CN117689967A - 一种相控阵非线性成像裂纹长度预测方法 - Google Patents
一种相控阵非线性成像裂纹长度预测方法 Download PDFInfo
- Publication number
- CN117689967A CN117689967A CN202311474943.3A CN202311474943A CN117689967A CN 117689967 A CN117689967 A CN 117689967A CN 202311474943 A CN202311474943 A CN 202311474943A CN 117689967 A CN117689967 A CN 117689967A
- Authority
- CN
- China
- Prior art keywords
- nonlinear
- phased array
- neural network
- crack length
- convolutional neural
- 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
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000003384 imaging method Methods 0.000 title claims abstract description 20
- 238000001514 detection method Methods 0.000 claims abstract description 43
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 28
- 239000013598 vector Substances 0.000 claims abstract description 22
- 238000009864 tensile test Methods 0.000 claims abstract description 12
- 230000004927 fusion Effects 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 11
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000011161 development Methods 0.000 abstract description 4
- 238000009659 non-destructive testing Methods 0.000 abstract description 2
- 239000000463 material Substances 0.000 description 6
- 238000001228 spectrum Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000002592 echocardiography Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 239000007769 metal material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Landscapes
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明涉及无损检测领域，具体是一种相控阵非线性成像裂纹长度预测方法，本发明包括如下步骤：S1、确定检测对象的待检测点，通过超声相控阵检测设备在待检测点处分两次分别实现并行发射和顺序发射，得到非线性图像；S2、将检测对象进行疲劳拉伸试验，得到疲劳裂纹检测非线性图像；S3、将步骤S2得到的非线性图像通过阈值函数f(x)进行图像去噪处理；S4、提取经步骤S3处理后的图像的感兴趣区域，对感兴趣区域分别人工提取特征以及通过卷积神经网络提取深度特征，将人工提取特征和卷积神经网络提取的深度特征进行特征融合后，将融合后的特征向量I输入卷积神经网络的全连接层中回归预测，得到预测裂纹长度。本发明可对早期微裂纹的拓展进行预测。
Description
技术领域
本发明涉及无损检测领域，具体是一种相控阵非线性成像裂纹长度预测方法。
背景技术
金属材料疲劳产生断裂，是工程环境中常见的问题。金属材料局部应力集中，产生疲劳裂纹，最终造成疲劳断裂，导致机件失效。微裂纹的扩展是一个由慢到快的过程，尽早通过无损检测手段检出设备内部的微裂纹，可避免其快速扩展对设备运行安全造成隐患。微裂纹作为材料早期损伤的表现形式，通过常规检测手段，易于出现漏检误检的情况。而声学非线性检测对材料早期损伤具有一定的敏感性，因此可以借助非线性超声检测技术对其进行分析。
如专利号“CN201310431912.X”公开了一种风塔焊缝非线性超声检测方法，先对目标焊缝作超声波多点扫描，并采集各扫描点处的探测回波，再对每个扫描点的探测回波进行短时傅立叶变换，得到每个扫描点的回波实时频谱曲线；然后计算物理位置相邻的扫描点的频谱相似系数，按各个扫描点的物理位置关系构建频谱相似度矩阵，进而得到目标焊缝的频谱相似度曲线；再根据目标焊缝的频谱相似度曲线，判定目标焊缝是否具有缺陷；这种检测方式只能实现缺陷的实时判断判定，无法对微裂纹的拓展进行提前预测，适用范围较为狭窄，因此亟待解决。
