CN116642952B - 一种基于平行分解反演网络的三维复杂结构成像方法 - Google Patents
一种基于平行分解反演网络的三维复杂结构成像方法 Download PDFInfo
- Publication number
- CN116642952B CN116642952B CN202310617841.6A CN202310617841A CN116642952B CN 116642952 B CN116642952 B CN 116642952B CN 202310617841 A CN202310617841 A CN 202310617841A CN 116642952 B CN116642952 B CN 116642952B
- Authority
- CN
- China
- Prior art keywords
- dimensional
- complex structure
- module
- wave field
- parallel
- 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
- 238000003384 imaging method Methods 0.000 title claims abstract description 71
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 claims abstract description 27
- 230000007547 defect Effects 0.000 claims abstract description 13
- 238000005070 sampling Methods 0.000 claims description 20
- 238000000605 extraction Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 9
- 230000000704 physical effect Effects 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 238000004613 tight binding model Methods 0.000 claims description 5
- 230000010354 integration Effects 0.000 claims description 4
- 238000004088 simulation Methods 0.000 claims description 4
- 230000005484 gravity Effects 0.000 claims description 3
- 230000001788 irregular Effects 0.000 claims description 3
- 230000000644 propagated effect Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000002759 z-score normalization Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 description 17
- 230000003902 lesion Effects 0.000 description 15
- 238000005516 engineering process Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 238000002604 ultrasonography Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000035515 penetration Effects 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 229920000049 Carbon (fiber) Polymers 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000004917 carbon fiber Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000032798 delamination Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000006249 magnetic particle Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000009347 mechanical transmission Effects 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 238000002601 radiography Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
