基于超声导波的双通道自适应融合策略的疲劳裂纹形态重构

《Theoretical and Applied Fracture Mechanics》：Fatigue crack morphology reconstruction based on ultrasonic guided waves with a dual-channel adaptive fusion strategy

　　摘要
本研究提出了一种基于超声导波的疲劳裂纹检测和形态重建方法，该方法将多传感器数据整合到一个双通道自适应概率预测框架中，以实现疲劳损伤的智能诊断。通过结合神经网络和不确定性量化建立裂纹长度预测模型，而裂纹深度估计则通过数据驱动的疲劳裂纹形态重建模型来实现。结合裂纹生长机制，该深度预测模型基于ABAQUS和FRANC3D的联合仿真生成的数据集进行训练。在裂纹生长的各个阶段，通过实验和数值方法获取超声导波信号。通过将卷积神经网络（CNN）与自适应注意力融合机制相结合，从双通道信号中提取的时频图像被输入到不确定性量化框架中，以建立裂纹长度预测的回归模型。利用预测的裂纹长度与形态重建模型相结合，可以预测相应的裂纹深度，从而实现对裂纹形态的反演。重建的裂纹轮廓经过与海滩标记技术获得的实验测量结果的验证。重建的裂纹深度演变与相应的参考深度演变吻合良好，三个试样中的最大相对深度重建误差为9.8%。所提出的方法能够准确捕捉非穿透表面裂纹的渐进生长形态，实现裂纹演变的连续监测，并提供裂纹长度和深度的可靠预测。这些结果证实了所提出方法的鲁棒性和泛化能力，突显了其在结构健康监测应用中逆向推断疲劳裂纹形态的潜力。

引言
海洋工程结构是开发和利用海洋资源的关键平台。影响其长期服役性能和耐久性的各种因素中，复杂应力条件下的疲劳失效尤为突出[1]。疲劳裂纹常见于关键结构部件中，在高盐度和高湿度海洋环境中，裂纹的传播显著加速，增加了灾难性故障的风险，可能导致巨大的经济损失和严重的环境污染[2]、[3]、[4]。因此，早期监测和准确评估疲劳裂纹对于确保海洋基础设施的结构完整性和安全性、延长其服役寿命以及降低维护成本至关重要。传统的无损检测（NDT）方法，如红外热成像[5]、涡流检测[6]和磁粉检测[7]，主要适用于环境控制严格的实验室条件，在现场应用中效果有限，因为这些方法高度依赖于操作人员的专业知识、检测效率低，且无法实现远距离和实时监测[8]。数字图像相关（DIC）和机器视觉也是广泛用于检测钢结构中疲劳裂纹的方法，因为它们能够进行非接触式和全场变形测量[9]。然而，它们的检测性能对光照条件、相机位置和传感器设置非常敏感，无法有效识别微小的表面疲劳裂纹[10]。超声导波（UGW）已被证明对于疲劳裂纹的检测和表征非常有效，对小尺度裂纹具有极高的敏感性，并且与复杂的结构几何形状兼容[11]、[12]。此外，这种技术具有信号衰减低和传播距离长的优点，特别适合于钢结构的损伤监测。Yang和Zhou[13]使用UGW技术检测了方形刚性表面上的孔洞和裂纹。他们提出的方法将正模展开法与布谷鸟搜索算法相结合，有效减少了冗余杂波信号的干扰，从而提高了损伤检测的准确性。Liu等人[14]提出了一种用于钢结构的UGW检测方法，该方法加入了温度补偿算法以应对温度变化对UGW信号的影响，显著提高了损伤检测的准确性并增强了其对复杂检测环境的适应性。Shi等人[15]利用Lamb波连续监测正交各向异性钢甲板（OSD）表面的疲劳裂纹。通过有限元方法，他们建立了裂纹几何形状与反射Lamb波信号之间的正相关关系，并通过实验进行了验证。Meng等人[16]开发了一种基于UGW的方法，通过分析基材中的波反射来评估焊接连接器的损伤。通过理论分析和有限元建模，研究了入射角和损伤严重程度对反射场的影响，证实了该方法在量化连接器损伤方面的有效性。Zheng等人[17]解决了UGW测量中由于环境噪声导致的信噪比（SNR）低的问题，提出了一种超声无损滤波方法。实验比较表明，所提出的方法在保持有效信号完整性的同时，保持了高损伤定位精度，且SNR随时间逐渐提高。Zhou等人[18]提出了一种基于UGW的方法，通过利用奇次谐波分量的幅度变化与疲劳损伤进展之间的相关性来评估滞后非线性。该方法能够评估铝板在整个疲劳过程中的不同损伤程度，并通过实验验证了其有效性。尽管UGW对小尺度裂纹具有高敏感性，但从原始信号中可靠地提取与缺陷相关的特征仍然是一个关键瓶颈，这严重依赖于对波传播机制的先验知识和大量的数值模拟数据，限制了其在复杂海洋环境中的实际应用。