发明内容
为了避免和克服现有技术中存在的技术问题，本发明提供了一种相控阵非线性成像裂纹长度预测方法。本发明可对早期微裂纹的拓展进行预测。
为实现上述目的，本发明提供如下技术方案：
一种相控阵非线性成像裂纹长度预测方法，包括如下步骤：
S1、确定检测对象的待检测点，通过超声相控阵检测设备在待检测点处分两次分别实现并行发射和顺序发射，得到非线性图像；
S2、将检测对象进行疲劳拉伸试验，得到疲劳裂纹检测非线性图像；
S3、将步骤S2得到的非线性图像通过阈值函数f(x)进行图像去噪处理，阈值函数f(x)如下：
其中：sign表示sign函数；
β表示小波变换算子；
σ表示噪声方差；
e为自然常数；
G为阈值；
H表示离散小波变换的频带数；
j表示离散小波变换的层数，1≤j≤H；
S4、提取经步骤S3处理后的图像的感兴趣区域，对感兴趣区域分别人工提取特征以及通过卷积神经网络提取深度特征，将人工提取的特征和卷积神经网络提取的深度特征进行特征融合后，将融合后的特征向量I输入卷积神经网络的全连接层中进行回归预测，得到预测的裂纹长度。
作为本发明进一步的方案：在步骤S4中，将人工提取特征和卷积神经网络提取深度特征分别展平作为一个一维向量，将两个一维向量进行拼接以实现特征融合，融合后的特征向量I为：
I＝[I1，I2]
其中，I1为人工提取特征的一维向量；
I2为卷积神经网络提取深度特征的一维向量。
作为本发明再进一步的方案：在步骤S4中，选用步骤S2中非线性图像的裂纹尖端位置作为人工提取特征。
作为本发明再进一步的方案：搭建卷积神经网络模型时，对步骤S2中的检测对象进行多次疲劳拉伸试验，并对疲劳拉伸试验后的检测对象进做金相分析，得到真实的裂纹长度，将真实裂纹长度与非线性图像一一对应，对非线性图像贴标签，利用带有标签的非线性图像对神经网络进行多次循环训练，得到训练后的卷积神经网络模型。
作为本发明再进一步的方案：在步骤S1中，并行发射时，超声相控阵检测设备的各阵元按照延时法则集体发射信号，并同步接收信号得到信号集pb(s，t)；
顺序发射时，超声相控阵检测设备的各阵元按顺序发射，并分别采集获得的信号集qa，b(t)；
对信号集pb(s，t)以及信号集qa，b(t)进行傅里叶变换，再依据延时法则进行匹配叠加以及高斯滤波后，进行傅里叶逆变换从而得到并行时域合成信号集p(s，t)和顺序时域合成信号集q(s，t)；
以并行时域合成信号集p(s，t)和顺序时域合成信号集q(s，t)之间的绝对差κ(s)作为非线性图像：
κ(s)＝|q(s，t)-p(s，t)|
其中，s表示待检测点(x，y)的矢量；
t表示超声波经待检测点发射后返回待检测点的时间。
一种电子设备，包括处理器、输入设备、输出设备和存储器，所述处理器、输入设备、输出设备和存储器依次连接，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行一种相控阵非线性成像裂纹长度预测方法。
一种可读存储介质，该存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使处理器执行一种相控阵非线性成像裂纹长度预测方法。
与现有技术相比，本发明的有益效果是：
1、本发明针对材料内部早期微裂纹进行扩展趋势预测，相比于传统的非线性超声检测理论，从基于相控阵声学非经典非线性的微裂纹检测新原理入手，分析早期微裂纹特征参量对非经典非线性动力学的影响规律，并基于并行-顺序声场散射指向性及响应分量间的非线性差异性，形成微裂纹与非裂纹散射体的非线性解耦原理；在此基础上，将得到的一系列微裂纹非线性图像，融合人工提取特征与卷积神经网络提取的深度特征，输入到卷积神经网络的全连接层中，实现对早期微裂纹发展趋势与长度的预测。
2、本发明对阈值函数进行改进，克服了现有硬阈值函数以及软阈值函数不连续的缺点，使非线性图像的去噪效果最优化，大幅提高了微裂纹拓展趋势预测的精确度。
3、本发明为降低图像处理过程中的计算量，对非线性图像提取感兴趣区域，将研究对象由整体聚焦转换为研究局部关键位置；通过特征融合后进行回归预测，实现基于图像感兴趣区域的预测裂纹扩展长度。
附图说明
图1为本发明对检测对象进行两万次疲劳拉伸后微裂纹的非线性图像。
图2为本发明对检测对象进行九万次疲劳拉伸后微裂纹的非线性图像。
图3为本发明对检测对象进行两万次疲劳拉伸后微裂纹的的金相分析图。
图4为本发明中检测对象非线性图像感兴趣区域的提取图。
图5为本发明中的卷积神经网络模型示意图。
图6为对材料进行九万次疲劳拉伸后微裂纹的长度预测图。
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做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。
请参阅图1～6，本发明实施例中，一种相控阵非线性成像裂纹长度预测方法，S1、确定检测对象的待检测点，通过超声相控阵检测设备在待检测点处分两次分别实现并行发射和顺序发射，得到非线性图像；
