基准信号与损伤信号之间的相关系数Corr为:
基于相关系数的损伤指数(Damage index,DI)被定义为:
DI=1-Corr2
其中,随着疲劳循环次数增加,DI值总体呈上升趋势,但在部分检测通道的循环后期,DI值出现下降趋势。为了防止简单阈值化处理带来的误判,将DI值第一次到达阈值(DI≥0.72)时的循环次数与之后循环次数的数据均被视为损伤状态下的数据。
步骤三,利用连续小波变换方法对标签后的所述Lamb波信号进行处理以得到CWT图,并基于所述CWT图构建卷积神经网络模型,进而基于所述CWT图及所述Lamb波信号的数据标签来对所述卷积神经网络模型进行训练,以得到疲劳损伤诊断模型。
对于任意时域信号f(t)∈L2(R),其连续小波变换(Continuous WaveletTransform,CWT)表达式为:
分析可知,随着循环次数的增加,Lamb波信号中不同时刻的能量出现了明显的变化,与Lamb波信号中疲劳损伤信息和外界干扰等成分的变化有一定对应关系。
本实施方式采用的模型是经典的AlexNet网络模型,采用的所述AlexNet网络模型包括4个卷积层,训练时采用批量归一化方法来提高网络预测精度,使用L2正则化来减缓过拟合现象,优化器选用SGD方法,并使用NAG优化算法来加快网络训练,避免局部最优解。
步骤四,将待测碳纤维增强基复合材料结构中传播的Lamb波对应的CWT图输入到所述疲劳损伤诊断模型,所述疲劳损伤诊断模型基于接收到的CWT图对待测碳纤维增强基复合材料结构进行疲劳损伤诊断;若诊断出待测碳纤维增强基复合材料结构出现疲劳损伤,则进一步确定待测碳纤维增强基复合材料结构出现疲劳损伤的位置,否则结束。
具体地,采集待测碳纤维增强基复合材料结构中传播的Lamb波信号,并采用小波变换方法对标签后的该Lamb波信号进行处理以得到CWT图,将获得的所述CWT图输入到所述疲劳损伤诊断模型以得到疲劳损伤诊断结果。若判断出待测碳纤维增强基复合材料结构出现疲劳损伤,则进一步确定待测碳纤维增强基复合材料结构出现疲劳损伤的位置,否则结束。
本实施方式中,若诊断出待测碳纤维增强基复合材料结构出现疲劳损伤,则在PZT传感器阵列的布置图中标注不同检测通道的疲劳损伤诊断结果,出现疲劳损伤的检测通道所组成的封闭区域即为出现疲劳损伤的位置。
其中,当待测碳纤维增强基复合材料结构中发生疲劳损伤时,经过疲劳损伤区域的检测通道会在疲劳损伤区域相交,交点会组成一个最大的封闭图形,经过对比待测碳纤维增强基复合材料结构在不同疲劳损伤时期的X射线图,可以发现上述检测通道组成的封闭图形与实际的疲劳损伤区域基本一致,可以作为疲劳损伤诊断的定位结果。
为了对本发明进行进一步地详细说明,使用碳纤维增强基复合材料结构加速寿命实验数据来验证本方法。实验使用具有狗骨形状的Torayca T700G单向碳预浸制材料,尺寸为15.24cm x 25.4cm,并在其上开凹口(5.08mm x 19.3mm)以诱导应力集中。为了反映夹板层片取向对实验结果的影响,选用了三种铺层结构:Layup 1:[02/904],Layup 2:[0/902/45/-45/90]和Layup 3:[902/45/-45]2。每个试样的表面都附有两组由型PZT传感器,每组传感器有6个,共形成36个传输通道,致动频率为150KHz~450KHz,间隔为50kHz,共7组,每个样本共计36×7=252组数据。实验通过循环加载载荷的方式模拟材料的疲劳损伤进展,每5万个循环采集一次Lamb波信号并拍摄X射线图以获取真实损伤程度。
采集的Lamb波信号为一维时序信号,在经过对比分析后进行筛选和预处理,消除致动电压不一致、材料边界等因素带来的干扰,然后选取150kHz的信号作为实验数据。将循环次数为0的数据视作基准状态,根据公式计算每个样本中Lamb波信号的DI值,然后依照上述的判断标准自动生成对应的标签。随后对每个样本的Lamb波信号进行连续小波变换,绘制统一格式CWT图,并裁剪至同一尺寸方便后续处理。
在Keras平台上对AlexNet进行调整,构建具有4个卷积层的CNN网络。将处理后的实验数据划分成训练集、校验集和测试集,训练集和校验集输入CWT图和对应的标签进行训练,待网络收敛后获得疲劳损伤诊断模型;将测试集输入疲劳损伤诊断模型,由模型给出疲劳损伤诊断结果。
实验提供了12组可供处理的实验数据,包含了3种铺层结构。在对每个样本的数据进行上述处理步骤后,各样本的疲劳损伤诊断结果如表1。
表1各样本的疲劳损伤诊断结果
实验在10组数据中获得了超过96%的准确率,实现了对检测通道附近疲劳损伤的精确诊断。验证了本方法的可行性。
本发明提供的碳纤维增强基复合材料结构的疲劳损伤诊断方法,所述疲劳损伤诊断方法结合了连续小波变换及卷积神经网络,同时以碳纤维增强基复合材料在健康状态下的Lamb波为基准来确定当前的所述Lamb波信号的损伤指数,继而基于所述损伤指数来自动对所述Lamb波信号进行标签,提高了效率的同时避免了目测带来的标签差异,提高了诊断效率及精度,灵活性较好。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种碳纤维增强基复合材料结构的疲劳损伤诊断方法,其特征在于,该方法包括以下步骤:
(1)依据Lamb波在待测碳纤维增强基复合材料结构中传播的频散曲线来确定致动频段,并根据所述致动频段向所述碳纤维增强基复合材料试样发射Lamb波,继而采集碳纤维增强基复合材料试样中传导的Lamb波信号;
(2)以碳纤维增强基复合材料在健康状态下的Lamb波为基准来确定当前的所述Lamb波信号的损伤指数,继而基于所述损伤指数来自动对所述Lamb波信号进行标签;
(3)利用连续小波变换方法对标签后的所述Lamb波信号进行处理以得到CWT图,并基于所述CWT图构建卷积神经网络模型,进而基于所述CWT图及所述Lamb波信号的数据标签来对所述卷积神经网络模型进行训练,以得到疲劳损伤诊断模型;
(4)将待测碳纤维增强基复合材料结构中传播的Lamb波对应的CWT图输入到所述疲劳损伤诊断模型,所述疲劳损伤诊断模型基于接收到的CWT图对待测碳纤维增强基复合材料结构进行疲劳损伤诊断;