- 238000012285 ultrasound imaging Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G01N29/04—Analysing solids
- G01N29/06—Visualisation of the interior, e.g. acoustic microscopy
- G01N29/0654—Imaging
-
- 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
-
- 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2291/00—Indexing codes associated with group G01N29/00
- G01N2291/02—Indexing codes associated with the analysed material
- G01N2291/028—Material parameters
- G01N2291/0289—Internal structure, e.g. defects, grain size, texture
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Pathology (AREA)
- Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Immunology (AREA)
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Acoustics & Sound (AREA)
- Algebra (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Image Processing (AREA)
Abstract
本发明提出了一种基于平行分解反演网络的三维复杂结构成像方法，用以解决现有导波成像方法无法对复杂结构整体上进行高精度、快速的三维成像问题；其步骤为：利用三维有限元进行仿真，建立包含一系列复杂结构三维损伤模型及与之对应的导波全波场数值数据库；去除复杂结构三维损伤模型和导波全波场的量纲；分解去量纲的复杂结构三维损伤模型，搭建平行分解反演网络进行正向和反向交替传播；评估平行分解反演网络成像性能，并调整其结构与参数直至低于误差阈值；最后，保存该平行分解反演网络用于三维复杂结构成像。本发明实现了复杂结构整体成像，并对结构内部缺陷进行定量化表征；且平行分解反演网络结构轻巧，对待测结构形状要求低，适用范围广。
Description
技术领域
本发明涉及导波成像技术领域，特别是指一种基于平行分解反演网络的三维复杂结构成像方法。
背景技术
结构健康监测技术是维护工程构件安全的一个重要手段。结合历史检查数据，再通过定期或在线检查，可以及时发现工程构件是否存在损伤以及推测损伤的变化趋势。一般来说，结构损伤包括表面损伤和内部损伤。利用各种传感技术来测量损伤引起的热、声、光、电、磁的反应，可以评价损伤的类型、数量、形状、位置、大小等。与内部损伤相比，表面损伤检测更容易，主流的检测方法有磁粉检测、涡流检测、渗透检测、机器视觉技术等。然而，这些技术对于检测封闭结构内部损伤则无能为力。因此，封闭结构内部损伤检测与定量化成像技术仍然是无损检测领域的一个挑战。
目前，x射线摄影和超声是内部损伤检测的常用手段。射线检测包括x射线和γ射线，两者穿透能力都很高。成像原理是损伤可以影响通过待测结构的辐射强度，形成缺陷的射线图像，然后通过射线胶片、荧光屏或辐射计数器来显示。射线成像可以检测到损伤的形状、大小、数量、平面位置和分布范围，但很难确定损伤的深度。相比之下，超声具有穿透力强、灵敏度高的优点，是各种结构检测的重要手段。当超声波穿透待测结构时，遇到内部损伤或结构底部，通过反射可确定损伤深度和测量深度。
导波检测技术相比于传统超声检测技术更具大范围检测的优势，结合各类成像算法，导波检测的应用范围更加广泛。在板状结构损伤检测方面，椭圆成像算法、多路径射线跟踪模型、基于模型的二维多信号分类方法、波场空间梯度检测器和定位器均可实现损伤成像。针对管状结构损伤检测，多层螺旋超声成像方法、时间反转成像方法可实现管道损伤检测。然而，上述这些方法仅能对板状结构或者管状结构这些简单的结构进行损伤成像。
为了检测复杂结构的损伤，业界又开展了一系列研究来实现复杂结构的成像。针对复杂结构表面损伤，有基于全聚焦法的表面自适应超声技术、多路径导波成像算法等。基于全聚焦法的表面自适应超声技术包含复杂构件表面和后壁重构、缺陷成像两个步骤，可用于焊缝检测和成像。多径导波成像算法通过比较基线减法中的散射信号与波场数据中的散射信号估计的差异，该方法在铝和碳纤维复合面板上进行了验证，还有望应用于复杂结构和非均匀各向异性材料。对于复杂结构的内部损伤检测，一种具有PZT/Si膜片结构的PMUT首次使用全聚焦成像算法检测固体中的缺陷。基于点云的弹性逆时偏移方法可用于垂直或急剧倾斜构件的超声成像。全波形反演可对不规则形状构件进行夹杂成像和重构。波形断层成像通过恢复背景和恢复目标缺陷两个步骤实现了分层和裂缝缺陷的成像。大多数工程构件表面损伤成像是二维的，而内部损伤成像必须是三维的才能确定缺陷的位置、大小和形状。上述这些方法中虽然已有一些能够实现三维损伤成像，但存在成像过程复杂、受待测结构限制的问题。而且，现有导波成像方法无法对复杂结构整体上进行高精度、快速的三维成像问题，其中复杂结构整体包括复杂结构本身及其内部损伤。
