CN116448554A - 一种利用机器学习预测金属薄板损伤因子的方法 - Google Patents
一种利用机器学习预测金属薄板损伤因子的方法 Download PDFInfo
- Publication number
- CN116448554A CN116448554A CN202310359573.2A CN202310359573A CN116448554A CN 116448554 A CN116448554 A CN 116448554A CN 202310359573 A CN202310359573 A CN 202310359573A CN 116448554 A CN116448554 A CN 116448554A
- Authority
- CN
- China
- Prior art keywords
- damage
- acoustic emission
- tensile test
- factors
- test piece
- 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
- 230000006378 damage Effects 0.000 title claims abstract description 63
- 238000000034 method Methods 0.000 title claims abstract description 41
- 239000002184 metal Substances 0.000 title claims abstract description 17
- 238000010801 machine learning Methods 0.000 title claims abstract description 6
- 238000009864 tensile test Methods 0.000 claims abstract description 18
- 238000013528 artificial neural network Methods 0.000 claims abstract description 12
- 238000000605 extraction Methods 0.000 claims abstract description 11
- 238000012847 principal component analysis method Methods 0.000 claims abstract description 11
- 230000021715 photosynthesis, light harvesting Effects 0.000 claims abstract description 9
- 238000012544 monitoring process Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims abstract description 4
- 238000012545 processing Methods 0.000 claims abstract 2
- 239000000463 material Substances 0.000 claims description 27
- 238000012360 testing method Methods 0.000 claims description 17
- 238000013507 mapping Methods 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 abstract 1
- 229910000831 Steel Inorganic materials 0.000 description 10
- 239000010959 steel Substances 0.000 description 10
- 239000000523 sample Substances 0.000 description 9
- 230000003068 static effect Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000007769 metal material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000013107 unsupervised machine learning method Methods 0.000 description 2
- 231100000809 Damage Assessment Model Toxicity 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N3/00—Investigating strength properties of solid materials by application of mechanical stress
- G01N3/02—Details
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N3/00—Investigating strength properties of solid materials by application of mechanical stress
- G01N3/08—Investigating strength properties of solid materials by application of mechanical stress by applying steady tensile or compressive forces
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2203/00—Investigating strength properties of solid materials by application of mechanical stress
