CN115099281A - 一种基于机器学习的粘钢加固胶层缺陷检测方法及装置 - Google Patents
一种基于机器学习的粘钢加固胶层缺陷检测方法及装置 Download PDFInfo
- Publication number
- CN115099281A CN115099281A CN202210813843.8A CN202210813843A CN115099281A CN 115099281 A CN115099281 A CN 115099281A CN 202210813843 A CN202210813843 A CN 202210813843A CN 115099281 A CN115099281 A CN 115099281A
- Authority
- CN
- China
- Prior art keywords
- adhesive layer
- steel reinforced
- bonded steel
- reinforced adhesive
- defects
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于机器学习的粘钢加固胶层缺陷检测方法及装置,方法包括构建粘钢加固胶层缺陷模型库,依据所述粘钢加固胶层缺陷模型库,得到超声波反射时程响应,依据超声波反射时程响应得到训练集和测试集,将训练集和测试集发送至深度学习模型进行深度学习,得到粘钢加固胶层缺陷检测模型,将待检测的粘钢加固胶层缺陷所对应的超声波反射时程响应输入至粘钢加固胶层缺陷检测模型中,从而实现粘钢加固胶层缺陷的检测;通过构建粘钢加固胶层缺陷检测模型可以实时高效地识别粘钢加固胶层缺陷,且检测成本有效降低,此外,通过依据粘钢加固胶层缺陷的超声波反射时程响应得到训练集和测试集,能够有效提高粘钢加固胶层缺陷检测模型的识别准确度。
Description
技术领域
本发明涉及粘钢加固胶层缺陷检测技术领域,尤其涉及一种基于机器学习的粘钢加固胶层缺陷检测方法及装置。
背景技术
随着中国经济的高速发展,桥梁结构特别是一些大型桥梁在服役期间长期处于超负荷的运营状态,结构处于加速老化和疲劳的状态,同时,各种桥梁设计之外的突发事件也对桥梁造成不可逆的损伤,这些损伤降低了结构的刚度和强度,且累积到一定程度时将导致结构发生突发性失效,使桥梁在设计服役时间内发生坍塌等事故,对于这类结构损伤和老化较严重的桥梁,如果采用拆毁重建的方法,既影响了正常的交通运输,又耗费较大的人力物力,不符合我国的经济发展需求,相反,通过采取一定的补强加固措施来延长桥梁服役寿命,既能够满足桥梁的承载和安全的需要,又能降低维护桥梁的成本,因此采取加固措施是目前较为常见的桥梁养护手段,且符合节能可持续发展的需求。
粘钢加固法因其加固工艺简单、施工速度快、不需要中断交通、对人员的施工技术要求比较低、施工质量也容易保证等原因被广泛应用于大型基础设施如高速公路、桥梁等的修缮加固中,这种粘钢加固的方法在修补初期,能很好地改善基础设施的服役条件,但是在服役期间,粘钢加固处会经历高温、高湿以及曝晒的情况,使加固效果大大降低,特别是随着服役时间的增长,加固处的粘接质量就越差,从而降低加固的可靠性,因此,需要对粘钢加固的胶层缺陷进行检测与评估,保障桥梁的正常运营,现有的粘钢加固胶层缺陷检测方法主要有:红外热成像法、X射线法、电化学阻抗谱法、渗透法、超声法,尽管这些方法已在众多领域中被广泛应用,但要应用于工程环境中有着各自的优点和局限性,例如,红外热成像技术的应用成本较高,且对温度、气流等环境因素很敏感,故使用该方法时需要严格控制周围环境温度;X射线检测法不能保证界面处贴合脱粘的检出,对气孔等充气缺陷不敏感,并且相比于其他无损检测技术,其检测周期长、费用大;渗透检测技术仅能检查开口暴露于试件表面的缺陷,对于埋藏于表面层以下的隐藏缺陷是无能为力的,且此方法操作工序繁杂。
发明内容
有鉴于此,本发明提出一种基于机器学习的粘钢加固胶层缺陷检测方法及装置,可以低成本和高效率地对粘钢加固胶层缺陷进行检测和评估。
本发明的技术方案是这样实现的:
一种基于机器学习的粘钢加固胶层缺陷检测方法,具体包括以下步骤:
步骤S1,构建粘钢加固胶层缺陷模型库;
步骤S2,依据所述粘钢加固胶层缺陷模型库,得到粘钢加固胶层缺陷的超声波反射时程响应;
步骤S3,依据粘钢加固胶层缺陷的超声波反射时程响应进行分析,得到训练集和测试集;
步骤S4,将训练集和测试集发送至深度学习模型进行深度学习,得到粘钢加固胶层缺陷检测模型,所述粘钢加固胶层缺陷检测模型输入为超声波反射时程响应,输出为粘钢加固胶层缺陷结果;