其中,将预定数量的PZT传感器固定在碳纤维增强基复合材料结构的表面组成阵列,负责发射信号的PZT传感器称为致动传感器,负责接收信号的PZT传感器称为接收传感器,致动传感器与接收传感器之间组成的检测通道覆盖碳纤维增强基复合材料结构需要检测的区域;若诊断出待测碳纤维增强基复合材料结构出现疲劳损伤,则在PZT传感器组成的阵列图中标注不同检测通道的疲劳损伤诊断结果,出现疲劳损伤的检测通道组成的封闭区域即为待测碳纤维增强基复合材料结构出现疲劳损伤的位置。
2.如权利要求1所述的碳纤维增强基复合材料结构的疲劳损伤诊断方法,其特征在于:步骤(4)中,若诊断出待测碳纤维增强基复合材料结构出现疲劳损伤,则进一步确定待测碳纤维增强基复合材料结构出现疲劳损伤的位置,否则结束。
3.如权利要求1所述的碳纤维增强基复合材料结构的疲劳损伤诊断方法,其特征在于:损伤指数的计算公式为:
DI=1-Corr2
式中,Corr为基准信号与损伤信号之间的相关系数。
4.如权利要求3所述的碳纤维增强基复合材料结构的疲劳损伤诊断方法,其特征在于:损伤指数DI值第一次大于等于0.72时的循环次数与之后循环次数所对应的数据均被视为损伤状态下的数据。
5.如权利要求1-4任一项所述的碳纤维增强基复合材料结构的疲劳损伤诊断方法,其特征在于:所述卷积神经网络模型包括四个卷积层。
6.如权利要求1-4任一项所述的碳纤维增强基复合材料结构的疲劳损伤诊断方法,其特征在于:步骤(1)中,将12个PZT传感器固定在碳纤维增强基复合材料的表面组成阵列,其中6个PZT传感器作为致动传感器发射信号,另外6个PZT传感器作为接收传感器接收信号。
7.如权利要求6所述的碳纤维增强基复合材料结构的疲劳损伤诊断方法,其特征在于:六个致动传感器与六个接收传感器之间组成36条检测通道,该36个检测通道覆盖了碳纤维增强基复合材料待检测的区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910620495.0A CN110389176B (zh) | 2019-07-10 | 2019-07-10 | 一种碳纤维增强基复合材料结构的疲劳损伤诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910620495.0A CN110389176B (zh) | 2019-07-10 | 2019-07-10 | 一种碳纤维增强基复合材料结构的疲劳损伤诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110389176A CN110389176A (zh) | 2019-10-29 |
CN110389176B true CN110389176B (zh) | 2020-09-18 |
Family
ID=68286450
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910620495.0A Active CN110389176B (zh) | 2019-07-10 | 2019-07-10 | 一种碳纤维增强基复合材料结构的疲劳损伤诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110389176B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102018109819A1 (de) * | 2018-04-24 | 2019-10-24 | Yxlon International Gmbh | Verfahren zur Gewinnung von Information aus Röntgen-Computertomographiedaten zur Optimierung des Spritzgussprozesses von kurzfaserverstärkten Kunststoffteilen |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080004527A1 (en) * | 2006-04-05 | 2008-01-03 | Coleman D Jackson | High-resolution ultrasound spectral and wavelet analysis of vascular tissue |
CN105225223A (zh) * | 2015-08-27 | 2016-01-06 | 南京市计量监督检测院 | 基于小波分析和bp神经网络的复合材料损伤检测方法 |
CN107870205A (zh) * | 2016-09-22 | 2018-04-03 | 淮阴师范学院 | 一种基于小波分析的复合材料损伤探测检测方法 |
CN108426713B (zh) * | 2018-02-26 | 2020-05-01 | 成都昊铭科技有限公司 | 基于小波变换和深度学习的滚动轴承微弱故障诊断方法 |
-
2019
- 2019-07-10 CN CN201910620495.0A patent/CN110389176B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110389176A (zh) | 2019-10-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Peng et al. | A novel Bayesian imaging method for probabilistic delamination detection of composite materials | |
US8332165B1 (en) | Analysis of ultrasonic images using a decomposition process | |
