《Engineering Structures》：Deep learning based reconstruction of particle reinforced materials from wave measurements
编辑推荐：
摘要：准确表征颗粒增强材料中的颗粒分布对于理解其力学性能至关重要。然而，由于复杂的波-颗粒相互作用、多次散射效应以及未知微观结构的高维特性，从边界波动测量中估计内部颗粒构型仍是一个具有挑战性的逆问题。本研究提出了一种数据驱动框架，以探究从边界测量的波动信号中估
摘要：准确表征颗粒增强材料中的颗粒分布对于理解其力学性能至关重要。然而，由于复杂的波-颗粒相互作用、多次散射效应以及未知微观结构的高维特性，从边界波动测量中估计内部颗粒构型仍是一个具有挑战性的逆问题。本研究提出了一种数据驱动框架，以探究从边界测量的波动信号中估计颗粒分布的可行性。通过数值模拟生成合成数据集，该数据集模拟了在受控几何约束下含有随机分布颗粒的二维非均匀板中的波传播过程。开发了一种时间卷积神经网络（temporal convolutional neural network, TCNN）来学习多传感器波响应与颗粒中心坐标之间的非线性关系。重建问题被表述为点集预测任务，并采用置换不变的Chamfer距离（Chamfer distance）来处理颗粒分布的无序性。结果表明，所提出的框架能够在广泛的构型范围内恢复颗粒分布的主要空间特征。系统的参数研究进一步揭示，重建性能受颗粒尺寸、颗粒数量、颗粒间距、激励频率和传感器配置的影响。此外，结果还提供了关于波-颗粒相互作用如何影响逆问题的可识别性和可学习性的见解。总体而言，本研究证明了将基于波的测量与深度学习相结合用于颗粒分布估计的可行性，并为未来面向数据驱动的材料表征和无损评估研究奠定了基础。
论文解读
颗粒增强材料是一类由连续基体与离散夹杂颗粒组成的非均匀复合材料，凭借其可调控且增强的力学性能，在现代工程中得到广泛应用。通过向基体引入具有不同力学或物理特性的颗粒，这类材料可获得更高的刚度、强度、韧性和耐磨性，同时保持相对较低的成本和制造灵活性。值得注意的是，此类材料的整体性能不仅取决于组分属性，还深受内部微观结构的影响。其中，嵌入颗粒的尺寸、几何形状和空间分布对颗粒增强复合材料的有效行为起关键作用，颗粒分散与团聚直接影响应力传递、裂纹萌生与扩展以及能量耗散。在动态载荷条件下，微观结构特征显著影响波传播、衰减和散射行为。
从物理角度看，波在非均匀介质中的传播因多次散射和干涉效应而本质复杂。波在材料中传播时与众多夹杂相互作用，产生与入射场叠加的散射波，导致依赖于颗粒分布、材料对比度以及波长与颗粒尺寸关系的频散和衰减现象。这些相互作用编码了丰富的内部结构信息，提示波动测量可作为颗粒构型的间接探针。基于此原理，基于波的无损评估（NDE）技术已成为表征复合材料的重要工具。然而，从波动测量中重建详细的颗粒分布仍是一个具有挑战性的逆问题。其困难源于波-颗粒相互作用的强非线性、未知空间构型的高维性以及潜在的非唯一性。传统基于模型的求逆方法通常依赖迭代优化程序，计算成本高，尤其是涉及多个散射体的系统。此外，在无序颗粒系统中精确模拟多次散射仍是未解决的问题。近年来，深度学习已成为求解波动物理和材料表征中逆问题的有前途替代方案，但大多数现有的基于学习的超声研究集中于缺陷检测、孤立损伤区域或低维材料参数，从有限边界波动测量中重建无序多颗粒分布的研究相对不足。
研究人员提出一种数据驱动的框架，用于从边界测量的波动信号重建复合材料中的颗粒分布。该框架以生成包含随机分布圆形夹杂的颗粒增强复合板为起点，每个样本在满足非重叠约束的前提下随机放置10个颗粒，记录颗粒坐标作为监督学习的真值标签。随后采用时域有限差分（FDTD）模型模拟导波传播，激励信号从板的左侧施加，由沿三条边界分布的30个传感器记录波响应，每个模拟的波信号组成包含2400个时间采样点和30个传感通道的响应矩阵。通过重复该过程生成包含20000个独立样本的数据集，并按70%、15%、15%划分为训练集、验证集和测试集。研究人员建立了一个一维时间卷积神经网络（CNN）作为预测模型，该网络将30个传感器信号视为输入通道，通过四个一维卷积块逐步提取高层时域特征，并经自适应平均池化获得全局特征向量，最后由全连接回归头输出10个二维坐标对，对应预测的颗粒中心。为使损失函数适应颗粒的物理不可区分性，采用对称Chamfer距离作为损失度量，无需预测点与真值点之间的显式对应；同时引入斥力正则化项以防止多个预测点坍缩至同一位置。
在模型训练性能与重建精度方面，训练和验证损失在早期快速下降并逐渐收敛至稳定平台，验证损失与训练损失保持接近，表明收敛稳定且过拟合最小。定性重建结果显示预测颗粒位置与真值位置紧密匹配，整体空间分布得到准确保留。接收器时域重要性图呈现非均匀模式，重要性集中于有限时间窗口且仅部分传感器表现出强响应，表明模型选择性地依赖最具信息量的波分量。x和y坐标的奇偶图显示大多数数据点密集分布在对角线附近，决定系数（R2）分别为0.9572和0.9619。定位误差直方图显示大多数误差集中于较小范围，平均定位误差和整体均方根误差（RMSE）分别为0.0408 m和0.0697 m。区域精度图显示中心区域精度较高，而某些边缘和角落区域性能下降，这与波灵敏度和测量覆盖度的差异有关。