步骤S5,将待检测的粘钢加固胶层缺陷所对应的超声波反射时程响应输入至粘钢加固胶层缺陷检测模型中,粘钢加固胶层缺陷检测模型输出相对应的粘钢加固胶层缺陷结果,从而实现粘钢加固胶层缺陷的检测。
作为所述基于机器学习的粘钢加固胶层缺陷检测方法的进一步可选方案,所述步骤S2具体包括以下步骤:
步骤S21,对粘钢加固胶层缺陷模型库进行超声波激励,得到超声波信号;
步骤S22,对所述超声波信号进行有限元计算,得到粘钢加固构件胶层缺陷的超声波反射时程响应。
作为所述基于机器学习的粘钢加固胶层缺陷检测方法的进一步可选方案,所述步骤S21中对粘钢加固胶层缺陷模型库进行超声波激励,具体包括以下步骤:
在粘钢加固胶层缺陷模型库中的模型顶部设置激励源发射超声波,在模型底部设置低反射边界对超声波进行接收。
作为所述基于机器学习的粘钢加固胶层缺陷检测方法的进一步可选方案,所述步骤S3具体包括以下步骤:
步骤S31,对粘钢加固胶层缺陷的超声波反射时程响应进行曲线分析,得到信号曲线;
步骤S32,对所述信号曲线进行特征提取,得到信号曲线的时域特征和频域特征;
步骤S33,将信号曲线的时域特征和频域特征与标签进行结合,得到数据集,并将数据集分成训练集和测试集。
作为所述基于机器学习的粘钢加固胶层缺陷检测方法的进一步可选方案,所述步骤S4和步骤S5之间还包括以下步骤:
对粘钢加固胶层缺陷检测模型进行参数调整,得到最优的粘钢加固胶层缺陷检测模型。
一种基于机器学习的粘钢加固胶层缺陷检测装置,所述装置包括:
构建模块,用于构建粘钢加固胶层缺陷模型库;
第一获取模块,用于依据所述粘钢加固胶层缺陷模型库,得到粘钢加固胶层缺陷的超声波反射时程响应;
第二获取模块,用于依据粘钢加固胶层缺陷的超声波反射时程响应进行分析,得到训练集和测试集;
深度学习模块,用于将训练集和测试集发送至深度学习模型进行深度学习,得到粘钢加固胶层缺陷检测模型,所述粘钢加固胶层缺陷检测模型输入为超声波反射时程响应,输出为粘钢加固胶层缺陷结果;
检测模块,用于将待检测的粘钢加固胶层缺陷所对应的超声波反射时程响应输入至粘钢加固胶层缺陷检测模型中,粘钢加固胶层缺陷检测模型输出相对应的粘钢加固胶层缺陷结果,从而实现粘钢加固胶层缺陷的检测。
作为所述基于机器学习的粘钢加固胶层缺陷检测装置,所述第一获取模块包括:
激励模块,用于对粘钢加固胶层缺陷模型库进行超声波激励,得到超声波信号;
有限元计算模块,用于对所述超声波信号进行有限元计算,得到粘钢加固构件胶层缺陷的超声波反射时程响应。
作为所述基于机器学习的粘钢加固胶层缺陷检测装置,所述激励模块包括:
发射模块,用于在粘钢加固胶层缺陷模型库中的模型顶部发射超声波;
接收模块,用于在粘钢加固胶层缺陷模型库中的模型底部的低反射边界接收超声波。
作为所述基于机器学习的粘钢加固胶层缺陷检测装置,所述第二获取模块包括:
曲线分析模块,用于对粘钢加固胶层缺陷的超声波反射时程响应进行曲线分析,得到信号曲线;
特征提取模块,用于对所述信号曲线进行特征提取,得到信号曲线的时域特征和频域特征;
结合模块,用于将信号曲线的时域特征和频域特征与标签进行结合,得到数据集;
第三获取模块,用于将数据集分成训练集和测试集。
作为所述基于机器学习的粘钢加固胶层缺陷检测装置,所述装置还包括:
调整模块,用于对粘钢加固胶层缺陷检测模型进行参数调整,得到最优的粘钢加固胶层缺陷检测模型。
本发明的有益效果是:通过构建粘钢加固胶层缺陷检测模型可以实时高效地识别粘钢加固胶层缺陷,且检测成本有效降低,具有更高的效益,此外,通过依据粘钢加固胶层缺陷的超声波反射时程响应得到训练集和测试集,能够有效提高粘钢加固胶层缺陷检测模型的识别准确度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一种新型粘钢加固质量检测方法的流程示意图;
图2为本发明一种新型粘钢加固质量检测装置的组成示意图。
具体实施方式
下面将对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
参考图1-2,一种基于机器学习的粘钢加固胶层缺陷检测方法,具体包括以下步骤:
步骤S1,构建粘钢加固胶层缺陷模型库;
步骤S2,依据所述粘钢加固胶层缺陷模型库,得到粘钢加固胶层缺陷的超声波反射时程响应;
步骤S3,依据粘钢加固胶层缺陷的超声波反射时程响应进行分析,得到训练集和测试集;