试验所用的超声检测设备包括：一个64阵元超声探头(阵元中心距：0.60mm；标称中心频率：5MHz)、一台Micropulse FMC相控阵控制器、一台拥有相控阵检测平台运行环境的计算机等。
并行发射时，超声相控阵检测设备的各阵元按照延时法则集体发射信号，并同步接收信号得到信号集pb(s，t)；
顺序发射时，超声相控阵检测设备的各阵元按顺序发射，并分别采集获得的信号集qa，b(t)；
对信号集pb(s，t)以及信号集qa，b(t)进行傅里叶变换，再依据延时法则进行匹配叠加以及高斯滤波后，进行傅里叶逆变换从而得到并行时域合成信号集p(s，t)和顺序时域合成信号集q(s，t)；
以并行时域合成信号集p(s，t)和顺序时域合成信号集q(s，t)之间的绝对差κ(s)作为非线性图像：
κ(s)＝|q(s，t)-p(s，t)|
其中，s表示待检测点(x，y)的矢量；
t表示超声波经待检测点发射后返回待检测点的时间。
S2、将检测对象进行疲劳拉伸试验，得到疲劳裂纹检测非线性图像；
如图1和图2所示，进行不同次数的疲劳拉伸试验，得到一系列疲劳裂纹检测非线性图像。图3为该材料2万次疲劳拉伸后的微裂纹的金相成像，测量可知此时的裂纹长度为348.38um。
在对检测对象进行多次疲劳拉伸试验，并对疲劳拉伸试验后的检测对象进做金相分析后，可得到真实的裂纹长度，将真实裂纹长度与非线性图像一一对应，对非线性图像贴标签，利用带有标签的非线性图像对神经网络进行多次训练，可得到训练后的卷积神经网络模型。本发明的卷积神经网络模型如图5所示，由卷积层、BN层、池化层、全连接层组成，采用最大池化策略和ReLU激活函数。卷积层用于提取图像特征图谱。卷积核大小为3*3*32，Stride参数为2，池化层用于特征降维，使用3*3的池化核。
S3、将步骤S2得到的非线性图像通过阈值函数f(x)进行图像去噪处理，阈值函数f(x)如下：
其中：sign表示sign函数；
β表示小波变换算子；
σ表示噪声方差；
e为自然常数；
G为阈值；
H表示离散小波变换的频带数或尺度，也称为小波分解的层数；
j表示离散小波变换的层数或频带的索引，1≤j≤H；j取值依赖于小波分解的深度。
S4、提取经步骤S3处理后的图像的感兴趣区域，对感兴趣区域分别人工提取特征以及通过卷积神经网络提取深度特征，将人工提取的特征和卷积神经网络提取的深度特征进行特征融合后，将融合后的特征向量I输入卷积神经网络的全连接层中进行回归预测，得到预测的裂纹长度。
人工提取特征时，优选选取非线性图像的裂纹尖端位置。非线型图像统一裁剪，裁剪范围为X轴：-0.025到0.013，Y轴范围为：0.025到0.04。将人工提取特征和卷积神经网络提取深度特征分别展平作为一个一维向量，将两个一维向量进行拼接以实现特征融合，融合后的特征向量I为：
I＝[I1,I2]
其中，I1为人工提取特征的一维向量；
I2为卷积神经网络提取深度特征的一维向量。
如图5所示，将融合后的特征输入到卷积神经网络中，实现对疲劳拉伸九万次后的材料微裂纹长度预测。如图6所示，经九万次疲劳拉伸试验后的材料微裂纹长度预测为3688.26um。
本申请的另一实施例为电子设备。
该电子设备可以是可移动设备本身，或与其独立的单机设备，该单机设备可以与可移动设备进行通信，以从它们接收所采集到的输入信号，并向其发送所选择的目标决策行为。
电子设备包括一个或多个处理器和存储器。
处理器可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备中的其他组件以执行期望的功能。
存储器可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器可以运行所述程序指令，以实现上文所述的本申请的各个实施例的一种相控阵非线性成像裂纹长度预测方法。
在一个示例中，电子设备还可以包括：输入装置和输出装置，这些组件通过总线系统和/或其他形式的连接机构互连。例如，该输入设备可以包括例如车载诊断系统(OBD)、摄像头、工业相机等各种设备。该输入设备还可以包括例如键盘、鼠标等等。该输出装置可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
除此之外，根据具体应用情况，电子设备还可以包括任何其他适当的组件。
本申请的又一实施例为还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述全聚焦-非线性融合成像方法部分中描述的根据本申请各种实施例的相控阵非线性成像裂纹长度预测方法的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书中的一种相控阵非线性成像裂纹长度预测方法。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
Claims (7)
1.一种相控阵非线性成像裂纹长度预测方法，其特征在于，包括如下步骤：
S1、确定检测对象的待检测点，通过超声相控阵检测设备在待检测点处分两次分别实现并行发射和顺序发射，得到非线性图像；
S2、将检测对象进行疲劳拉伸试验，得到疲劳裂纹检测非线性图像；