- G01N2203/02—Details not specific for a particular testing method
- G01N2203/06—Indicating or recording means; Sensing means
- G01N2203/0641—Indicating or recording means; Sensing means using optical, X-ray, ultraviolet, infrared or similar detectors
- G01N2203/0647—Image analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2203/00—Investigating strength properties of solid materials by application of mechanical stress
- G01N2203/02—Details not specific for a particular testing method
- G01N2203/06—Indicating or recording means; Sensing means
- G01N2203/067—Parameter measured for estimating the property
- G01N2203/0676—Force, weight, load, energy, speed or acceleration
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Chemical & Material Sciences (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
Abstract
本发明提供了一种利用机器学习预测金属薄板损伤因子的方法,包括步骤:1)对金属板材进行拉伸试验,同时使用数字图像处理技术和声发射设备进行监测获取应力应变曲线和声发射信号。2)在王永廉提出的能量耗散模型的基础上,考虑塑性损伤过程中弾性模量衰减的因素,从而定义金属薄板拉伸过程中的损伤因子。3)选用主成分分析法对声发射信号进行无监督特征提取。4)构建长短时记忆神经网络预测模型,以声发射特征值作为输入,损伤因子作为输出训练模型。
Description
技术领域
本发明涉及金属性能监测领域,具体而言,涉及一种利用机器学习预测金属薄板损伤因子的方法。
背景技术
管线钢不可避免要通过极地、海洋和地质不稳定地区,极易产生局部屈服、失稳和延性断裂等与塑性损伤相关的失效行为。对于管线钢的需求量不断增加,随之而来的塑性损伤断裂相关的失效事故也越来越多,所以针对管线钢的安全服役有了更高的要求。但是由于管线钢实际运行状态异常复杂,使得管线钢管服役过程中损伤状态与预估状态总存在着差异,因此对处于服役状态的材料损伤状态进行实时检测和评价就显得尤其重要。
传统的损伤评估模型存在的核心问题是:金属材料经历由初始缺陷的形成、裂纹的稳态扩展直到最后失效的不同裂纹损伤发展过程,传统的损伤模型不可预测材料所处的损伤阶段,这导致模型不能精准判断材料的损伤程度。
发明内容
本发明目的在于提供一种利用机器学习预测金属薄板损伤因子的方法。该方法操作简单,结构稳定,影响因素少,材料的损伤程度预测精确。
为实现上述发明目的,本发明采用如下技术方案:
本发明提供一种利用主成分分析法和长短时记忆神经网络实现预测金属薄板拉伸过程中损伤因子的方法;塑性损伤定量评估的方法,包括:
1)依据《材料拉伸试验方法》设计标准拉伸试件尺寸,对拉伸试件进行拉伸试验,同时使用数字图像相关法和声发射设备进行监测获取应力应变曲线和声发射信号;
2)基于能量耗散模型,并考虑塑性损伤过程中弾性模量衰减的因素,定义损伤因子定量表征塑性损伤程度,获取声发射信号与损伤因子之间映射关系的样本集;
3)选用主成分分析法对声发射信号进行特征提取,由此获得155个声发射特征;
4)构建长短时记忆神经网络预测模型,以所述声发射信号特征作为输入,损伤因子作为输出训练模型。
根据本发明的一实施方式,步骤1)所述的拉伸试件尺寸,需构建有限元仿真模型确定所述试件的强度极限应小于试件加载的应力。目的是确保监测到试件损伤的完整过程。
根据本发明的一实施方式,步骤2)所述的损伤因子是根据能量耗散损伤模型定义。并考虑X80管线钢的弹性模量随着塑性应变量的增大而衰减。
Eu=192-(192-158.44)[1-exp(-76.78εp)]
式中,Eu为弹性模量,εp为塑性应变量。
能量耗散模型表示材料在单轴静载下单位体积所吸收的总能量可用σ-ε曲线下的面积表示(附图1),定义此时材料的当前损伤:
D=WP/Wf
式中,Wp为材料因内部的损伤性变化而主要以热形式耗散的塑性应变能,Wf为Wp的临界值。D=0对应材料的无损状态,D=1对应材料的临界破坏状态。
根据本发明的一实施方法,步骤3)所述的特征提取是选用无监督机器学习法中的主成分分析法对声发射信号进行特征提取,其中n_components=0.99,即无监督特征提取后的特征将保留原特征的99%,供获得155个特征值。
根据本发明的一实施方法,步骤4)所述的长短时记忆神经网络预测模型,包括LSTM层、Dropout层和输出层,以所述的155特征值作为输入,损伤因子作为输出来训练模型。
由上述技术方案可知,本发明的优点和积极效果在于:
本发明通过对金属板材进行拉伸,同时利用数字图像相关法和声发射设备监测试件损伤全过程。为了精准判断材料的损伤程度,根据能量耗散模型,并考虑塑性损伤过程中弾性模量衰减的因素定义损伤因子,从而对材料的损伤程度进行定量分析。通过所述计算得到声发射信号和损伤因子映射关系的样本集。利用主成分分析法对声发射信号进行特征提取,得到声发射信号特征值,并运用长短时记忆神经网络将声发射信号特征值和损伤因子建立关联,达到预测金属薄板损伤因子以及定量表征金属薄板损伤程度的目的。
本发明不需要进行试验设备的改进和研制,均可通过常规设备和方法实现,评估的准确性高,影响因素少,效率高,操作方便简单