发明内容
针对现有导波成像方法无法对复杂结构整体上进行高精度、快速的三维成像的技术问题，本发明提出了一种基于平行分解反演网络的三维复杂结构成像方法，实现复杂结构整体成像，并对结构内部缺陷进行定量化表征。
本发明的技术方案是这样实现的：
一种基于平行分解反演网络的三维复杂结构成像方法，其步骤如下：
步骤一：利用三维有限元进行仿真，建立包含一系列复杂结构三维损伤模型及与之对应的导波全波场数值数据库；
步骤二：去除复杂结构三维损伤模型和导波全波场数值数据库中导波全波场数值的量纲；
步骤三：搭建平行分解反演网络进行正向和反向交替传播；其中，平行分解反演网络的输入为去量纲后的导波全波场数值的特征幅值，平行分解反演网络的输出为去量纲后的复杂结构三维损伤模型；
步骤四：评估平行分解反演网络成像性能，并调整其结构与参数直至低于误差阈值；
步骤五：保存该平行分解反演网络用于三维复杂结构成像；在成像结果中，设定分割阈值区间，当平行分解反演网络输出的三维点云数据位于分割阈值区间内，则认定为缺陷，反之则为正常。
在步骤一中，绘制复杂结构三维损伤模型，并在Z方向以指定的步长对复杂结构三维损伤模型进行二维切片；在X方向和Y方向以指定的网格间距对二维切片进行离散化处理；形成一系列包含X、Y、Z坐标的三维点云数据；
基于三维波动方程，定义导波在复杂结构中的传播过程：
其中，ρ(x)为三维空间中坐标为(Xx,Yx,Zx)的点x处的密度，p(x,t)为在t时刻三维空间中坐标为(Xx,Yx,Zx)的点x处的压力波场，v(x)为导波速度；
采用傅里叶变换将压力波场转换为时间频域，表示为：
其中，f为频率，vu为三维空间背景中坐标为(Xx,Yx,Zx)的点x处的超声声速，Π傅里叶变换后的时域总压力波场；
定义背景波数散射体/>则公式(2)化简为：
其中，为Nabla算子；
将复杂结构三维模型除损伤外的整体结构作为正常项，而损伤结构为扰动项；将S(x)忽略，则背景压力波场表示为：
其中，Πu为背景压力波场；
利用格林函数求解公式(4)，得到：
其中，Gu为格林函数，δ为狄拉克函数；
在三维空间中，公式(5)的解表示为：
其中，R为源和被测点之间的距离，i表示虚数单位；
根据公式(3-5)和格林定理，总压力波场即为导波全波场，是正常压力波场与扰动压力波场之和，其时域总压力波场表示为：
其中，Ψ为散射域；
基于公式(1-7)，利用三维有限元进行仿真，建立包含一系列复杂结构三维损伤模型及与之对应的导波全波场数值数据库。
在步骤二中，采用快速傅里叶变换将时域总压力波场转换到频域，表示为：
其中，Πfreq为频域总压力波场，为快速傅里叶变换标识符；
提取接收信号的特征幅值FA，然后按以下公式对特征振幅进行去量纲；
FAnorm＝norm(FA) (9)；
其中，FAnorm为去量纲后的特征幅值，norm为去量纲操作；
按照公式(9)，对复杂结构三维损伤模型M进行去量纲处理：
Mnorm＝norm(M) (10)；
其中，Mnorm为去量纲后的复杂结构三维损伤模型。
在步骤三中，平行分解反演网络包括两个平行层，两个平行层输入模块相同，平行层中包含特征提取模块、上/下采样模块、特征集成模块、随机丢失模块、标准化模块、输出模块和分解模型合并模块；
去量纲后的复杂结构三维损伤模型和去量纲后的特征幅值在平行分解反演网络中进行正向传播：特征提取模块运行过程如下：
aj,l＝σ(zj,l)＝σ(Wl*aj,l-1+bl) (11)；
其中，a为特征提取模块的输出，zj,l表示特征提取模块的输入，l为模块序号，j为待成像样本序号，σ为激活函数，W为权重，b为偏置，*表示卷积操作；
将式(11)进一步变换为：
其中，I表示要卷积的数据，K表示卷积核，Cvalid表示卷积输出，n表示数据长度，m表示卷积核大小，s表示步长；
定义上采样模块和下采样模块，对第l-1个模块中第j个待成像样本进行上采样或下采样，然后赋值给第l个模块：
aj,l:＝upsampling(aj,l-1) (13)；
aj,l:＝downsampling(aj,l-1) (14)；
其中，upsampling为上采样模块，downsampling为下采样模块，:＝为赋值操作；
计算输出模块的输出值：
aj,L＝g(zj,L)＝g(WLaj,L-1+bL) (15)；
其中，L为输出模块的序号，g为输出模块激活函数，zj,L为输出模块的输入；
计算真实无量纲复杂结构三维损伤模型与输出模块的输出值之间的二范数C：
其中，J为待成像样本的总数；为真实无量纲复杂结构三维损伤模型；进行反向传播，过程如下：
其中，为特征集成模块的误差，/>为特征提取模块的误差，/>为上采样模块的误差，/>为下采样模块的误差，T代表转置，符号⊙代表Hadamard乘积，rot180代表将特征提取器旋转180°；σ′表示激活函数的导数；
在正向和反向交替传播过程中，自适应的调整权重W和偏置b：
其中，η为步长，u'为误差矩阵的行数，v'为误差矩阵的列数；
根据去量纲后的复杂结构三维损伤模型的类型，将公式(16)修改为公式(25-26)：