S3、将步骤S2得到的非线性图像通过阈值函数f(x)进行图像去噪处理，阈值函数f(x)如下：
其中：sign表示sign函数；
β表示小波变换算子；
σ表示噪声方差；
e为自然常数；
G为阈值；
H表示离散小波变换的频带数；
j表示离散小波变换的层数，1≤j≤H；
S4、提取经步骤S3处理后的图像的感兴趣区域，对感兴趣区域分别人工提取特征以及通过卷积神经网络提取深度特征，将人工提取的特征和卷积神经网络提取的深度特征进行特征融合后，将融合后的特征向量I输入卷积神经网络的全连接层中进行回归预测，得到预测的裂纹长度。
2.根据权利要求1所述的一种相控阵非线性成像裂纹长度预测方法，其特征在于，在步骤S4中，将人工提取特征和卷积神经网络提取深度特征分别展平作为一个一维向量，将两个一维向量进行拼接以实现特征融合，融合后的特征向量I为：
I＝[I1，I2]
其中，I1为人工提取特征的一维向量；
I2为卷积神经网络提取深度特征的一维向量。
3.根据权利要求1所述的一种相控阵非线性成像裂纹长度预测方法，其特征在于，在步骤S4中，选用步骤S2中非线性图像的裂纹尖端位置作为人工提取特征。
4.根据权利要求1～3中任意一项所述的一种相控阵非线性成像裂纹长度预测方法，其特征在于，搭建卷积神经网络模型时，对步骤S2中的检测对象进行多次疲劳拉伸试验，并对疲劳拉伸试验后的检测对象进做金相分析，得到真实的裂纹长度，将真实裂纹长度与非线性图像一一对应，对非线性图像贴标签，利用带有标签的非线性图像对神经网络进行多次循环训练，得到训练后的卷积神经网络模型。
5.根据权利要求1～3中任意一项所述的一种相控阵非线性成像裂纹长度预测方法，其特征在于，在步骤S1中，并行发射时，超声相控阵检测设备的各阵元按照延时法则集体发射信号，并同步接收信号得到信号集pb(s，t)；
顺序发射时，超声相控阵检测设备的各阵元按顺序发射，并分别采集获得的信号集qa，b(t)；
对信号集pb(s，t)以及信号集qa，b(t)进行傅里叶变换，再依据延时法则进行匹配叠加以及高斯滤波后，进行傅里叶逆变换从而得到并行时域合成信号集p(s，t)和顺序时域合成信号集q(s，t)；
以并行时域合成信号集p(s，t)和顺序时域合成信号集q(s，t)之间的绝对差κ(s)作为非线性图像：
κ(s)＝|q(s，t)-p(s，t)|
其中，s表示待检测点(x，y)的矢量；
t表示超声波经待检测点发射后返回待检测点的时间。
6.一种电子设备，其特征在于，包括处理器、输入设备、输出设备和存储器，所述处理器、输入设备、输出设备和存储器依次连接，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行如权利要求1～3中任意一项所述的一种相控阵非线性成像裂纹长度预测方法。
7.一种可读存储介质，其特征在于，该存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使处理器执行如权利要求1～3中任意一项所述的一种相控阵非线性成像裂纹长度预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311474943.3A CN117689967A (zh) | 2023-11-08 | 2023-11-08 | 一种相控阵非线性成像裂纹长度预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311474943.3A CN117689967A (zh) | 2023-11-08 | 2023-11-08 | 一种相控阵非线性成像裂纹长度预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117689967A true CN117689967A (zh) | 2024-03-12 |
Family
ID=90137943
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311474943.3A Pending CN117689967A (zh) | 2023-11-08 | 2023-11-08 | 一种相控阵非线性成像裂纹长度预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117689967A (zh) |
-
2023
- 2023-11-08 CN CN202311474943.3A patent/CN117689967A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6874846B2 (ja) | 超音波スキャン・データを用いた欠陥検出 | |
| Cantero-Chinchilla et al. | Deep learning in automated ultrasonic NDE–developments, axioms and opportunities | |
| JP7156782B2 (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 | |
