《Ultrasonics》：Hybrid Ultrasonic Framework for CFRP-Steel Interfacial Defect Classification via Wavelet Packet Transform and Backpropagation ANN
编辑推荐：
Zhuo Huang|Zhuoyi Chen|Sheng Tan中国长沙410114，长沙理工大学土木与环境工程学院摘要在土木工程中，使用碳纤维增强聚合物（CFRP）复合材料对钢结构进行加固已得到广泛应用，但界面粘结缺陷如夹杂物、分层和孔隙会严重降低结构性能。传统的超声检测容易受
Zhuo Huang|Zhuoyi Chen|Sheng Tan
中国长沙410114，长沙理工大学土木与环境工程学院
摘要
在土木工程中，使用碳纤维增强聚合物（CFRP）复合材料对钢结构进行加固已得到广泛应用，但界面粘结缺陷如夹杂物、分层和孔隙会严重降低结构性能。传统的超声检测容易受到噪声干扰，且特征提取能力有限，从而限制了缺陷识别的可靠性。为解决这一问题，本研究将相控阵超声检测（PAUT）与编码器辅助采集及高级信号处理技术相结合。采用小波包变换（WPT）对A扫描信号进行去噪和分解，从中提取八个基于统计能量的特征，构建出具有区分能力的特征向量。这些向量被用于训练并比较三种反向传播人工神经网络（BP-ANN）模型。在所研究的三种优化策略中，采用共轭梯度算法训练的BP-ANN模型取得了最高的整体准确率，为95.83%。研究结果表明，在受控实验室条件下，基于WPT的特征工程提升了超声特征的区分能力，而编码器辅助采集则提高了PAUT信号采集的一致性。该框架为CFRP-钢混合结构中界面缺陷的智能分类提供了一种可行的方法，也可为未来涉及实际制造缺陷和工程场景的研究提供参考。
引言
碳纤维增强聚合物（CFRP）复合材料是一种富含碳的高性能材料，通过有机纤维的热解制成，其碳含量通常超过90%。由于结合了碳同素异形体的固有特性与纺织纤维的可加工性，CFRP具有低密度、高刚度和优异的强度，因此被广泛应用于航空航天和土木工程领域[1]、[2]、[3]。在民用基础设施中，CFRP能够有效提升混凝土构件的承载能力，延长使用寿命，并减轻结构重量。然而，CFRP-钢混合结构容易出现粘结层及界面缺陷，如分层、夹杂物和孔隙，这些缺陷会显著降低结构的机械性能，甚至导致灾难性失效[4]、[5]。因此，确保结构完整性需要在整个制造过程及使用周期内进行可靠的无损评估（NDE，亦称无损检测NDT）[6]。
目前已有多种无损检测方法被用于检测CFRP中的缺陷，包括兰姆波检测[7]、[8]、[9]、X射线成像[10]、[11]、太赫兹成像[10]、[12]以及声发射监测[13]。由于碳纤维具有导电性，涡流检测技术也显示出应用潜力[14]、[15]。近年来，热成像[16]、[17]、[18]以及超声检测[19]、[20]、[21]、[22]也受到了广泛关注。其中的代表性进展包括用于检测孔隙的超声脉冲回波检测[23]、用于表征表面缺陷的红外热成像[24]、用于检测界面脱粘的主动微波热成像[25]，以及用于高分辨率成像的全矩阵采集/总聚焦法（FMC/TFM）[26]。此外，机器学习技术也被引入到缺陷分类中，其在CFRP表面检测方面取得了良好的效果[27]。
尽管有了这些进展，大多数现有研究都集中在均匀的CFRP或钢板材料上，而针对CFRP-钢混合结构中粘结层及界面区域的缺陷特征研究仍然不足。这一缺陷十分关键，因为这些区域的分层、夹杂物和孔隙会直接影响混合结构的完整性。在此背景下，超声相控阵检测（PAUT）具有明显优势，它具备深度穿透能力、精确的定位功能、高灵敏度以及自适应波束导向能力，相比传统超声检测，能够更可靠地检测界面缺陷[28]、[29]、[30]、[31]、[32]。
不过，超声缺陷回波通常是受噪声干扰的非平稳高频信号，要实现准确识别就需要有效的信号处理技术。传统的快速傅里叶变换（FFT）和短时傅里叶变换（STFT）在解析信号的时频特征方面存在局限性。相比之下，小波包变换能够实现自适应的多分辨率分解，从而为非平稳超声信号提供更优质的表示形式[33]、[34]。
为应对上述挑战，本研究构建了一个基于PAUT-WPT-BP-ANN的框架，用于对CFRP-钢混合结构中的界面缺陷进行智能分类。其主要研究内容与贡献如下：首先，采用编码器辅助的PAUT技术，从存在分层、夹杂物和孔隙缺陷的CFRP-钢粘结试样中获取A扫描信号，为界面缺陷特征分析提供了可控的实验基础。其次，通过基于WPT的去噪处理、三级分解以及特征提取，从近似节点和细节节点中构建出八维特征向量。第三，将WPT特征的可分性与其他常见的时域原始数据、基于FFT的特征以及基于STFT的特征进行了对比，进一步验证了所采用的信号处理策略的合理性。最后，对不同训练算法的BP-ANN分类器进行了评估，在当前实验条件下，共轭梯度算法取得了最佳的整体性能。同时，还研究了隐藏层节点数量及WPT特征组合对最终分类器配置的影响。该框架的总体算法及数据处理流程如图1.1所示。
章节节选
相控阵超声检测的原理
相控阵超声检测（PAUT）依靠通过对各个换能器元件施加可控的时间延迟来实现电子波束的导向和聚焦。如图2.1所示，脉冲发生器/发射器会按照预定的延迟规律生成激励信号。每个探头元件会在特定的延迟时间（Δt1、Δt2……Δt16）后被激发，这样发出的波前就会发生相长干涉，从而形成一道可聚焦且可导向的超声波束。
A扫描信号降噪处理与特征向量构建
在第2章中，我们获取了三类缺陷对应的超声A扫描信号，并对其进行了初步分析。然而，直接解读原始信号会受到非平稳噪声成分以及操作人员主观因素的极大影响，这限制了缺陷识别的可靠性。为解决这些问题，本章重点探讨了利用时频分析方法进行信号降噪以及特征向量构建，其中特别强调了小波包变换的应用。
BP-ANN分类框架
在经过小波包去噪和特征提取之后，我们构建了一个反向传播人工神经网络（BP-ANN）用于界面缺陷的分类。输入层接收第3章中提取的八维WPT特征向量，而输出层则使用独热编码来表示三种不同的缺陷类型：夹杂物[1 0 0]、分层[0 1 0]以及孔隙[0 0 1]。本研究采用了单隐藏层的BP-ANN模型，因为它能够很好地模拟各种非线性关系。
结论
本研究构建了一个集成框架，用于对CFRP-钢粘结接头中的界面缺陷进行智能超声表征。主要研究结论如下：
(1) 对九个具有预设缺陷类型（分层、夹杂物和孔隙）的CFRP-钢试样进行了B扫描和A扫描数据的系统化采集，结果发现，仅通过视觉B扫描难以实现对缺陷的有效区分。这进一步凸显了开展先进信号分析及智能处理方法的必要性。
CRediT作者贡献声明
Zhuo Huang： 文章撰写——初稿编写、可视化处理、软件应用、方法设计、数据整理。Zhuoyi Chen： 文章撰写——审阅与编辑、项目监督、资源协调、方法设计、资金筹措。Sheng Tan： 文章撰写——审阅与编辑、软件应用、方法设计、数据整理。
利益冲突声明
作者声明，他们不存在任何可能影响本文研究结果的已知财务利益关系或个人关系。