其中，Ω、c、cg、均表示待测结构的物理性质，/>代表导波速度；true表示真实无量纲的数据。
所述三维有限元为DeVito工具包。
所述去量纲采用的方法为z-分数标准化、最小-最大归一化、比例法标准化或Regularization正则化。
所述复杂结构三维损伤模型分为两种，若是规则结构，则复杂结构三维损伤模型为中心、重心、半径或边长可描述规则结构的参数；若是不规则结构，则复杂结构三维损伤模型为一系列二维切片矩阵，二维切片矩阵中的每个值是声速、密度或慢度这些物理性质。
所述误差阈值是均方根误差或者相关系数。
与现有技术相比，本发明产生的有益效果为：
1)本发明构建的平行分解反演网络包含两个平行层，两个平行层共用输入模块和输出模块，平行层中包含特征提取模块、上/下采样模块、特征集成模块、随机丢失模块、标准化模块、分解模型合并模块；该平行分解反演网络两个平行层共用同一个数据库，输入模块接收值为去量纲后的特征幅值，但输出模块的输出值则针对不同的反演任务自动选择对应的去量纲后的复杂结构三维损伤模型；该反演网络结构轻巧，对待测结构形状要求低，适用范围广；
2)本发明利用三维有限元进行仿真，建立包含一系列复杂结构三维损伤模型及与之对应的导波全波场数值数据库；去除复杂结构三维损伤模型和导波全波场的量纲；搭建平行分解反演网络进行正向和反向交替传播；评估平行分解反演网络成像性能，并调整其结构与参数直至低于误差阈值；最后，保存该平行分解反演网络用于三维复杂结构成像；可对复杂结构整体包括复杂结构本身及其内部损伤进行同时、高精度、快速成像。
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为本发明中的流程图。
图2为本发明中的平行分解反演网络结构图。
图3为本发明中的齿轮模型。
图4为本发明中的导波全波场及去量纲处理。
图5为本发明中的平行层1的误差曲线。
图6为本发明中的平行层1的成像结果。
图7为本发明中的平行层2的误差曲线。
图8为本发明中的平行层2的成像结果。
图9为本发明中的实验装置图。
图10为本发明中的实验结果图。
图11为本发明中的管道成像结果图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，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付出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，本发明实施例提供了一种基于平行分解反演网络的三维复杂结构成像方法，具体步骤如下：
步骤一：利用三维有限元进行仿真，建立包含一系列复杂结构三维损伤模型及与之对应的导波全波场数值数据库。本实施例中三维有限元可以选DeVito工具包。
绘制复杂结构三维损伤模型，并在Z方向以指定的步长对复杂结构三维损伤模型进行二维切片；在X方向和Y方向以指定的网格间距对二维切片进行离散化处理；形成一系列包含X、Y、Z坐标的三维点云数据；将三维点云数据定义为待测结构的材料物理性质，或者是导波波速。
基于三维波动方程，定义导波在复杂结构中的传播过程：
其中，ρ(x)为三维空间中坐标为(Xx,Yx,Zx)的点x处的密度，p(x,t)为在t时刻三维空间中坐标为(Xx,Yx,Zx)的点x处的压力波场，v(x)为导波速度。
采用傅里叶变换将压力波场转换为时间频域，表示为：
其中，f为频率，vu为三维空间背景中坐标为(Xx,Yx,Zx)的点x处的超声声速，Π傅里叶变换后的压力波场；
定义背景波数散射体/>则公式(2)化简为：
其中，为Nabla算子。
将复杂结构三维模型除损伤外的整体结构作为正常项，而损伤结构为扰动项；将S(x)忽略，则背景压力波场表示为：
其中，Πu为背景压力波场。
利用格林函数求解公式(4)，得到：
其中，Gu为格林函数，δ为狄拉克函数。
在三维空间中，公式(5)的解表示为：
其中，R为源和被测点之间的距离，i表示虚数单位。
根据公式(3-5)和格林定理，总压力波场即为导波全波场，是正常压力波场与扰动压力波场之和，其散射域总压力波场表示为：
其中，Ψ为散射域。
基于公式(1-7)，利用三维有限元进行仿真，建立包含一系列复杂结构三维损伤模型及与之对应的导波全波场数值数据库。
步骤二：去除复杂结构三维损伤模型和导波全波场数值数据库中导波全波场数值的量纲；去量纲的方法可以是z-分数标准化、最小-最大归一化、比例法标准化、Regularization正则化。
采用快速傅里叶变换将时域总压力波场转换到频域，表示为：
其中，Πfreq为频域总压力波场，为快速傅里叶变换标识符。
提取接收信号的特征幅值FA，然后按以下公式对特征振幅进行去量纲；
FAnorm＝norm(FA) (9)；
其中，FAnorm为去量纲后的特征幅值，norm为去量纲操作；特征幅值为在发射频率附近一定范围内均可作为特征幅值。
按照公式(9)，对复杂结构三维损伤模型M进行去量纲处理：
Mnorm＝norm(M) (10)；
其中，Mnorm为去量纲后的复杂结构三维损伤模型。
所述复杂结构三维损伤模型分为两种，若是形态可以用三维空间方程描述的规则结构，则复杂结构三维损伤模型为中心、重心、半径、边长等可描述规则结构的参数，若是不规则结构，则复杂结构三维损伤模型为一系列二维切片矩阵，二维切片矩阵中的每个值可以是声速、密度、慢度等待测结构的物理性质。
