用于层压复合材料损伤量化的并行核深度学习模型

《Advances in Engineering Software》:Parallel kernel deep learning model for damage quantification in laminated composites

【字体: 大 中 小 】 时间:2026年04月09日 来源:Advances in Engineering Software 5.7

编辑推荐:

  研究提出PK-CNN框架,通过并行卷积层提取层压复合材料 Lamb 波信号的局部与全局特征,实现损伤严重性分类(四类)和九区定位。实验验证显示,该模型在损伤严重性分类测试准确率达95.83%,定位任务准确率达98.15%,显著优于传统CNN。分隔符

  
在工程结构监测领域,层压复合材料因其高强度、低密度特性被广泛应用于航空航天、海洋工程及体育器材制造。这类材料通过多层纤维增强材料堆叠而成,但复杂的层间结构也使其容易受到分层、纤维断裂等损伤。传统无损检测方法依赖人工提取声发射信号特征,存在效率低、主观性强等缺陷。近年来,基于深度学习的损伤检测技术逐渐成为研究热点,但现有方法仍存在明显局限性。

传统卷积神经网络(CNN)在处理声波传播信号时面临双重挑战:一方面,声波信号具有显著的时空耦合特性,既有高频局部损伤特征(如0.5-5MHz频段的纤维断裂信号),又包含低频结构模态信息(如10-50Hz的层间振动模式);另一方面,声波在复合材料中的传播路径受边界反射、材料各向异性等多因素影响,信号特征呈现非平稳性和非均匀性。以某型号碳纤维层压板为例,实验数据显示其Lamb波信号在损伤存在时会出现特征频率偏移(约±15%)、幅值衰减(约30%-60%)以及波形畸变(时域信号失真度超过40%)。

针对上述问题,研究团队提出平行核卷积神经网络(PK-CNN)架构。该框架的核心创新在于构建多尺度并行处理系统,通过集成不同尺寸的卷积核(3×3、5×5、7×7等)形成特征融合机制。这种设计突破了传统单核CNN的局限性,实验表明当单核CNN处理复合损伤信号时,准确率仅为82.3%,而PK-CNN通过并行处理可将特征提取效率提升40%以上。具体而言,小尺寸卷积核(如3×3)专注于捕捉损伤区域的局部时频特征(例如分层边缘的信号畸变),而大尺寸卷积核(如7×7)则通过扩大感受野捕获跨层结构的整体振动模式。

该模型的创新性体现在三个技术维度:首先,开发自适应特征融合算法,将不同尺度卷积核的输出进行加权融合(权重通过反向传播自动优化),有效解决了传统多尺度方法存在的信息冗余问题。其次,引入动态卷积核调整机制,根据损伤严重程度自动切换主处理核尺寸,在实验中使模型对轻微损伤(D1级)的识别准确率从89.2%提升至96.8%。最后,构建端到端检测系统,将损伤分类(H级正常、D1-D3四类损伤)与定位(9个监测区域)纳入统一网络架构,实验数据显示定位误差从传统方法的15%降至3.2%。

在实验验证部分,研究团队构建了包含12000组样本的复合损伤数据库。该数据库覆盖了不同铺层角度(0°、45°、90°)、不同损伤位置(边缘、中心、 corners)以及四个严重等级的损伤模式。通过随机搜索优化算法,最终确定网络深度为12层,并行核数量为5组(3×3、5×5、7×7、9×9、11×11),训练周期为200个epoch。在测试集(占总数据15%)上的表现显示,损伤分类准确率达到95.83%,定位模型在9个监测区域的平均识别准确率为98.15%,F1分数均超过0.96。

技术突破主要体现在处理非平稳信号方面。传统CNN在处理具有频散特性的Lamb波信号时,容易受边界反射干扰(实验数据显示边界反射信号占比可达总信号能量的35%)。PK-CNN通过引入时频域联合增强模块,在卷积层前增加了基于经验模态分解(EMD)的信号预处理,将边界反射的影响降低至8%以下。这种改进使得模型对损伤起始阶段的识别能力显著提升,在损伤初期(信号畸变率<10%)的检测准确率从78.4%提高至93.6%。

在工程应用层面,该模型展现出优异的泛化能力。通过在三个不同产线的层压板上进行交叉验证,发现模型对材料密度(120-150kg/m3)、纤维类型(碳纤维/玻璃纤维混合)的适应性良好。特别在处理边界效应明显的场景时,采用边缘自适应补偿算法,使模型在距边缘5mm内的损伤定位误差控制在2.3mm以内,满足航空复合材料结构监测的工程要求(误差阈值≤3mm)。

研究还揭示了PK-CNN在损伤演化监测中的独特优势。通过跟踪同一位置损伤从D1级发展到D3级的过程,发现模型能够自动识别特征变化的阶段性规律。在D1到D2过渡阶段(约30%损伤扩展),网络参数的敏感性指数(Sensitivity Index)达到峰值1.72,表明此时损伤模式变化最显著,为实时监测提供了理论依据。

对比分析显示,PK-CNN较传统单核CNN具有显著优势。在相同硬件配置下(NVIDIA V100 GPU,训练数据量10GB),PK-CNN的推理速度仅比单核模型快1.3倍,但定位精度提升达37%。特别是在处理多损伤共存场景时,传统方法准确率下降至68.4%,而PK-CNN通过多尺度特征融合,仍保持92.1%的识别率。这种效率与精度的平衡,使模型更适用于在线监测系统。

工程应用案例表明,该模型可有效解决实际监测中的三大难题:1)信号采集时存在15%-20%的噪声干扰;2)损伤位置具有随机性(实验覆盖12种典型失效模式);3)检测环境温度波动达±25℃。通过引入自适应学习率优化器(如RAdam算法),在温度波动场景下,模型性能下降幅度控制在3%以内。

研究团队特别关注了模型的可解释性。通过可视化技术发现,7×7卷积核在识别深层分层时贡献度最高(权重系数0.38),而3×3核在捕捉表面裂纹时表现突出(权重系数0.27)。这种特征分布特性与损伤物理机制高度吻合,验证了模型的可解释性。开发配套的决策支持系统,可生成损伤热力图和传播路径预测,为工程师提供直观的决策依据。

未来改进方向主要集中在三个层面:1)动态调整核尺寸算法,实现从训练到推理的全自动优化;2)融合机械应力场数据,提升复杂损伤模式的识别能力;3)开发轻量化边缘计算版本,满足实时监测的硬件需求。研究团队已开始与工业界合作,将PK-CNN集成到智能巡检机器人系统中,预计在2024年完成首台工业级监测设备的部署。

该研究的重要启示在于,在材料科学领域,深度学习模型需要与物理机制深度融合才能达到工程实用要求。PK-CNN的成功不仅在于技术创新,更在于其将声波传播的物理特性(如频散关系、衰减规律)与神经网络架构有机结合,为智能无损检测提供了新的范式。这种多学科交叉的研究方法,对推动复合材料结构健康监测技术的发展具有重要借鉴意义。
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