机器学习[19]、[20]、[21]和深度学习[22]、[23]的持续进展作为一种强大的数据驱动工具，显著提高了疲劳裂纹检测和表征技术的准确性和适应性，克服了传统基于模型的方法的局限性。Guo等人[24]开发了一种基于UGW的分层多标签分类（HMC）网络，能够同时识别结构损伤的类型和严重程度。通过对铝板的实验研究和数值模拟，验证了所提出方法的有效性和可靠性。Silva等人[25]提出了一种结合超声技术和机器学习模型来检测钢炉管中碳化诱导损伤的方法，比较了各种机器学习方法的性能，以确定最有效的模型。Hu等人[26]提出了一种基于深度学习的疲劳裂纹检测方法，能够自动识别裂纹并进行寿命评估。通过将U-rib检测机器人系统与超声相控阵技术相结合，该方法能够评估结构疲劳寿命。然而，其应用依赖于定期检查和大量使用模拟数据的验证。Tang等人[27]开发了一种基于深度学习的UGW方法用于管道结构健康监测（SHM），其中物理模型指导缺陷检测与深度学习算法的集成。所提出方法的有效性和鲁棒性在多种测试环境下的模拟和实验中得到了验证。在随后的工作中[28]，为了解决此类混合方法通常需要大量缺陷波形样本进行训练的问题，他们提出了一种管道结构的模型迁移融合识别方法。通过引入时频成像算法，这种改进的方法显著提高了船用管道结构中特征缺陷的检测精度。基于UGW的方法在检测疲劳裂纹长度方面表现出高灵敏度和准确性。然而，关于在裂纹穿透前连续监测和表征三维疲劳裂纹的整体形态的研究仍然有限，这是当前海洋工程结构健康监测（SHM）中的一个关键空白。鉴于表面裂纹生长占总疲劳寿命的80%以上[29]、[30]，理解裂纹穿透前的传播状态对于疲劳寿命预测和工程结构的安全评估具有重要意义。现有的三维裂纹检测和重建的无损检测方法主要依赖于具有已知裂纹深度的校准试样[31]、[32]、[33]，并且对这些特定测试环境的敏感性很高[34]、[35]。这些试样在不同材料之间的不均匀性进一步限制了它们的灵活性，并大幅削弱了这些方法的通用性和鲁棒性。为了解决上述挑战，本文提出了一种基于UGW的疲劳裂纹检测和形态重建方法。该方法将神经网络与不确定性量化整合到多源信息融合框架中，以实现精确的裂纹重建。通过ABAQUS和FRANC3D的联合仿真建立训练数据集，开发出数据驱动的裂纹形态重建模型。通过实验测试和数值模拟获取对应于裂纹生长阶段的UGW信号，这些信号通过连续小波变换（CWT）转换为时频表示，并通过自适应多传感器融合机制提取有效特征。然后将融合的特征输入到不确定性量化框架中，构建裂纹长度预测的回归模型。通过将预测的裂纹长度与形态重建模型相结合，可以获得不同阶段裂纹的形态，从而实现非穿透表面裂纹渐进生长的连续监测。

智能预测和重建框架
本节详细阐述了所提出的基于深度学习的疲劳裂纹重建智能预测模型的架构，如图1所示，预测框架包括三个部分：数据预处理、智能诊断和裂纹重建。首先，通过对获取的UGW信号进行标准化、基线校正和串扰抑制来提高信号的保真度和一致性。随后，利用ABAQUS中的结构应力分析（使用目标结构的几何和材料参数）开始康复模型框架。在FRANC3D中模拟裂纹状态的详细演变，从而生成构建疲劳裂纹重建模型所需的数据集。该数据驱动模型被训练用来建立裂纹前沿坐标之间的映射，这些坐标用于...

重建模型框架
疲劳裂纹生长预测框架如图2所示。该过程从使用目标结构的几何和材料参数在ABAQUS中进行结构应力分析开始。随后，在FRANC3D中模拟裂纹状态的详细演变，从而生成构建疲劳裂纹重建模型所需的数据集。这种数据驱动模型被训练用来建立裂纹前沿坐标之间的映射，这些坐标用于...

自适应双通道模型训练和评估
本节提出了使用UGW进行疲劳裂纹生长监测的实验验证。实验设置包括信号生成和采集单元以及用于调节循环载荷的加载控制系统。在试样表面上安装了三个PZT晶片，以激发和捕获整个疲劳测试过程中的UGW信号。在周期性暂停期间获取的时域信号被转换为时频表示，并输入到...

结论
本研究提出了一种基于UGW的疲劳裂纹检测和形态重建方法，该方法将多传感器信息与概率预测框架相结合。通过结合神经网络进行裂纹长度预测，并利用裂纹生长机制指导的数据驱动形态重建模型进行深度预测，从而实现了裂纹形态的准确反演。