步骤三：对无量纲复杂结构三维损伤模型以指定滑动窗大小、指定的滑动方向进行滑动切块分解，实现输出节点数的大幅缩减；搭建平行分解反演网络，如图2所示，共包含两个平行层，两个平行层输入模块相同，平行层中包含特征提取模块、上/下采样模块、特征集成模块、随机丢失模块、标准化模块、输出模块和分解模型合并模块；该平行分解反演网络两个平行层共用同一个数据库，输入模块接收值为去量纲后的特征幅值，但输出模块的输出值则针对不同的反演任务自动选择对应的去量纲后的复杂结构三维损伤模型；开始正向和反向交替传播。所述步长、网格间距、滑动窗大小、滑动方向均可调。
去量纲后的复杂结构三维损伤模型和去量纲后的特征幅值在平行分解反演网络中进行正向传播：特征提取模块运行过程如下：
aj,l＝σ(zj,l)＝σ(Wl*aj,l-1+bl) (11)；
其中，a为特征提取模块的输出，zj,l表示特征提取模块的输入，l为模块序号，j为待成像样本序号，σ为激活函数，W为权重，b为偏置，*表示乘法或卷积操作。
若符号*为卷积，则式(11)进一步变换为：
其中，I表示要卷积的数据，K表示卷积核，Cvalid表示卷积输出，n表示数据长度，m表示卷积核大小，s表示步长。
定义上采样模块和下采样模块，对第l-1个模块中第j个待成像样本进行上采样或下采样，然后赋值给第l个模块：
aj,l:＝upsampling(aj,l-1) (13)；
aj,l:＝downsampling(aj,l-1) (14)；
其中，upsampling为上采样模块，downsampling为下采样模块，:＝为赋值操作。
计算输出模块的输出值：
aj,L＝g(zj,L)＝g(WLaj,L-1+bL) (15)；
其中，L为输出模块的序号，g为输出模块激活函数，zi,L为输出模块的输入。
计算真实无量纲复杂结构三维损伤模型与输出模块的输出值之间的二范数C：
其中，J为待成像样本的总数；为真实无量纲复杂结构三维损伤模型。
进行反向传播，过程如下：
其中，为特征集成模块的误差，/>为特征提取模块的误差，/>为上采样模块的误差，/>为下采样模块的误差，T代表转置，符号⊙代表Hadamard乘积，rot180代表将特征提取器旋转180°；σ′表示激活函数的导数。
在正向和反向交替传播过程中，自适应的调整权重W和偏置b：
其中，η为步长，u'为误差矩阵的行数，v'为误差矩阵的列数。
根据去量纲后的复杂结构三维损伤模型的类型，将公式(16)修改为公式(25-26)：
其中，Ω、c、cg、均表示待测结构的物理性质，/>代表导波速度；true表示真实无量纲的数据。
步骤四：评估平行分解反演网络成像性能，并调整其结构与参数直至低于误差阈值；制定停止准则，达到指定的迭代次数或者在指定的迭代次数内误差不下降，两者满足其一就停止；评估平行分解反演网络成像性能，即如果真实的无量纲复杂结构三维损伤模型与输出模块的输出值之间的误差在设定的迭代次数结束后高于误差阈值，则调整其结构与参数，经调整后重新将无量纲复杂结构三维损伤模型和导波全波场在平行分解反演网络中进行正向和反向交替传播，直至低于误差阈值，不再调整其结构与参数。所述误差阈值可以是均方根误差或者相关系数。
步骤五：保存该平行分解反演网络用于三维复杂结构成像；在成像结果中，设定分割阈值区间，当平行分解反演网络输出的三维点云数据位于分割阈值区间内，则认定为缺陷，反之则为正常。其中，分割阈值区间可指定，也可自适应。
图3为本发明中的齿轮模型。齿轮是一种广泛使用的复杂机械传动部件，内部缩孔缺陷是大尺寸齿轮制造中是不可避免的。
图4为本发明的导波全波场及去量纲处理。图4(a)显示了1号传感器跟踪到的导波全波场传播过程，激励传感器的序号以垂直轴的正方向上递增。其中，最下方曲线为自发自收信号，剩余曲线为是其他传感器发射时1号传感器接收的信号。图4(b)是自发自收信号在频域中的波场。图4(c)和(d)显示了特征幅值和去量纲后的特征幅值。
图5为本发明的平行层1的误差曲线。随着迭代次数的增加，训练误差和验证误差均快速下降，然后收敛。根据停止准则，在第241次迭代处停止，即图中局部放大图的黑色虚线位置处，训练误差为0.0013，验证误差为0.0039。
图6为本发明的平行层1的成像结果。图6(a)和图6(d)所示分别为真实齿轮模型及平行层1的成像结果，方框选中部分为损伤。由于损伤在齿轮内部，为了使损伤更加清晰显示，将齿轮去除并显示xoy平面切片，如图6(b)、(c)、(e)、(f)所示。平行层1预测的是待测结构的物理性质，在本实例中待测结构的物理性质有半径和中心坐标。真实齿轮模型中损伤的半径和中心坐标为5mm和(120，100，41)，平行层1的成像结果中损伤的半径和中心坐标为4.48mm和(119.93，98.53，38.94)，两者十分接近。
图7为本发明中的平行层2的误差曲线。训练误差和验证误差总体趋势是收敛的，四个分解模型分别为第659、1388、1702和1166次迭代处的模型，误差如表1中所示。
表1分解模型误差
图8为本发明中的平行层2的成像结果，其分割阈值区间选择自适应。图8(a)和图8(d)所示分别为真实齿轮模型及平行层2的成像结果，方框选中部分为损伤，平行层2的成像结果与真实齿轮模型十分接近，均方根误差为1.64×10-4，成功将齿轮内部损伤预测出。图8(b)和图8(e)仅显示了齿轮内部损伤，成像结果整体准确，边缘稍有伪影。图8(c)和图8(f)显示xoy平面切片，损伤的半径和中心坐标预测精准。分解前后的训练时间大幅缩减，由107532s降低至7158s，可实现多样本的批量成像，800个样本的成像时间仅为34s。