| Miorelli et al. | Defect sizing in guided wave imaging structural health monitoring using convolutional neural networks | |
| CN101691994B (zh) | 一种隧道裂缝最大宽度自动定位和检测方法 | |
| Wang et al. | Densely connected convolutional networks for vibration based structural damage identification | |
| Khan et al. | Autonomous assessment of delamination in laminated composites using deep learning and data augmentation | |
| Nokhbatolfoghahai et al. | Evaluation of the sparse reconstruction and the delay-and-sum damage imaging methods for structural health monitoring under different environmental and operational conditions | |
| Raut et al. | Methods of damage detection on composites under low velocity impact | |
| Acciani et al. | Angular and axial evaluation of superficial defects on non-accessible pipes by wavelet transform and neural network-based classification | |
| Zhou et al. | Damage identification for plate structures using physics-informed neural networks | |
| Chaupal et al. | Matrix cracking and delamination detection in GFRP laminates using pre-trained CNN models | |
| CN117689967A (zh) | 一种相控阵非线性成像裂纹长度预测方法 | |
| 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 | |
| Ma et al. | A percussion method with attention mechanism and feature aggregation for detecting internal cavities in timber | |
| Hu et al. | Anti-interference damage localization in composite overwrapped pressure vessels using machine learning and ultrasonic 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 | |
| CN114460175B (zh) | 一种薄壁结构损伤检测方法 | |
| Kulakovskyi et al. | Convolutional neural network for automated diagnostic from guided wave imaging in a structural health monitoring context | |
| Sadeghi | Structural health monitoring of composite bridges by integrating model-based and data-driven methods | |
| CN117647587B (zh) | 一种声发射信号分类方法、计算机设备及介质 | |
| Saitoh et al. | Determination of the presence or absence of defect for laser ultrasonic visualization testing using transfer learning | |
| CN112711873B (zh) | 基于兰姆波和神经网络进行损伤定位的方法及系统、介质 | |
| CN115270645B (zh) | 一种基于ernie-dpcnn模型的设计方法及系统 | |
| US20230095525A1 (en) | System and method for evaluating residual life of components made of composite materials |
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 |