附图说明
为了更清楚地说明本申请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申请中记载的一些实施例,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,还可以如这些附图获得其他的附图。
图1为材料在单轴静载下单位体积所吸收的总能量示意图
图2为拉伸试件及声发射探头布置示意图
图3为本发明评估金属材料损伤程度的流程图
其中,附图标记说明如下:
1—声发射传感器
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的实施方式;相反,提供这些实施方式使得本发明将全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。图中相同的附图标记表示相同或类似的结构,因而将省略它们的详细描述。
在对本发明的不同示例的下面描述中,参照附图进行,所述附图形成本发明的一部分,并且其中以示例方式显示了可实现本发明的多个方面的不同示例性结构、系统和步骤。应理解,可以使用部件、结构、示例性装置、系统和步骤的其他特定方案,并且可在不偏离本发明范围的情况下进行结构和功能性修改。而且,虽然本说明书中可使用术语“顶部”、“底部”、“前部”、“后部”、“侧部”等来描述本发明的不同示例性特征和元件,但是这些术语用于本文中仅出于方便,例如如附图中所述的示例的方向。本说明书中的任何内容都不应理解为需要结构的特定三维方向才落入本发明的范围内。
参见图3,为利用主成分分析法和长短时记忆神经网络预测金属薄板拉伸过程中损伤因子的流程图,本发明方法,包括以下步骤:
1)依据《材料拉伸试验方法》设计标准拉伸试件尺寸,对拉伸试件进行拉伸,同时使用数字图像相关法和声发射设备进行监测获取应力应变曲线和声发射信号。
2)基于能量耗散模型,并考虑塑性损伤过程中弾性模量衰减的因素,定义损伤因子定量表征塑性损伤程度,获取声发射信号与损伤因子之间映射关系的样本集,损伤因子是指材料在受力变形过程中耗散的塑性应变能。
3)选用主成分分析法对声发射信号进行特征提取,由此获得155个声发射特征。
4)构建长短时记忆神经网络预测模型,以所述声发射信号特征作为输入,损伤因子作为输出训练模型。
步骤1)所述的拉伸试件尺寸,需构建有限元仿真模型确定所述试件的强度极限应小于试件加载的应力。目的是确保监测到试件损伤的完整过程。
根据本发明的一实施方式,步骤2)所述的损伤因子是根据能量耗散损伤模型定义。并考虑X80管线钢的弹性模量随着塑性应变量的增大而衰减。
Eu=192-(192-158.44)[1-exp(-76.78εp)]
式中,Eu为弹性模量,εp为塑性应变量。
能量耗散模型表示材料在单轴静载下单位体积所吸收的总能量可用σ-ε曲线下的面积表示(附图1),定义此时材料的当前损伤:
D=WP/Wf
式中,Wp为材料因内部的损伤性变化而主要以热形式耗散的塑性应变能,Wf为Wp的临界值。D=0对应材料的无损状态,D=1对应材料的临界破坏状态。
步骤3)所述的特征提取是选用无监督机器学习法中的主成分分析法对声发射信号进行特征提取,其中n_components=0.99,即无监督特征提取后的特征将保留原特征的99%,供获得155个特征值。
步骤4)所述的长短时记忆神经网络预测模型,包括LSTM层、Dropout层和输出层,以所述的155特征值作为输入,损伤因子作为输出来训练模型。
本发明具体以一块待测的X80管线钢金属薄板为例,其尺寸见图二,对表征该试件损伤程度的损伤因子的预测,包括以下步骤:
对所设计的X80管线钢试件进行拉伸试验,声发射设备参数根据材料的属性设置,其中门槛值设置35dB、峰值定义时间为300us、撞击定义时间为600us。试验过程中应力达到659Mpa时,应变快速增加直到试件断裂,试验停止数据采集工作,从而获得应力应变曲线和声发射信号。
材料在单轴静载下单位体积所吸收的总能量可用图以所示σ-ε曲线下的面积OABCO表示。其中,卸载线以下的三角形部分是可恢复的弹性应变能We,其余部分则表示材料因内部的损伤性变化而主要以热形式耗散的塑性应变能Wp。考虑X80钢的卸载割弦模量,定义此时材料的当前损伤。
通过所述计算获取声发射信号与损伤因子之间映射关系的样本集,选择部分数据作为测试集。
选用无监督学习中的主成分分析法对声发射信号进行特征提取,步骤如下:(1)对样本进行中心化得到xi,其中i=1,2,3……;(2)计算x的协方差矩阵;(3)对协方差矩阵进行特征值分解;(4)取最大n个特征值所对应的特征向量,将所有的特征向量标准化后,组成特征向量矩阵W;(5)对样本集中的每一个样本xi,转化为新的样本zi=WTxi,即提取后的特征值。其中参数n_components设置为0.99,即保留原特征的99%,共获得155个特征值。
构建长短时记忆神经网络网络模型,包括输入层、LSTM层、Dropout层和输出层,以所述的155个特征值作为网络模型的输入,损伤因子作为输出,训练长短时记忆神经网络。
通过试验数据验证模型的可靠性,误差为1.2%,精度高效率高。
本发明所属技术领域的普通技术人员应当理解,上述具体实施方式部分中所示出的具体结构和工艺过程仅仅为示例性的,而非限制性的。而且,本发明所属技术领域的普通技术人员可对以上所述所示的各种技术特征按照各种可能的方式进行组合以构成新的技术方案,或者进行其它改动,而都属于本发明的范围之内。
Claims (5)
1.一种利用机器学习预测金属薄板损伤因子的方法,其特征在于,包括:
1)对金属板材进行拉伸,同时使用数字图像相关法和声发射设备进行监测获取应力应变曲线和声发射信号;
2)基于能量耗散模型,并考虑塑性损伤过程中弾性模量衰减的因素,定义损伤因子定量表征塑性损伤程度,获取声发射信号与损伤因子之间映射关系的样本集;
3)选用主成分分析法对声发射信号进行特征提取,由此获得155个声发射特征;
4)构建长短时记忆神经网络预测模型,以所述声发射信号特征作为输入,损伤因子作为输出训练模型。
2.如权利要求1所述的方法,其特征在于:
所述步骤1)中,依据《材料拉伸试验方法》设计标准拉伸试件尺寸,对所述拉伸试件进行拉伸试验,测得所设计尺寸下的预拉伸量,所述拉伸实验中对所述拉伸试件加载的应力应大于所述试件的强度极限。
