《Ultrasonics》：Robust statistical feature extraction and deep learning surrogates for highly accurate guided wave-based determination of global corrosion parameters in metallic plates
编辑推荐：
摘要：准确评估金属板中的腐蚀在许多工业领域至关重要，尤其是在造船业中。在现有技术中，无损检测（NDT）尤其有价值，因为它能够在不影响结构完整性的情况下评估材料退化。在此领域内，导波（guided ultrasonic waves）近年来因其在估计统计腐蚀参数（
摘要：准确评估金属板中的腐蚀在许多工业领域至关重要，尤其是在造船业中。在现有技术中，无损检测（NDT）尤其有价值，因为它能够在不影响结构完整性的情况下评估材料退化。在此领域内，导波（guided ultrasonic waves）近年来因其在估计统计腐蚀参数（如平均厚度损失及其标准差）方面的潜力而受到越来越多的关注。然而，这些方法的实际应用仍具有挑战性，因为波传播与空间变化厚度分布之间存在复杂的相互作用。本研究提出了一种先进方法，利用基于深度学习的逆模型来精确估计腐蚀参数。腐蚀形态被建模为随机场，而通过数值模拟获得并由传感器网络记录的导波响应，经过后处理以提取统计描述符。具体而言，计算了传感器信号（包括波包位置、宽度和幅度）的均值向量和协方差矩阵。为确保鲁棒性，采用了特征缩放和基于椭圆包络的协方差估计，有效减轻了异常值的影响，这些异常值在厚度损失和表面粗糙度较高时尤为显著。逆模型建立了提取的特征向量与相应腐蚀参数之间的映射，从而能够直接预测这些参数。该框架解决了问题的固有非唯一性，即相同的统计描述符可能由无限多个随机腐蚀场的实现产生。广泛的数值研究表明，可靠的特征提取（特别是异常值的鲁棒处理）与深度神经网络捕捉非线性关系的能力相结合，对于精确参数估计至关重要。通过聚合多个独立随机腐蚀场实现的响应，进一步提高了预测性能。总体而言，结果表明，所提出的框架结合了鲁棒统计特征提取、基于协方差的特征表示和非线性逆建模，在考虑的数值模拟条件下，与先前开发的基于特征的线性回归模型和传统的飞行时间方法相比，提供了更高的预测精度。
论文解读：基于鲁棒统计特征与深度学习导波逆模型的金属板全局腐蚀参数估计方法
研究背景与问题：金属板腐蚀的准确评估对于造船、石油和能源等行业的结构安全与完整性维护至关重要。腐蚀导致材料损失和微观结构变化，可分为局部腐蚀（如点蚀）和全局腐蚀（影响大面积区域）。全局腐蚀因材料累积损失而尤为关键，但难以精确量化，其关键在于空间变化的厚度分布，需要同时估计平均厚度减少量及其空间变异性（表面粗糙度）。传统导波检测方法如飞行时间（ToF）和色散曲线分析在均匀或轻微变化几何结构中有效，但在复杂腐蚀模式下精度不足。另一类基于波数分析的方法需要高密度波场采集，成本高、效率低。近年来，基于稀疏导波测量的数据驱动逆模型方法受到关注，但面临信号特征间固有统计依赖被忽略、非唯一性问题（相同统计参数对应无限多腐蚀形态）以及高厚度损失下异常值干扰等挑战。本研究旨在通过提出一种结合鲁棒统计特征提取、协方差表示和深度学习逆模型的框架，精确估计全局腐蚀参数（平均厚度损失h及其标准差s），解决上述问题。
研究人员开展的研究：研究人员将腐蚀形态建模为随机场，使用截断Karhunen–Loève展开生成数值腐蚀样本，并通过有限元模拟（C3D8R单元，Abaqus/Explicit）获取导波响应。传感器网络（16个传感器）记录波包中心、宽度和幅度等基础特征，进一步提取多变量高斯分布近似下的均值向量和协方差矩阵作为特征向量。采用鲁棒特征缩放（基于中位数和四分位距）和椭圆包络协方差估计抑制异常值，构建深度神经网络（DNN）逆模型（五层全连接层，ReLU激活，ADAM优化）实现从特征到参数的映射。通过聚合多个随机场实现（Nf=1,3,10）提高预测稳定性，并与传统ToF方法及先前线性模型[18]对比。研究在《Ultrasonics》发表，提供了数值模拟框架下的概念验证，表明该框架在预测精度上显著优于传统方法。
主要关键技术方法：研究人员采用的核心技术包括：1）基于随机场建模（各向同性高斯协方差模型，相关长度l=1 mm）和有限元模拟（C3D8R单元，500 mm×500 mm钢板，厚度h0=4 mm，激励频率100 kHz）生成导波响应数据；2）统计特征提取：对传感器信号波包拟合高斯函数，提取均值μ、宽度σ和幅度A，并计算其多变量高斯分布的均值向量和协方差矩阵（9维特征向量）；3）鲁棒预处理：使用中位数和四分位距进行特征缩放，以及椭圆包络进行协方差矩阵估计以排除异常值；4）逆模型构建：采用五层全连接深度神经网络（256-128-64-32-16神经元，ReLU激活，MSE损失，ADAM优化）建立特征到腐蚀参数h和s的非线性映射；5）多随机场实现聚合（Nf=1,3,10）以正则化问题。样本来源为数值模拟，训练和测试点分布在矩形网格上（h∈[20%,50%]，s∈[4%,20%]）。
研究结果：
3.1. 训练与测试数据：训练和测试样本分布于16×9网格（h:20%-50%，s:4%-20%），测试点与训练点插值分布。误差指标包括相对平均绝对误差（RMAE）、平均绝对误差（MAE）和皮尔逊相关系数R。
3.2. 结果与比较研究：通过数值实验对比了多种方法。结果表明，传统ToF方法对h的RMAE为18.1%，s为38.4%，而基于单随机场和基础特征向量vs的线性模型将h的RMAE降至3.7%，s降至17.5%。采用多随机场（Nf=10）和vs时，h的RMAE进一步降至1.9%，s降至10.2%。使用基于多变量分布的特征向量vm（Nf=10）时，s的RMAE降至8.3%，h保持1.7%。最终，结合鲁棒特征缩放、椭圆包络协方差估计和DNN代理的完整方法（Nf=10）实现了h的RMAE=1.3%、MAE=0.4%、R=0.998，s的RMAE=5.4%、MAE=0.6%、R=0.989，显著优于所有基准方法。
3.3. 发现总结：1）所有逆模型方法远优于ToF方法；2）多随机场实现（Nf>1）通过正则化非唯一性问题显著提升精度；3）特征向量vm（包含协方差信息）主要改善s的估计，而对h影响较小；4）鲁棒缩放和椭圆包络协方差估计进一步抑制了高h、s下的异常值，使相关性接近完美。
讨论与结论：总结部分指出，该方法结合了鲁棒特征缩放、椭圆包络协方差估计和多随机场实现，有效解决了异常值和非唯一性问题。数值结果表明，在估计平均厚度损失和空间变异性方面，该框架优于传统ToF和基于特征线性回归的方法。研究属于数值概念验证，结论限于所考虑模拟条件和腐蚀形态类型。未来需进行实验验证，包括考虑测量噪声、传感器耦合变异性、安装公差等实际因素，并扩展至不同结构构型和局部缺陷识别。