图9为本发明中的实验装置图，其中图9(a)是15齿的3D打印的齿轮模型，齿顶圆和齿底圆半径分别为85mm和60mm，齿宽为90mm。在齿轮内部坐标(119、99、45)处有一个半径为3mm的内部缩孔损伤。齿轮的每个端面上都设置了32个压电陶瓷换能器组成的圆形阵列。图9(b)是来自Verasonics的Vantage 256通道超声波发射和接收系统。
图10为本发明中的实验结果图，其中第一列为真实齿轮模型，第二列为成像结果。真实的损伤中心坐标为(119,99,45)，半径为3mm。预测的损伤中心坐标为(121.632，97.1442，42.4073)，半径为2.3215mm。预测的损伤位置在x和y方向上准确，但在z方向和损伤尺寸上有轻微误差。
图11为本发明中的管道成像结果图。为了验证并行分解方法对其他复杂结构的鲁棒性，将反演网络的应用扩展到管道损伤的成像中。图11(a)和图11(b)分别显示了为真实管道模型和成像结果。预测的损伤与管道上的真实损伤一致，形状非常相似，但缺陷边缘有轻微模糊，真实管道模型和成像结果间的均方误差为5.02×10-4。
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、改进等，均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于平行分解反演网络的三维复杂结构成像方法，其特征在于，其步骤如下：
步骤一：利用三维有限元进行仿真，建立包含一系列复杂结构三维损伤模型及与之对应的导波全波场数值数据库；
绘制复杂结构三维损伤模型，并在Z方向以指定的步长对复杂结构三维损伤模型进行二维切片；在X方向和Y方向以指定的网格间距对二维切片进行离散化处理；形成一系列包含X、Y、Z坐标的三维点云数据；
基于三维波动方程，定义导波在复杂结构中的传播过程：
其中，ρ(x)为三维空间中坐标为(Xx,Yx,Zx)的点x处的密度，p(x,t)为在t时刻三维空间中坐标为(Xx,Yx,Zx)的点x处的压力波场，v(x)为导波速度；
采用傅里叶变换将压力波场转换为时间频域，表示为：
其中，f为频率，vu为三维空间背景中坐标为(Xx,Yx,Zx)的点x处的超声声速，Π傅里叶变换后的时域总压力波场；
定义背景波数散射体/>则公式(2)化简为：
其中，为Nabla算子；
将复杂结构三维模型除损伤外的整体结构作为正常项，而损伤结构为扰动项；将S(x)忽略，则背景压力波场表示为：
其中，Πu为背景压力波场；
利用格林函数求解公式(4)，得到：
其中，Gu为格林函数，δ为狄拉克函数；
在三维空间中，公式(5)的解表示为：
其中，R为源和被测点之间的距离，i表示虚数单位；
根据公式(3)至(5)和格林定理，总压力波场即为导波全波场，是正常压力波场与扰动压力波场之和，其时域总压力波场表示为：
其中，Ψ为散射域；
基于公式(1)至(7)，利用三维有限元进行仿真，建立包含一系列复杂结构三维损伤模型及与之对应的导波全波场数值数据库；
步骤二：去除复杂结构三维损伤模型和导波全波场数值数据库中导波全波场数值的量纲；采用快速傅里叶变换将时域总压力波场转换到频域，表示为：
其中，Πfreq为频域总压力波场，为快速傅里叶变换标识符；
提取接收信号的特征幅值FA，然后按以下公式对特征振幅进行去量纲；
FAnorm＝norm(FA) (9)；
其中，FAnorm为去量纲后的特征幅值，norm为去量纲操作；
按照公式(9)，对复杂结构三维损伤模型M进行去量纲处理：
Mnorm＝norm(M) (10)；
其中，Mnorm为去量纲后的复杂结构三维损伤模型；
步骤三：搭建平行分解反演网络进行正向和反向交替传播；其中，平行分解反演网络的输入为去量纲后的导波全波场数值的特征幅值，平行分解反演网络的输出为去量纲后的复杂结构三维损伤模型；
平行分解反演网络包括两个平行层，两个平行层输入模块相同，平行层中包含特征提取模块、上采样模块、下采样模块、特征集成模块、随机丢失模块、标准化模块、输出模块和分解模型合并模块；
去量纲后的复杂结构三维损伤模型和去量纲后的特征幅值在平行分解反演网络中进行正向传播：特征提取模块运行过程如下：
aj,l＝σ(zj,l)＝σ(Wl*aj,l-1+bl) (11)；
其中，a为特征提取模块的输出，zj,l表示特征提取模块的输入，l为模块序号，j为待成像样本序号，σ为激活函数，W为权重，b为偏置，*表示卷积操作；
将式(11)进一步变换为：
其中，I表示要卷积的数据，K表示卷积核，Cvalid表示卷积输出，n表示数据长度，m表示卷积核大小，s表示步长；
定义上采样模块和下采样模块，对第l-1个模块中第j个待成像样本进行上采样或下采样，然后赋值给第l个模块：
aj,l:＝upsampling(aj,l-1) (13)；
aj,l:＝downsampling(aj,l-1) (14)；
其中，upsampling为上采样模块，downsampling为下采样模块，:＝为赋值操作；
计算输出模块的输出值：
aj,L＝g(zj,L)＝g(WLaj,L-1+bL) (15)；
其中，L为输出模块的序号，g为输出模块激活函数，zj,L为输出模块的输入；
