应用无监督深度学习框架，基于声发射特征对复合材料层压板中的分层过程进行表征

《Composites Science and Technology》：APPLICATION OF AN UNSUPERVISED DEEP LEARNING FRAMEWORK FOR ACOUSTIC EMISSION-BASED CHARACTERIZATION OF DELAMINATION PROCESS IN COMPOSITE LAMINATES

本研究提出基于声发射信号的无监督深度学习框架，结合stacked autoencoder、UMAP和HDBSCAN方法实现复合材料层间脱粘损伤机制自动聚类，并通过连续小波变换和扫描电镜验证。开发了实时处理软件，有效区分矩阵开裂、界面脱粘等机制。

　　

Jakub Rzeczkowski

卢布林工业大学机械工程学院，Nadbystrzycka 36，20-618 卢布林，波兰

摘要

本研究提出了一个先进的无监督深度学习框架，用于基于声发射（AE）测量来表征复合层压板中的分层过程。在双悬臂梁测试过程中获得的AE信号描述符通过多阶段分析流程进行处理，该流程包括堆叠自编码器进行非线性特征提取、均匀流形近似和投影（UMAP）进行低维嵌入，以及基于密度的层次空间聚类（HDBSCAN）对含噪声的AE信号进行无监督分类。这种综合方法能够有效将异构的AE事件分离成与分层过程中发生的特定损伤机制相关的不同簇。通过使用连续小波变换（CWT）进行补充的时频分析，进一步验证了聚类结果。此外，还对实际分层表面进行了扫描电子显微镜的断口观察。所提出的框架有助于区分可能与典型损伤机制相关的AE信号组，包括基体开裂、界面脱粘以及纤维拔出和分层。由于不依赖于手动特征工程和标记的数据集，该方法为复杂声发射数据的解释提供了一个完全数据驱动的工具。此外，还开发了一个原型软件应用程序，以实现实验测试过程中AE信号的实时处理、聚类和可视化。本工作的创新之处在于将深度表示学习、非线性流形嵌入和基于密度的聚类集成到一个连贯的无监督分析框架中，从而能够高效地对复合层压板实验测试中获得的非线性声发射数据进行聚类。

章节摘录

引言

由于复合层压板中存在多种相互依赖的损伤机制（如基体开裂、纤维/基体界面脱粘、分层或纤维断裂），因此对其损伤进展的监测受到了广泛研究。这些机制在复杂的载荷历史下演变，导致刚度下降、残余强度丧失，最终可能导致结构失效 [1]、[2]、[3]。在航空航天、汽车和土木工程等领域，这些损伤的早期检测至关重要。

DCB测试支持的AE技术

进行了双悬臂梁测试（图1），以研究碳/环氧复合层压板的分层行为，其材料性能为：E₁₁ = 112105 MPa，E₂₂ = E₃₃ = 7421 MPa，ν₁₂ = ν₂₃ = 0.28，ν₃₄ = 0.34，G₁₂ = G₁₃ = 3338 MPa，G₂₃ = 2769 MPa，ρ = 1668 kg/m³。材料常数是根据ASTM D3039和ASTM D3518要求进行的初步拉伸测试中获得的 [48]、[49]。实验中的DCB程序遵循ASTM D5528标准 [50]。

先进的无监督聚类程序

图6展示了载荷与时间响应以及累积声能的变化，说明了在具有弹性耦合的碳/环氧复合层压板上进行的DCB测试过程中分层过程的进展。

根据累积能量曲线，实验被划分为四个不同的阶段，对应于声活动的特征阶段，即：第一阶段（0 – 380秒），第二阶段（380 – 912秒），第三阶段（915 – 1617秒）。

结论

本研究应用了一个无监督深度学习框架，该框架整合了堆叠自编码器、非线性流形嵌入和基于密度的层次聚类，用于分析在具有弯曲-扭转弹性耦合的碳/环氧复合层压板双悬臂梁测试过程中获得的声发射数据。所提出的流程实现了潜在AE表示的自动化提取，并有助于对异构声发射信号进行分组。

利益冲突声明

? 作者声明他们没有已知的可能会影响本文所述工作的竞争性财务利益或个人关系。

致谢

本研究由卢布林工业大学“投资潜力”计划（资助编号：15/IP/2025/F）资助。