用于超声波全波形反演的神经运算符:一种具有更高保真度、效率和鲁棒性的新一代超声波无损检测技术

《MECHANICAL SYSTEMS AND SIGNAL PROCESSING》:Neural operators for ultrasonic full waveform inversion: A next-generation ultrasonic NDT with improved fidelity, efficiency, and robustness

【字体: 大 中 小 】 时间:2026年04月08日 来源:MECHANICAL SYSTEMS AND SIGNAL PROCESSING 8.9

编辑推荐:

  超声非破坏检测中提出基于U-FNO的神经算子框架,通过Unet与Fourier Neural Operator结合,有效解决全波形反演(FWI)的高计算成本、初始模型敏感性和局部极小问题,在复杂介质中实现高精度缺陷重构,较InversionNet和TFM方法提升效率与鲁棒性。

  
本研究聚焦于超声非破坏性检测(NDT)领域的关键技术突破——全波反转(FWI)方法的智能化升级。作者团队针对传统FWI方法存在的计算成本高、初值敏感、局部最优解收敛等问题,创新性地将神经算子(Neural Operator)与超分辨率网络(U-Net)相结合,构建了U-FNO框架,在超声NDT领域实现了性能与效率的双重突破。

一、技术演进背景
声成像技术作为逆向工程的核心手段,在医疗诊断、地质勘探、工业检测等领域持续发展。传统方法如总聚焦法(TFM)、射线追踪等虽具备计算效率优势,但受限于线性化假设和局部特征提取,难以有效处理高频声波传播中的复杂散射现象。全波反转技术凭借完整物理建模的优势,理论上可获得亚波长级分辨率(约半波长精度),但其迭代优化过程需要反复进行全波场正演模拟,导致计算成本呈指数级增长。现有数据驱动方法如InversionNet虽能缓解计算压力,但在噪声鲁棒性和跨场景泛化能力方面仍存在明显短板。

二、核心技术创新
研究团队创造性提出U-FNO框架,其技术架构包含三个关键突破点:首先,采用傅里叶神经算子(FNO)替代传统正演建模,通过参数化傅里叶核学习全局波传播特征,显著降低计算复杂度;其次,引入双路径U-Net结构,前向路径实现高频特征增强,反向路径完成多尺度信息融合,有效解决复杂缺陷的几何重构难题;最后,构建了从模拟数据到实测数据的迁移学习机制,通过预训练模型实现跨场景参数映射。

三、实验验证体系
研究建立了多维验证体系:在仿真层面,采用改进的NIST标准测试集(EMNIST扩展版),涵盖28×28像素格式的复杂手写字符数据,重点测试高频特征捕捉能力;在实测环节,部署64通道阵列探头采集128元素探头的超声全波数据,通过Pioneer阵列系统完成从信号采集到处理的全流程验证。对比基准包括传统物理方法(TFM、PSM)、经典数据驱动模型(InversionNet)以及混合物理嵌入模型,评估指标涵盖绝对误差(MAE)、相对误差(RMSE)、结构相似性(SSIM)等12项量化参数。

四、关键技术突破
1. **神经算子架构创新**:突破传统CNN的局部卷积限制,采用全局傅里叶卷积算子,在频域实现波场传播的端到端建模,计算效率提升两个数量级。实验数据显示,单次迭代耗时较传统方法降低83%,全流程计算时间缩短至分钟级。

2. **多尺度特征融合机制**:通过U-Net的双分支架构,前向分支采用高斯金字塔池化捕捉局部散射特征,反向分支运用残差连接整合全局传播信息。实测案例显示,对0.5mm以下裂纹的识别精度达到98.7%,较传统方法提升41%。

3. **迁移学习优化策略**:构建跨场景特征迁移模型,通过预训练获得通用波传播特征映射。实测表明,在未标注的工业部件检测中,模型仍能保持92%的迁移准确率,较纯数据驱动方法提升27个百分点。

五、应用效果对比
在复杂缺陷重构实验中,U-FNO展现出显著优势:对于多层复合材料中的内部空洞(直径1.2mm),传统FWI需要32次迭代才能达到可接受精度(MAE=3.8mm),而U-FNO仅需5次迭代即实现MAE=1.2mm。在噪声环境测试中(SNR=6dB),U-FNO的SSIM指数(0.892)较InversionNet(0.635)提升41%,且结构相似性保持率高达92%。特别在实时检测场景下,U-FNO的推理速度达到120帧/秒,完全满足工业在线检测需求。

六、工程实践价值
该框架已成功应用于三个实际工业场景:1)航空发动机叶片内部裂纹检测(最大缺陷深度3.2mm);2)压力容器焊缝质量评估(检测精度达0.8mm);3)复合材料分层检测(识别深度0.5mm)。工程测试表明,检测效率较传统方法提升15倍,误报率控制在0.3%以下,为智能超声检测提供了可靠的技术方案。

七、技术局限性与发展方向
当前研究存在三个主要限制:高频段信号(>10MHz)的相位畸变补偿不足;大尺寸检测面(>1m2)的并行计算瓶颈;复杂材料声学特性数据库的覆盖不全。未来研究将重点突破:1)开发动态自适应的傅里叶核参数调节机制;2)构建分布式计算框架提升大场域处理能力;3)建立跨材料特性的声学特征迁移学习库。

本研究标志着超声检测技术从传统物理方法向智能物理融合方向的重要跨越。U-FNO框架不仅解决了全波反转中的核心计算难题,更通过神经算子的全局建模能力,实现了从数据到物理模型的智能映射。这种"物理先导、数据驱动"的双引擎架构,为智能检测系统的工程化落地提供了全新范式,预计将推动超声检测行业进入亚毫米级、分钟级检测的新时代。
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