计算真实无量纲复杂结构三维损伤模型与输出模块的输出值之间的二范数C：
其中，J为待成像样本的总数；为真实无量纲复杂结构三维损伤模型；进行反向传播，过程如下：
其中，为特征集成模块的误差，/>为特征提取模块的误差，/>为上采样模块的误差，/>为下采样模块的误差，T代表转置，符号⊙代表Hadamard乘积，rot180代表将特征提取器旋转180°；σ′表示激活函数的导数；
在正向和反向交替传播过程中，自适应的调整权重W和偏置b：
其中，η为步长，u'为误差矩阵的行数，v'为误差矩阵的列数；
根据去量纲后的复杂结构三维损伤模型的类型，将公式(16)修改为公式(25)至(26)：
其中，Ω、c、cg、均表示待测结构的物理性质，/>代表导波速度；true表示真实无量纲的数据；
步骤四：评估平行分解反演网络成像性能，并调整其结构与参数直至低于误差阈值；
步骤五：保存该平行分解反演网络用于三维复杂结构成像；在成像结果中，设定分割阈值区间，当平行分解反演网络输出的三维点云数据位于分割阈值区间内，则认定为缺陷，反之则为正常。
2.根据权利要求1所述的基于平行分解反演网络的三维复杂结构成像方法，其特征在于，所述三维有限元为DeVito工具包。
3.根据权利要求1所述的基于平行分解反演网络的三维复杂结构成像方法，其特征在于，所述去量纲采用的方法为z-分数标准化、最小-最大归一化、比例法标准化或Regularization正则化。
4.根据权利要求1所述的基于平行分解反演网络的三维复杂结构成像方法，其特征在于，所述复杂结构三维损伤模型分为两种，若是规则结构，则复杂结构三维损伤模型为中心、重心、半径或边长可描述规则结构的参数；若是不规则结构，则复杂结构三维损伤模型为一系列二维切片矩阵，二维切片矩阵中的每个值是声速、密度或慢度这些物理性质。
5.根据权利要求1所述的基于平行分解反演网络的三维复杂结构成像方法，其特征在于，所述误差阈值是均方根误差或者相关系数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310617841.6A CN116642952B (zh) | 2023-05-29 | 2023-05-29 | 一种基于平行分解反演网络的三维复杂结构成像方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310617841.6A CN116642952B (zh) | 2023-05-29 | 2023-05-29 | 一种基于平行分解反演网络的三维复杂结构成像方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116642952A CN116642952A (zh) | 2023-08-25 |
| CN116642952B true CN116642952B (zh) | 2024-01-23 |
Family
ID=87643033
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310617841.6A Active CN116642952B (zh) | 2023-05-29 | 2023-05-29 | 一种基于平行分解反演网络的三维复杂结构成像方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116642952B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113848252A (zh) * | 2021-09-28 | 2021-12-28 | 天津大学 | 一种基于超声导波和卷积神经网络的腐蚀成像方法 |
| CN114841892A (zh) * | 2022-05-20 | 2022-08-02 | 天津大学 | 一种基于全连接网络的稀疏导波数据恢复方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB2527954B (en) * | 2013-01-30 | 2019-01-16 | Univ Cincinnati | Measuring wall thickness loss for a structure |
-
2023
- 2023-05-29 CN CN202310617841.6A patent/CN116642952B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113848252A (zh) * | 2021-09-28 | 2021-12-28 | 天津大学 | 一种基于超声导波和卷积神经网络的腐蚀成像方法 |
| CN114841892A (zh) * | 2022-05-20 | 2022-08-02 | 天津大学 | 一种基于全连接网络的稀疏导波数据恢复方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于超声导波全波形反演的缺陷检测技术研究;许文进;中国优秀硕士论文全文数据库（电子期刊）;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116642952A (zh) | 2023-08-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhao et al. | Ultrasonic Lamb wave tomography in structural health monitoring | |