步骤S4,将训练集和测试集发送至深度学习模型进行深度学习,得到粘钢加固胶层缺陷检测模型,所述粘钢加固胶层缺陷检测模型输入为超声波反射时程响应,输出为粘钢加固胶层缺陷结果;
步骤S5,将待检测的粘钢加固胶层缺陷所对应的超声波反射时程响应输入至粘钢加固胶层缺陷检测模型中,粘钢加固胶层缺陷检测模型输出相对应的粘钢加固胶层缺陷结果,从而实现粘钢加固胶层缺陷的检测。
在本实施例中,通过构建粘钢加固胶层缺陷检测模型可以实时高效地识别粘钢加固胶层缺陷,且检测成本有效降低,具有更高的效益,此外,通过依据粘钢加固胶层缺陷的超声波反射时程响应得到训练集和测试集,能够有效提高粘钢加固胶层缺陷检测模型的识别准确度。
需要说明的是,在构建粘钢加固胶层缺陷模型库的时候,由于粘钢加固构件属于三层结构且缺陷出现在中层,为了模拟实际情况下的缺陷类型,对缺陷的大小、位置进行合理的设置尤为重要,其中将孔洞型缺陷设置为贯通整个胶层的圆柱,将紧贴型缺陷分别设置在胶层的上、中、下部,将斑点型缺陷设置为贯通胶层的密集圆柱,同时,模型第一层设置为钢板材料,第三层设置为混凝土材料,结构层中的交接处都设置为辊支承,构件底部设置为低反射边界,将三层材料形成联合体,通过对缺陷的大小、位置进行不同的设置,最终构建粘钢加固胶层缺陷模型库,此外,所述深度学习模型包括但不限于LSTM深度学习模型,这里不做具体限定。
优选的,所述步骤S2具体包括以下步骤:
步骤S21,对粘钢加固胶层缺陷模型库进行超声波激励,得到超声波信号;
步骤S22,对所述超声波信号进行有限元计算,得到粘钢加固构件胶层缺陷的超声波反射时程响应。
在本实施例中,通过对超声波信号进行有限元计算,能够极大地减少了数据集建立的时间,提高了效率。
优选的,所述步骤S21中对粘钢加固胶层缺陷模型库进行超声波激励,具体包括以下步骤:
在粘钢加固胶层缺陷模型库中的模型顶部设置激励源发射超声波,在模型底部设置低反射边界对超声波进行接收。
在本实施例中,通过在粘钢加固胶层缺陷模型库中的模型顶部设置激励源发射超声波,在模型底部设置低反射边界对超声波进行接收,能够有效防止波的反弹对接收的超声波信号造成影响,在数据采集时将超声波的发射与接收分离,提高训练集和测试集的准确性。
优选的,所述步骤S3具体包括以下步骤:
步骤S31,对粘钢加固胶层缺陷的超声波反射时程响应进行曲线分析,得到信号曲线;
步骤S32,对所述信号曲线进行特征提取,得到信号曲线的时域特征和频域特征;
步骤S33,将信号曲线的时域特征和频域特征与标签进行结合,得到数据集,并将数据集分成训练集和测试集。
在本实施例中,对粘钢加固胶层缺陷的的超声波反射时程响应数据进行曲线分析,得到信号曲线,然后对信号曲线进行时域特征提取(峰度、偏度、幅值系数、衰减系数)和频域特征(功率谱主频率、极大值)提取,并将所提取到的时域特征提取和频域特征组成特征向量,一个工况下包含上述6个特征值,随后将每个工况对应的孔洞直径大小、粘结剂模量折减程度、加固位置的脱粘面积百分比作为标签,将特征值与标签一一对应组合之后,便能够得到所需的数据集,随后将数据集根据8:2随机分成训练集与测试集,为深度学习做准备。
优选的,所述步骤S4和步骤S5之间还包括以下步骤:
对粘钢加固胶层缺陷检测模型进行参数调整,得到最优的粘钢加固胶层缺陷检测模型。
在本实施例中,对粘钢加固胶层缺陷检测模型的相关参数进行调整,具体是对LSTM模型中的参数,包括学习率、损失函数、优化器等超参数进行调节,以提高粘钢加固胶层缺陷检测模型的准确率,从而得到最佳的基于LSTM深度学习模型与有限元模拟计算的粘钢加固胶层缺陷检测模型。
一种基于机器学习的粘钢加固胶层缺陷检测装置,所述装置包括:
构建模块,用于构建粘钢加固胶层缺陷模型库;
第一获取模块,用于依据所述粘钢加固胶层缺陷模型库,得到粘钢加固胶层缺陷的超声波反射时程响应;
第二获取模块,用于依据粘钢加固胶层缺陷的超声波反射时程响应进行分析,得到训练集和测试集;
深度学习模块,用于将训练集和测试集发送至深度学习模型进行深度学习,得到粘钢加固胶层缺陷检测模型,所述粘钢加固胶层缺陷检测模型输入为超声波反射时程响应,输出为粘钢加固胶层缺陷结果;
检测模块,用于将待检测的粘钢加固胶层缺陷所对应的超声波反射时程响应输入至粘钢加固胶层缺陷检测模型中,粘钢加固胶层缺陷检测模型输出相对应的粘钢加固胶层缺陷结果,从而实现粘钢加固胶层缺陷的检测。
优选的,所述第一获取模块包括:
激励模块,用于对粘钢加固胶层缺陷模型库进行超声波激励,得到超声波信号;
有限元计算模块,用于对所述超声波信号进行有限元计算,得到粘钢加固构件胶层缺陷的超声波反射时程响应。
优选的,所述激励模块包括:
发射模块,用于在粘钢加固胶层缺陷模型库中的模型顶部发射超声波;
接收模块,用于在粘钢加固胶层缺陷模型库中的模型底部的低反射边界接收超声波。
优选的,所述第二获取模块包括:
曲线分析模块,用于对粘钢加固胶层缺陷的超声波反射时程响应进行曲线分析,得到信号曲线;
特征提取模块,用于对所述信号曲线进行特征提取,得到信号曲线的时域特征和频域特征;
结合模块,用于将信号曲线的时域特征和频域特征与标签进行结合,得到数据集;
第三获取模块,用于将数据集分成训练集和测试集。
优选的,所所述装置还包括:
调整模块,用于对粘钢加固胶层缺陷检测模型进行参数调整,得到最优的粘钢加固胶层缺陷检测模型。
以上所述仅为本发明的较佳实施方式而已,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、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于机器学习的粘钢加固胶层缺陷检测方法,其特征在于,具体包括以下步骤:
步骤S1,构建粘钢加固胶层缺陷模型库;
步骤S2,依据所述粘钢加固胶层缺陷模型库,得到粘钢加固胶层缺陷的超声波反射时程响应;
步骤S3,依据粘钢加固胶层缺陷的超声波反射时程响应进行分析,得到训练集和测试集;
步骤S4,将训练集和测试集发送至深度学习模型进行深度学习,得到粘钢加固胶层缺陷检测模型,所述粘钢加固胶层缺陷检测模型输入为超声波反射时程响应,输出为粘钢加固胶层缺陷结果;
步骤S5,将待检测的粘钢加固胶层缺陷所对应的超声波反射时程响应输入至粘钢加固胶层缺陷检测模型中,粘钢加固胶层缺陷检测模型输出相对应的粘钢加固胶层缺陷结果,从而实现粘钢加固胶层缺陷的检测。
2.根据权利要求1所述的一种基于机器学习的粘钢加固胶层缺陷检测方法,其特征在于,所述步骤S2具体包括以下步骤:
步骤S21,对粘钢加固胶层缺陷模型库进行超声波激励,得到超声波信号;
步骤S22,对所述超声波信号进行有限元计算,得到粘钢加固构件胶层缺陷的超声波反射时程响应。
3.根据权利要求2所述的一种基于机器学习的粘钢加固胶层缺陷检测方法,其特征在于,所述步骤S21中对粘钢加固胶层缺陷模型库进行超声波激励,具体包括以下步骤:
在粘钢加固胶层缺陷模型库中的模型顶部设置激励源发射超声波,在模型底部设置低反射边界对超声波进行接收。
4.根据权利要求3所述的一种基于机器学习的粘钢加固胶层缺陷检测方法,其特征在于,所述步骤S3具体包括以下步骤:
步骤S31,对粘钢加固胶层缺陷的超声波反射时程响应进行曲线分析,得到信号曲线;
步骤S32,对所述信号曲线进行特征提取,得到信号曲线的时域特征和频域特征;
步骤S33,将信号曲线的时域特征和频域特征与标签进行结合,得到数据集,并将数据集分成训练集和测试集。
5.根据权利要求4所述的一种基于机器学习的粘钢加固胶层缺陷检测方法,其特征在于,所述步骤S4和步骤S5之间还包括以下步骤:
对粘钢加固胶层缺陷检测模型进行参数调整,得到最优的粘钢加固胶层缺陷检测模型。
6.一种基于机器学习的粘钢加固胶层缺陷检测装置,其特征在于,所述装置包括:
构建模块,用于构建粘钢加固胶层缺陷模型库;
第一获取模块,用于依据所述粘钢加固胶层缺陷模型库,得到粘钢加固胶层缺陷的超声波反射时程响应;
第二获取模块,用于依据粘钢加固胶层缺陷的超声波反射时程响应进行分析,得到训练集和测试集;
深度学习模块,用于将训练集和测试集发送至深度学习模型进行深度学习,得到粘钢加固胶层缺陷检测模型,所述粘钢加固胶层缺陷检测模型输入为超声波反射时程响应,输出为粘钢加固胶层缺陷结果;
检测模块,用于将待检测的粘钢加固胶层缺陷所对应的超声波反射时程响应输入至粘钢加固胶层缺陷检测模型中,粘钢加固胶层缺陷检测模型输出相对应的粘钢加固胶层缺陷结果,从而实现粘钢加固胶层缺陷的检测。
7.根据权利要求6所述的一种基于机器学习的粘钢加固胶层缺陷检测装置,其特征在于,所述第一获取模块包括:
激励模块,用于对粘钢加固胶层缺陷模型库进行超声波激励,得到超声波信号;
有限元计算模块,用于对所述超声波信号进行有限元计算,得到粘钢加固构件胶层缺陷的超声波反射时程响应。
8.根据权利要求7所述的一种基于机器学习的粘钢加固胶层缺陷检测装置,其特征在于,所述激励模块包括:
发射模块,用于在粘钢加固胶层缺陷模型库中的模型顶部发射超声波;
接收模块,用于在粘钢加固胶层缺陷模型库中的模型底部的低反射边界接收超声波。
9.根据权利要求8所述的一种基于机器学习的粘钢加固胶层缺陷检测装置,其特征在于,所述第二获取模块包括:
曲线分析模块,用于对粘钢加固胶层缺陷的超声波反射时程响应进行曲线分析,得到信号曲线;
特征提取模块,用于对所述信号曲线进行特征提取,得到信号曲线的时域特征和频域特征;
结合模块,用于将信号曲线的时域特征和频域特征与标签进行结合,得到数据集;
第三获取模块,用于将数据集分成训练集和测试集。
10.根据权利要求9所述的一种基于机器学习的粘钢加固胶层缺陷检测装置,其特征在于,所述装置还包括:
调整模块,用于对粘钢加固胶层缺陷检测模型进行参数调整,得到最优的粘钢加固胶层缺陷检测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210813843.8A CN115099281A (zh) | 2022-07-11 | 2022-07-11 | 一种基于机器学习的粘钢加固胶层缺陷检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210813843.8A CN115099281A (zh) | 2022-07-11 | 2022-07-11 | 一种基于机器学习的粘钢加固胶层缺陷检测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115099281A true CN115099281A (zh) | 2022-09-23 |
Family
ID=83296465
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210813843.8A Pending CN115099281A (zh) | 2022-07-11 | 2022-07-11 | 一种基于机器学习的粘钢加固胶层缺陷检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115099281A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116306231A (zh) * | 2023-02-06 | 2023-06-23 | 大连理工大学 | 基于超声导波深度学习的胶接结构脱粘损伤识别方法和装置 |
-
2022
- 2022-07-11 CN CN202210813843.8A patent/CN115099281A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116306231A (zh) * | 2023-02-06 | 2023-06-23 | 大连理工大学 | 基于超声导波深度学习的胶接结构脱粘损伤识别方法和装置 |
CN116306231B (zh) * | 2023-02-06 | 2024-01-23 | 大连理工大学 | 基于超声导波深度学习的胶接结构脱粘损伤识别方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Talreja et al. | Assessment of damage tolerance approaches for composite aircraft with focus on barely visible impact damage | |
Saeedifar et al. | Delamination analysis in composite laminates by means of acoustic emission and bi-linear/tri-linear cohesive zone modeling | |
Zhao et al. | Detection and monitoring of delamination in composite laminates using ultrasonic guided wave | |
David-West et al. | A review of structural health monitoring techniques as applied to composite structures | |
US10953608B2 (en) | Structural health monitoring of curved composite structures using ultrasonic guided waves | |