3.如权利要求1所述的方法,其特征在于:
所述步骤2)中,所述的损伤因子是材料在受力变形过程中耗散的塑性应变能,用损伤因子定量表征试件拉伸过程中的损伤状态。
4.如权利要求1所述的方法,其特征在于:
所述步骤3)中:特征工程处理选用主成分分析法进行无监督特征提取,设置参数n_components=0.99,即保留原特征的99%,由此获得155个声发射特征值。
5.如权利要求1所述的方法,其特征在于:
所述步骤4):所构建的长短时记忆神经网络预测模型以所述的155个声发射特征值作为输入,以损伤因子作为输出训练神经网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310359573.2A CN116448554A (zh) | 2023-04-06 | 2023-04-06 | 一种利用机器学习预测金属薄板损伤因子的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310359573.2A CN116448554A (zh) | 2023-04-06 | 2023-04-06 | 一种利用机器学习预测金属薄板损伤因子的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116448554A true CN116448554A (zh) | 2023-07-18 |
Family
ID=87135032
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310359573.2A Pending CN116448554A (zh) | 2023-04-06 | 2023-04-06 | 一种利用机器学习预测金属薄板损伤因子的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116448554A (zh) |
-
2023
- 2023-04-06 CN CN202310359573.2A patent/CN116448554A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111044621B (zh) | 一种基于声音品质及声学特征的无损检测系统及方法 | |
CN103076394A (zh) | 基于振动识别频率和振型综合的海洋平台安全评定的方法 | |
CN111177655B (zh) | 一种数据处理方法、装置及电子设备 | |
CN111829738A (zh) | 一种基于冲击荷载的桥梁承载力轻量化评定方法 | |
CN110990978A (zh) | 一种螺栓状态监测方法和装置 | |
CN110555235A (zh) | 基于向量自回归模型的结构局部缺陷检测方法 | |
Nguyen et al. | Damage identification of a concrete arch beam based on frequency response functions and artificial neural networks | |
CN111044617B (zh) | 一种基于深度学习与声发射技术的拉索损伤识别方法 | |
Vazirizade et al. | Online nonlinear structural damage detection using Hilbert Huang transform and artificial neural networks | |
CN117233347B (zh) | 一种碳钢球化等级测量方法、系统及设备 | |
CN109408998B (zh) | 基于样本持续增量快速获取应力谱进行疲劳寿命评估方法 | |
CN117191956A (zh) | 一种基于声发射的钛合金应力腐蚀损伤分类方法及装置 | |
CN112131781B (zh) | 基于全连接神经网络与传递率函数的钢结构损伤检测方法 | |
CN101241872A (zh) | 一种分布式超声引线键合质量在线检测系统 | |
CN116448554A (zh) | 一种利用机器学习预测金属薄板损伤因子的方法 | |
KR20210074923A (ko) | 딥러닝 기반 교량 신축 이음 부위의 손상 탐지 방법 및 이를 수행하는 프로그램을 기록한 기록매체 | |
CN105424554A (zh) | 一种基于比重测量的金属材料疲劳损伤程度确定方法 | |
Sohn et al. | Instantaneous online monitoring of unmanned aerial vehicles without baseline signals | |
CN112161785A (zh) | 一种海洋工程结构微小损伤判定方法 | |
Nazarko et al. | Anomaly detection in composite elements using Lamb waves and soft computing methods | |
CN116046980B (zh) | 一种基于应变监测的结构疲劳损伤诊断方法 | |
CN112100925B (zh) | 复合材料层合板准静态压痕过程损伤量化方法 | |
Li et al. | Online Condition Assessment of Prestressed Hollow-Core Slab Bridges Based on 1d Cnn Using Acoustic Emission Technique | |
CN114299907B (zh) | 一种减振器总成异响检测方法 | |
Guo et al. | Experimental research of nonlinear damage diagnosis using ARMA/GARCH method |
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 |