大语言模型增强的延迟-求和算法用于碳纤维增强聚合物复合材料损伤成像

《Engineering Applications of Artificial Intelligence》:A Large Language Model-enhanced Delay-and-Sum algorithm for damage imaging in carbon fiber reinforced polymer composites

【字体: 大 中 小 】 时间:2026年07月18日 来源:Engineering Applications of Artificial Intelligence 9.0

编辑推荐:

  碳纤维增强聚合物(CFRP)复合材料广泛应用于航空航天结构,其中内部分层可能带来严重的安全风险。基于超声导波的结构健康监测(SHM)已被广泛研究用于损伤成像。然而,现有方法在准确重建不规则分层损伤方面通常效果有限。为解决这一挑战,本研究提出了一种大语言模型增强

  
碳纤维增强聚合物(CFRP)复合材料广泛应用于航空航天结构,其中内部分层可能带来严重的安全风险。基于超声导波的结构健康监测(SHM)已被广泛研究用于损伤成像。然而,现有方法在准确重建不规则分层损伤方面通常效果有限。为解决这一挑战,本研究提出了一种大语言模型增强的延迟-求和(LLM-DAS)算法,通过集成基于大语言模型(LLM)的多模态推理与基于物理的导波重建,实现像素级分层成像。首先,所提出的超声导波大语言模型(UGW-LLM)自动从多模态监测数据中提取并融合损伤相关信息,包括路径级时间序列信号和试件级文本提示。通过利用预训练LLM的上下文推理能力,UGW-LLM为每个激励-传感路径生成路径依赖的损伤特定信号。随后,基于导波散射理论,改进的延迟-求和(DAS)算法利用数值模拟的群速度曲线将这些生成信号映射为像素级损伤强度。最后,所提出的LLM-DAS框架无需LLM微调或手动阈值调整,即可生成准确且物理可解释的损伤图像。在三种铺层配置的CFRP层板上的验证表明,LLM-DAS在已知铺层上Dice相似系数(DSC)得分超过0.8920,在未知铺层上超过0.8452,显著优于广泛使用的导波成像方法。
论文解读文章

**研究背景与问题**
碳纤维增强聚合物(CFRP)复合材料因其高比强度在航空航天结构中广泛应用,但疲劳载荷引起的层间分层会显著降低结构刚度,甚至导致灾难性失效。基于超声导波的结构健康监测(SHM)已广泛用于内部分层检测,但现有方法在准确重建不规则分层损伤方面存在局限性。物理方法(如RAPID、DAS)受限于各向异性、边界反射和手动阈值校准,数据驱动方法(如深度学习)通常依赖密集传感器阵列或激光测振仪,且对非时间序列信息(如铺层方向、激励频率)利用不足。为解决上述问题,研究人员提出了一种大语言模型增强的延迟-求和(LLM-DAS)算法,通过集成多模态推理与物理导波重建,实现像素级分层成像。该论文发表在《Engineering Applications of Artificial Intelligence》。

**研究内容与结论**
研究人员开发了超声导波大语言模型(UGW-LLM),该模型基于预训练大语言模型(LLM),通过路径嵌入器、分词器、重编程器、解码器和回归器,处理路径级时间序列信号和试件级文本提示,生成路径依赖的损伤特定信号。随后,利用改进的DAS算法,基于导波散射理论和数值模拟的群速度曲线,将这些信号映射为像素级损伤强度,经sigmoid归一化和固定阈值(0.5)得到二值损伤图。在CFRP复合材料数据集(斯坦福结构与复合材料实验室及NASA艾姆斯研究中心,共11个试件、三种铺层)上的验证表明,LLM-DAS在已知铺层上Dice相似系数(DSC)超过0.8920,在未知铺层上超过0.8452,显著优于主流导波成像方法。消融实验和对比实验进一步验证了多模态融合、预训练LLM上下文推理能力及图融合器的贡献。