Chiachío et al. | A multilevel Bayesian method for ultrasound-based damage identification in composite laminates | |
Qing et al. | Machine learning based quantitative damage monitoring of composite structure | |
Wilson et al. | Monitoring fatigue-induced transverse matrix cracks in laminated composites using built-in acousto-ultrasonic techniques | |
Liu et al. | Data-driven approaches for characterization of delamination damage in composite materials | |
CN106770648B (zh) | 一种复合材料刚度系数的无损测量方法 | |
CN113848252B (zh) | 一种基于超声导波和卷积神经网络的腐蚀成像方法 | |
CN111521691A (zh) | 一种基于时间反转加权分布的复合材料Lamb波损伤成像方法 | |
CN110389176B (zh) | 一种碳纤维增强基复合材料结构的疲劳损伤诊断方法 | |
Liu et al. | Non-convex sparse regularization via convex optimization for impact force identification | |
Rosalie et al. | Structural health monitoring of composite structures using stress wave methods | |
Zhou et al. | Review on acoustic emission source location, damage recognition and lifetime prediction of fiber-reinforced composites | |
Miele et al. | Multi-fidelity physics-informed machine learning for probabilistic damage diagnosis | |
Zhang et al. | Ultrasonic lamination defects detection of carbon fiber composite plates based on multilevel LSTM | |
Huang et al. | An ultrasonic scanning system for the inspection of composite stiffened panels from elastic constant identification via inversion of guided waves | |
Yang et al. | Multi-scale neighborhood query graph convolutional network for multi-defect location in CFRP laminates | |
Zheng et al. | Automatic three-dimensional reconstruction of subsurface defects by segmenting ultrasonic point cloud | |
Ebrahimkhanlou et al. | A deep learning-based framework for two-step localization and characterization of acoustic emission sources in metallic panels using only one sensor | |
Ribeiro Junior et al. | On the Use of Machine Learning for Damage Assessment in Composite Structures: A Review | |
Oliver et al. | Wavelet transform-based damage identification in laminated composite beams based on modal and strain data | |
CN115859074A (zh) | 一种基于超声导波和深度学习的复合材料加筋板损伤识别方法 | |
Hong et al. | A time-of-flight based weighted imaging method for carbon fiber reinforced plastics crack detection using ultrasound guided waves | |
Monaco et al. | Simulation of waves propagation into composites thin shells by FEM methodologies for training of deep neural networks aimed at damage reconstruction | |
Dabetwar | Fatigue damage diagnostics and prognostics of composites using artificial intelligence methods for experimental data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |