多形状共面电容传感器的混合理论与机器学习建模及多目标优化——复合材料缺陷检测中的验证

《Sensors and Actuators A: Physical》:Hybrid theory-machine learning modeling and multi-objective optimization of multi-shape coplanar capacitive sensors with validation in composite defect detection

【字体: 大 中 小 】 时间:2026年10月23日 来源:Sensors and Actuators A: Physical 4.1

编辑推荐:

   •提出了一种适用于多种几何形状的统一理论电容预测模型。•理论-机器学习混合模型实现了MAPE为0.74%、R2为0.9995的预测精度。•混合模型相比纯理论模型的均方根误差(RMSE)降低超过98%,相比纯机器学习模型降低超过56%。•优化后的CCS使缺陷响应提高了最多66%

  
  • •
    提出了一种适用于多种几何形状的统一理论电容预测模型。
  • •
    理论-机器学习混合模型实现了MAPE为0.74%、R2为0.9995的预测精度。
  • •
    混合模型相比纯理论模型的均方根误差(RMSE)降低超过98%,相比纯机器学习模型降低超过56%。
  • •
    优化后的CCS使缺陷响应提高了最多66%,成像质量提高了最多33%。

引言

共面电容式传感器(CCS)具有低成本、非侵入性和无辐射[1]、[2]的特点,使其在无损检测和缺陷成像[3]、[4]领域具有广阔的应用前景。CCS由两个共面电极组成,产生边缘电场;由材料缺陷引起的局部介电异常会扰动该电场,从而改变所测得的电容值。与平行板电容式传感器相比,CCS具有单侧检测的优势,同时保持较高的缺陷灵敏度[1]、[2]。然而,其响应高度依赖于电极几何形状[5]。间距、宽度和侧边长度等参数直接影响电场分布[1]、[6]、[7]、[8]、[9],导致灵敏度、穿透深度和空间分辨率产生耦合非线性变化。因此,CCS设计必须协调多个相互矛盾的性能目标,并依赖快速、准确的电容预测。传统的经验性或试错法方法无法系统地建立结构参数与传感性能之间的关系[10],这凸显了需要高效预测模型来指导CCS优化的必要性。
现有的CCS电容预测方法大致可分为理论方法、有限元方法和数据驱动方法。其中,理论模型因其显式地建立了电极几何形状、场边界条件与电容输出之间的物理关系而备受重视。代表性工作包括Lucas等人[11],他们推导了任意电容结构的通用电场解;Guo等人[12],他们建立了分段环形共面结构的解析表达式,最大误差为0.5%;Khan等人[13],他们采用保角映射对多层矩形CCS进行建模,相对误差低于3%;Li等人[14],他们提出了矩形电极的半解析模型,误差低于10%。尽管这些理论模型具有清晰的理论性和较好的精度,但它们依赖于几何简化假设,且主要适用于矩形电极构型。然而,三角形和梯形电极在空间分辨率和穿透深度方面具有独特优势[15],使其成为CCS设计的理想候选方案。尽管如此,一种能够实现多种电极形状之间公平比较和系统优化的统一电容模型仍然缺乏,这限制了解析方法的更广泛应用。
相比之下,有限元建模(FEM)方法能够忠实地表征复杂的电极几何形状[16]。例如,Nassr等人[17]将FEM应用于评估CCS输出信号的几何效应,报告的平均相对误差为5.2%。Huang等人[10]采用三维模型研究了互指CCS的灵敏度和穿透深度,平均相对误差低于4.5%。这些案例研究表明,FEM能够提供高保真度的参考数据,阐明电场演化过程,并支持机理分析和性能优化[18]、[19]。然而,FEM相当大的计算成本严重限制了其在大规模参数研究和迭代设计中的应用,凸显了需要一种更高效且准确的预测替代方案的迫切性。
随着机器学习的发展,数据驱动方法越来越多地应用于传感器性能预测,并进一步成为快速电容预测及相关智能传感应用的有前景的替代方案,在精度和计算效率方面均有所提升[20]、[21]、[22]、[23]。Abouelyazid等人[24]开发了一种互连寄生电容模型,将平均预测误差限制在0.15%以下,同时将计算速度提高了约2.5倍。Tsai等人[25]将预测时间从大约25 分钟(通过FEM分析)降低到仅0.082 秒。尽管取得了这些成功,仍存在若干局限性。当前的数据驱动应用主要针对微电子领域,在涉及复杂电极几何形状的CCS建模方面探索有限。此外,纯数据驱动模型缺乏显式的物理先验知识,这限制了其可解释性和超出训练域的可推广性[25]。总体而言,现有的CCS研究仍然受到形状特定的电容模型、FEM高计算成本以及纯数据驱动方法物理可解释性有限的制约,多形状CCS的统一建模和优化问题尚未得到解决。
因此,本研究提出了一种新颖的框架,将理论-机器学习混合电容模型与多目标几何优化无缝集成,实现了跨多种CCS几何形状的精确且具有物理可解释性的电容预测和设计优化。首先,建立了一种涵盖三角形、梯形和矩形电极的统一几何表示,并通过Maxwell方程和保角映射推导出理论电容模型。随后,采用高保真度有限元模型评估该模型的适用性、准确性和误差来源,同时为后续模型修正提供训练数据。其次,采用反向传播(BP)神经网络来修正理论模型的相对误差,从而得到混合预测器。该混合模型进一步与非支配排序遗传算法II(NSGA-II)和基于理想解的相似性排序技术(TOPSIS)相结合,实现多目标几何优化。第三,将优化后的CCS与常规CCS构型一起应用于玻璃纤维增强塑料(GFRP)复合材料的缺陷检测和成像,从而通过实验验证其优越性能。

章节摘要

CCS几何参数与电极形状表示

图1a展示了CCS构型,其中a、w、l1和l2分别表示电极间距、电极宽度、相邻边长度和侧边长度。改变这些参数可得到三种电极形状——三角形、矩形和梯形——以及图1b中所示的六种代表性构型。对于三角形电极,设置l1l2=0可得底面朝上的三角形,而l2l1=0则得到顶点朝上的三角形。对于矩形电极,l2=l1w可得

精度与低误差参数区域

图5a将理论预测值Cth与FEM计算值CFEM进行了比较。尽管Cth能够复现CFEM的总体趋势,但仍观察到与理想拟合线存在显著偏差。该理论模型的确定系数(R2)为0.298,平均绝对百分比误差(MAPE)为42.10%,表明预测精度有限。对相对误差分布(图5b)的仔细观察揭示了一种右偏的单峰分布模式,大多数误差落在0%

结论

本研究提出了一种统一的框架,将理论-机器学习混合模型与多目标优化相结合,用于多种电极形状的CCS,并通过GFRP缺陷检测和成像实验验证了其有效性。主要结论如下:
  • (1)
    通过统一形状表示和保角映射推导了适用于三角形、梯形和矩形电极的理论模型,相对误差不超过15%

作者贡献声明

张文金: 撰写——初稿、调查研究、形式分析、概念化。王晓东: 可视化、验证。蒋小伟: 软件、调查研究。刘玲: 撰写——审阅与编辑、可视化、验证。

利益冲突声明

作者声明不存在可能影响本文所述工作的已知竞争性经济利益或个人关系。

致谢

本研究得到国家自然科学基金(编号:12272268和编号:U2341235)的资助。
张文金、蒋小伟和王晓东是同济大学航空航天工程与应用力学学院的博士研究生,地址为中国上海200092。他们的研究方向包括无损检测、电容传感、复合材料缺陷检测和机器学习辅助传感器设计。
张文金|蒋小伟|王晓东|刘玲
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号