**关键技术与方法**(不超过250字)
主要关键技术包括:
1. **路径嵌入器**:基于时间卷积网络(TCN)的因果膨胀卷积提取信号时序特征,结合图注意力网络(GAT)融合路径几何特征(偏轴角、距离)和传感器网络拓扑。
2. **分词器与重编程器**:分词器将试件级文本提示(铺层方向、激励频率、采样频率、路径选择)编码为LLM可理解的嵌入;重编程器通过交叉注意力将信号特征与语义空间对齐。
3. **解码器与回归器**:利用冻结的预训练LLM解码器(如Qwen或DeepSeek-R1)进行多模态融合,回归器输出损伤特定信号。
4. **改进DAS算法**:基于数值模拟的S0模态群速度曲线计算延迟时间,将损伤特定信号映射为像素级损伤强度,经sigmoid归一化和固定阈值0.5生成二值损伤图。
样本来源:CFRP复合材料数据集(Stanford Structures and Composites Laboratory与NASA Ames研究中心,11个试件,三种铺层)。

**研究结果**
**4.1 CFRP复合材料数据集**
研究人员通过疲劳老化实验获取数据,包括三种铺层(交叉铺层02/904、准各向同性铺层0/902/45/?45/90s、铺层902/45/?452s),共218个加载周期、1526个数据组。X射线图像分割生成像素级真实标签,并通过叠加策略消除“逆向生长”现象。

**4.3 模型测试与评估**
LLM-DAS在L1+L2→L3任务中,已知铺层(L1、L2)测试DSC为0.9087,未知铺层(L3)DSC为0.8452。损伤特定信号在有效时间窗口内具有清晰波形,避免了传统DAS中边界反射等干扰,实现了高空间重叠的损伤成像。

**4.4 超参数调优**
通过L1+L2→L3任务调优,最佳损失平衡参数λ=0.5;DeepSeek-R1-Distill-Qwen-1.5B作为预训练LLM时DSC最高(0.9087);训练集比例≥70%时DSC>0.9;传感器网络需至少4×4布局以达到DSC≥0.85。

**4.5 消融实验**
去除分词器与重编程器(UGW-LLM-1)使DSC从0.9087降至0.8195,验证了文本提示的贡献;进一步去除解码器(UGW-LLM-2)后DSC降至0.6973,表明预训练LLM的表示变换能力关键;去除图融合器(UGW-LLM-3)后DSC降至0.6592,证明图结构路径融合的重要性。

**4.6 对比实验**
与六种物理方法(RAPID、DAS、DMAS、LSDC-RC-RAPID、ToFWI、DI-PBI)和五种数据驱动方法(TCN、CBAM-ResNet、DRSN、LSTM、Interaction)对比,LLM-DAS的DSC(0.9087)显著优于最佳物理方法DI-PBI(0.2315)和最佳数据驱动方法Interaction(0.6359),证明了多模态融合与预训练LLM的优越性。

**讨论与结论**
消融实验和对比实验表明,LLM-DAS通过多模态数据处理、预训练LLM的上下文推理及物理引导的DAS重建,有效克服了传统方法对不规则分层重建的局限性。语义文本信息提供了结构背景,预训练LLM增强了特征表示,图融合器整合了传感器网络拓扑,三者协同实现了高精度像素级成像。
**结论**:本研究提出的LLM-DAS算法通过集成导波散射理论与特殊设计的UGW-LLM,实现了CFRP复合材料内部分层的像素级检测。UGW-LLM处理多模态监测数据,生成损伤特定信号,再经DAS算法映射为损伤强度图,最终以固定阈值0.5得到二值损伤图。在三种铺层配置的数据集上,已知铺层平均DSC≥0.8920,未知铺层平均DSC≥0.8452,表明LLM-DAS能准确识别内部分层并具备跨铺层泛化能力。未来工作将聚焦于通过迁移学习与域泛化技术减少跨铺层场景的性能下降。
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