US20180340858A1 (en) | Application of Ultrasonic Guided Waves for Structural Health Monitoring of Bonded Joints | |
Zhou et al. | Damage identification method based on continuous wavelet transform and mode shapes for composite laminates with cutouts | |
Dos Santos et al. | Vibration-based damage detection for a composite helicopter main rotor blade | |
TW201233986A (en) | Method for analyzing structure safety | |
CN103868993A (zh) | 岩石三轴单样法多级屈服点的声学判别方法及装置 | |
CN115099281A (zh) | 一种基于机器学习的粘钢加固胶层缺陷检测方法及装置 | |
Schabowicz et al. | A nondestructive methodology for the testing of fibre cement boards by means of a non-contact ultrasound scanner | |
Hammami et al. | Nonlinear behaviour of glass fibre reinforced composites with delamination | |
CN108828069A (zh) | 一种基于超声定量数据的关键件疲劳寿命的定寿方法 | |
US11680849B2 (en) | Continuous utility pole health monitoring based on finite element analysis and operational modal analysis using DAS | |
Steinbild et al. | A sensor detecting kissing bonds in adhesively bonded joints using electric time domain reflectometry | |
Toyama et al. | Stiffness evaluation and damage identification in composite beam under tension using Lamb waves | |
CN113418986A (zh) | 一种用于桥梁隧道的声纹检测系统 | |
CN106404534A (zh) | 基于变形模量的既有结构混凝土疲劳残余应变测试方法 | |
Park et al. | Damage diagnostics on a welded zone of a steel truss member using an active sensing network system | |
Wei et al. | An integrated modeling of barely visible impact damage imaging of CFRP laminates using pre-modulated waves and experimental validation | |
Khammassi et al. | A simplified modal-based method to quantify delamination in carbon fibre-reinforced plastic beam | |
Crivelli et al. | Structural health monitoring via acoustic emission | |
Chui et al. | Evaluation of wood poles using a free vibration technique | |
Pullin et al. | Assessment of bonded patch bridge repairs using acoustic emission and acousto-ultrasonics |
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 |