| CN104655658B (zh) | 一种大型高温叶片内部缺陷三维无损检测方法 | |
| Malyarenko et al. | Ultrasonic Lamb wave diffraction tomography | |
| Di Ianni et al. | Compressive sensing of full wave field data for structural health monitoring applications | |
| CN112232400A (zh) | 一种基于深浅特征融合的不锈钢焊缝超声缺陷检测方法 | |
| Zhang et al. | Monte Carlo inversion of ultrasonic array data to map anisotropic weld properties | |
| JP2018105844A (ja) | 複合材料構造物のためのリンクル特性評価及び性能予測 | |
| Huthwaite et al. | A new regularization technique for limited-view sound-speed imaging | |
| Wilcox et al. | Fusion of multi-view ultrasonic data for increased detection performance in non-destructive evaluation | |
| Sahlström et al. | Modeling of errors due to uncertainties in ultrasound sensor locations in photoacoustic tomography | |
| KR102326149B1 (ko) | 모델-기반 이미지 재구성 방법 | |
| CN106556646A (zh) | 声发射层析成像确定混凝土结构损伤部位的检测系统 | |
| Almansouri et al. | Model-based iterative reconstruction for one-sided ultrasonic nondestructive evaluation | |
| Ouabi et al. | A fastslam approach integrating beamforming maps for ultrasound-based robotic inspection of metal structures | |
| Song et al. | Uncertainty quantification in super-resolution guided wave array imaging using a variational Bayesian deep learning approach | |
| Waters et al. | Bistatic, above-critical angle scattering measurements of fully buried unexploded ordnance (UXO) and clutter | |
| Almansouri et al. | Deep neural networks for non-linear model-based ultrasound reconstruction | |
| CN114544775A (zh) | 一种多层结构孔洞缺陷的超声相控阵高效相位偏移成像方法 | |
| CN116600697A (zh) | 使用全波形反演的反射超声成像 | |
| CN116642952B (zh) | 一种基于平行分解反演网络的三维复杂结构成像方法 | |
| CN110261850A (zh) | 一种树木内部缺陷检测数据的成像算法 | |
| Kleman et al. | Full waveform inversion-based ultrasound computed tomography acceleration using two-dimensional convolutional neural networks | |
| CN100495022C (zh) | 混凝土超声层析成像算法 | |
| Alanazi et al. | Model-based reconstruction for multi-frequency collimated beam ultrasound systems | |
| Kalkowski et al. | Weld map tomography for determining local grain orientations from ultrasound |
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 |