基于深度学习方法的热成像技术对复合材料层合板的分层损伤概率估计

《COMPOSITE STRUCTURES》：Probabilistic delamination estimation in composite laminates from thermography using a deep-learning surrogate

　　

主动红外热成像（active infrared thermography, IRT）对复合材料层合板中分层损伤的定量尺寸评估因扩散驱动模糊、深度衰减及非均匀加热而具有挑战性。研究人员提出了一种基于代理辅助、无似然贝叶斯反演框架，该框架结合了实验校准的有限元（finite-element, FE）热传导模型、将三维缺陷掩膜映射至表面温度演变的时空深度学习代理，以及采用子集模拟的近似贝叶斯计算（Approximate Bayesian Computation with Subset Simulation, ABC–SubSim），以推断分层位置和尺寸的后验分布。该框架在保留的FE模拟及三种检测配置（正常透射（normal transmission, NT）、斜透射（oblique transmission, OBT）和斜反射（oblique reflection, OBR））下采集的实验热像图上进行了评估。在保留的FE案例中，ABC–SubSim在七个子集水平内收敛，并以超过90%的精度和低于10%的后验不确定性恢复面内和厚度方向边界。在实验数据上，NT提供了最佳的损伤位置整体估计，面内精度为80.24%–99.80%，厚度方向精度为71.87%–94.00%。OBT表现出中等性能，而OBR表现出最大的面内误差。该代理实现了快速后验探索，结果表明推理质量强烈依赖于加热配置及用于训练深度学习代理的FE模型精度。

**论文解读**

**研究背景与问题**
复合材料层合板因其高比刚度、比强度和优异的耐环境性，广泛应用于高性能结构领域。然而，制造缺陷、冲击事件和疲劳载荷易导致内部分层损伤，显著降低压缩强度和剩余寿命。因此，可靠的无损检测（non-destructive testing, NDT）对于检测与决策至关重要。尽管超声检测和X射线计算机断层扫描能提供高保真表征，但这些方法耗时、成本高，或难以用于远程、大面积检测。主动红外热成像（active infrared thermography, IRT）作为补充技术，可实现快速、非接触、单侧大面积检测。然而，定量分层尺寸评估仍面临挑战：扩散驱动模糊、深度衰减、非均匀加热、发射率变化及测量噪声使响应复杂，尤其厚度方向分辨率困难。现有数据驱动方法虽能学习映射，但多提供确定性预测，缺乏校准不确定性，这在安全关键应用中至关重要。贝叶斯深度学习方法虽能表示不确定性，但将不确定感知推理与物理一致的热成像前向模型结合仍困难，且似然函数难以显式表达。无似然贝叶斯反演（如近似贝叶斯计算（Approximate Bayesian Computation, ABC））提供替代方案，结合子集模拟（Subset Simulation）可逐步集中样本。本研究提出一种结合实验校准有限元（finite-element, FE）热传导模型、时空深度学习代理及ABC–SubSim的概率框架，用于分层几何的后验推断，并系统比较三种实际检测配置：正常透射（normal transmission, NT）、斜透射（oblique transmission, OBT）和斜反射（oblique reflection, OBR）。论文发表在《COMPOSITE STRUCTURES》。

**关键方法**
研究人员采用以下主要技术方法：（1）实验校准的有限元（FE）热传导模型，用于生成合成热像图数据，模型基于复合材料层合板瞬态各向异性热传导方程，并包含Teflon插入物模拟分层。（2）时空深度学习代理，由3D卷积神经网络（CNN）编码器（含2个3×3×3卷积+ReLU块）和卷积长短期记忆（ConvLSTM）解码器组成，将三维体素缺陷掩膜映射至表面温度场演变，并加入学习全局温度模板。（3）基于子集模拟的近似贝叶斯计算（ABC–SubSim）进行无似然反演，通过软交并比（soft intersection-over-union, sIoU）异常差异度量比较观测与预测响应，逐步集中后验样本。实验样本来源：使用两块含矩形Teflon插入物的复合材料层合板（校准板和保留板），校准板用于FE模型校准，保留板用于独立实验评估。

**研究结果**
**6.1 NT配置**
通过ABC–SubSim后验推断，NT配置提供最佳整体性能。面内位置参数（x_min, y_min）绝对误差分别为1.08 mm和0.22 mm，精度达99.30%和99.80%；面内尺寸w_y精度98.95%，而w_x精度80.24%。厚度方向z_min精度94.00%，w_z精度71.87%（因真实插入物厚度仅0.32 mm）。后验分布集中且准确，重建热像图与实验匹配良好。
**6.2 OBT配置**
OBT配置表现中等。面内位置精度97.93%（x_min）和91.16%（y_min），尺寸精度79.08%（w_x）和92.15%（w_y）。厚度方向参数精度下降：z_min为77.01%，w_z为62.50%。后验PDF显示面内定位可靠，但深度信息因斜向加热/观测导致的对比度降低和方向扩散而退化。
**6.3 OBR配置**
OBR配置推理最不可靠。面内x方向参数严重偏差：x_min绝对误差75.00 mm，精度50%；w_x绝对误差95.94 mm，精度为负值（-283.76%）。y方向精度较好（ymin 90.20%，wy 69.38%），但整体仍低于NT。厚度方向z_min精度82.30%，w_z精度43.75%。后验集中在错误区域，而非真实几何。该配置下实验-模型失配最大，非均匀加热和视角效应进一步削弱了缺陷可识别性。

**讨论与结论**
研究结论部分指出：本研究提出了一个基于代理辅助的ABC–SubSim框架，用于热成像中不确定感知的分层估计。实验校准的FE热传导模型用于生成合成数据训练快速时空深度学习代理，从而实现对缺陷位置和尺寸的高效无似然贝叶斯推断，并附带可信区间。实验结果表明，推理质量强烈依赖于加热和观测配置：NT配置产生最准确和一致的估计，重建热像图与实测异常模式匹配良好，面内参数紧密集中且精度高；厚度方向参数仍较具挑战性，但NT在测试案例中总体性能最可靠。OBT配置提供中等性能：面内定位相当准确，但深度位置偏差/不确定性增加，与斜向加热/观测下对比度降低和方向扩散一致。OBR配置可识别性最弱，包括面内x位置和宽度显著退化，反映视角敏感性、非均匀加热和更大实验-模型失配的复合效应。这些趋势与校准诊断一致：时空热像图比较显示OBR与实验响应偏差最大，而OBT与校准热像图匹配与NT相当或略优。该失配传播至代理训练分布，最终降低贝叶斯反演性能，尤其OBR。总体而言，在测试条件下，当前向模型捕获主导热物理和边界条件时，该框架能提供准确、不确定感知的分层估计，并突出推理对校准质量和加热几何的敏感性。未来工作将聚焦于改善斜向配置的FE校准、扩展实验设置至空间相关检测约束，以及利用多视角或多模态测量提升深度可识别性。