基于近时声发射事件的复合材料层间损伤评估新方法

为解决复合材料层间损伤隐蔽性强、传统评估方法依赖全程监测数据的问题，研究人员提出基于近时声发射(AE)事件的损伤评估新方法。通过玻璃纤维增强环氧树脂层压板弯曲实验，发现近时AE事件的上升角(RA)、绝对能量(AbE)和部分功率(PP)与力学行为显著相关，并构建卷积神经网络(CNN)分类模型，实现层间断裂风险分级，分类准确率和F1分数均超90%。该方法为结构健康监测提供了仅需短期数据的创新框架。

　　

复合材料因其轻质高强的特性，在航空航天等高端工业领域广泛应用，但其层间损伤的隐蔽性和复杂性给结构安全带来严峻挑战。传统声发射(AE)监测技术面临两大瓶颈：基于离散事件的方法难以捕捉整体损伤进程，而累积事件方法又依赖全程连续监测数据。当仅能获取近期监测数据时，如何实现精准损伤评估成为亟待突破的科学难题。

针对这一瓶颈，中国的研究团队在《Results in Engineering》发表创新成果，提出基于近时AE事件的层间损伤评估新范式。通过设计玻璃纤维增强环氧树脂层压板的三点弯曲实验，研究人员首次系统分析了5秒时间窗内AE事件特征与力学行为的关联规律。实验采用ASTM D7905标准制备带预制裂纹的端部缺口断裂(ENF)试件，结合PAC-SAMOS 8声发射系统采集数据，采样频率达5 MHz。

研究首先揭示了损伤演化规律。通过扫描电镜(SEM)观察到典型的"剪切尖突"形貌，结合RA-AF特征分析将AE事件分为两类：低RA值(15-54 ns/dB)的I类事件对应拉伸/压缩裂纹，在载荷比达81%时显著出现；高RA值(254-380 ns/dB)的II类事件对应剪切裂纹，在载荷比>94%时集中产生。这种时序分布表明I类损伤可能触发II类损伤，后者与层间断裂直接相关。

关键发现体现在近时事件特征与力学行为的强关联性上。绝对能量(AbE)最大值随载荷比呈指数增长，反映裂纹尺度从小到大的演变；b值分析显示载荷比95%附近出现陡降，标志主导裂纹从微裂纹转为宏观裂纹；部分功率(PP)的α值与载荷比相关系数达0.72，体现基体失效导致的能量频移特性。这些发现为近时评估提供了理论基础。

基于特征关联性构建的1D-CNN模型展现出卓越性能。网络结构包含32和64个滤波器的卷积层，采用ReLU激活和层归一化。相比传统累积模型(KNN算法)，新模型在识别高风险(载荷比95%-100%)时表现突出：准确率和F1分数均超90%，其中F1分数提升的置信度达96.54%。特别在临界区(载荷比94%-96%)，累积模型出现误判波动，而近时模型保持稳定识别。

深入分析揭示了方法优势的机理。累积能量曲线在七次实验中虽趋势相似(R2=0.77-0.99)，但绝对值差异显著，反映层间损伤累积存在固有随机性。而近时模型采用的RA、AbE和PP特征间相关系数仅0.05-0.30，信息重叠度低，能更全面反映损伤状态。这种通过近期演化趋势而非历史累积的评估思路，突破了传统方法的局限性。

该研究创立了基于短时监测数据的损伤评估新框架，为工程实践提供了重要工具。方法创新性体现在三方面：首次定义近时AE事件概念，建立5秒时间窗的评估标准；发现RA/AbE/PP与力学参数的定量关系；开发适用于序列分析的1D-CNN架构。这些成果推动结构健康监测技术向实时化、精准化迈进，对保障复合材料结构安全具有重要工程价值。未来研究可进一步优化时间窗自适应算法，并验证方法在复杂载荷下的普适性。