在噪声鲁棒性分析中，研究人员在信噪比（SNR）分别为30、20、10和5 dB的条件下向传感器信号添加高斯噪声，并直接利用干净数据训练的模型进行评估。结果表明在中等噪声水平下性能保持稳定，SNR为20 dB时RMSE仅从0.0697 m略微增至0.0745 m，R2仍高于0.95；即使在最严苛的5 dB条件下，模型仍保持较高的R2和可接受的定位精度。
在模型失配与逆罪分析中，研究人员生成颗粒波速分别为1550 m/s和1650 m/s的额外测试数据集，以评估对前向模型失配的敏感性。与训练条件1600 m/s相比，±3%的波速扰动仅导致平均定位误差从0.0408 m小幅增加至约0.050 m，R2仍高于0.95，F1分数保持在0.88以上，表明模型对中等材料属性变化具有有限鲁棒性；同时研究指出该实验仅为逆罪问题的部分评估，不能说明逆罪问题已消除。
在基线模型对比中，研究人员将提出的CNN与降采样多层感知器（MLP）和浅层CNN进行比较。浅层CNN获得平均定位误差0.062 m、RMSE 0.092 m、F1分数0.831，表现最差；降采样MLP的平均定位误差为0.047 m但RMSE较高为0.078 m；提出的CNN实现了最低的RMSE 0.076 m和较高的F1分数0.887，表明其在整个测试集上具有更稳定可靠的定位性能。
在不确定性量化中，研究人员采用蒙特卡洛（MC）dropout方法，在推断阶段激活dropout层并对每个测试样本执行100次随机前向传播，以预测坐标的标准差作为不确定性估计。平均坐标方向标准差约为0.074 m至0.078 m，在不同预测颗粒之间相对均匀，且x和y方向无显著差异。MC dropout不确定性大于观测到的平均定位误差，表明该估计相对保守，主要反映由模型参数引起的认知不确定性。
在颗粒数量影响分析中，随着颗粒数量从1-2增加到8-10，收敛速度变慢，训练与验证损失差距增大，最终验证损失单调增加，重建性能下降。时间重要性分布随颗粒数增多而更分散，反映多次散射增强导致个体散射特征可分离性降低。
在颗粒尺寸影响分析中，较小直径（如0.05 m）导致验证损失波动较大且泛化性差，随直径增大，训练和验证曲线更平滑且更接近，验证损失单调下降。物理上，小颗粒相对于波长产生较弱散射，边界测量扰动微小，逆问题条件不佳；大颗粒产生更强、更可区分的散射特征，提高了可识别性和可学习性。
在激励频率影响分析中，最佳验证损失随频率增加先减后增，呈现非单调趋势。低频时波长大于颗粒尺寸，散射弱且空间模糊，可识别性不足；中频时波对局部非均匀性更敏感，颗粒位置引入可区分的扰动，提升恢复能力；高频时波场高度振荡且对多次散射和局部干涉敏感，小空间变化引起边界波形大幅变化，增加学习复杂度。时间重要性曲线显示主要贡献集中在早期到中间时间窗口，且随频率变化，低频时峰值集中，高频时分布更宽。
在颗粒间距影响分析中，较小间距因子导致颗粒相互靠近，产生更强多次散射和更复杂波相互作用，增加信号中散射特征的重叠，使逆问题更困难；较大间距因子产生更清晰可区分的波特征，改善特征可分离性，提升学习稳定性和准确性。
在传感器配置影响分析中，当所有传感器可用时，波场从多个边界观测，提供丰富互补信息；仅使用单侧传感器时，验证损失显著增加，因为波场采样方向有限导致散射波型观测不完整。空间精度图显示靠近活动传感器的区域精度较高，而较远或被颗粒部分遮挡的区域精度降低；多侧分布实现更好的全域重建，单侧配置则产生空间不均匀的性能。
在未见构型的泛化性能方面，模型在随机分布、均匀分布和左侧聚集等测试构型下均表现出预测位置与真值的强一致性，即使在高密度聚集的复杂场景中仍能捕捉整体聚类模式。
讨论部分总结了研究的主要发现：所提出的CNN框架能够有效恢复颗粒分布的主要空间特征；重建性能受颗粒尺寸、颗粒数量、刚度对比、颗粒间距、激励波长和传感器配置等多种因素影响；模型对测量噪声、中等前向模型失配和部分传感器失效具有合理鲁棒性；与基线模型相比，所提出的CNN在定位误差和F1分数方面更优；MC dropout提供了预测不确定性的定量估计。研究同时指出局限性：所有数据来自数值模拟，存在模拟到现实的差距；假设固定颗粒数量和相同尺寸；仅限于二维板模型和简单传感配置；未与基于物理的传统反演方法进行直接比较。未来工作将开展实验验证、考虑更复杂的颗粒参数、扩展到三维问题，并探索物理信息神经网络（PINNs）、Deep Operator Networks（DeepONets）和傅里叶神经算子（FNOs）等科学机器学习方法。
研究结论：本研究开发了一种数据驱动框架，用于从边界测量的波动信号估计颗粒增强材料中的颗粒分布。通过数值波传播模拟生成大规模合成数据集，训练CNN学习多传感器波响应与颗粒位置之间的非线性关系。逆问题被表述为点集预测任务，采用置换不变的Chamfer距离处理颗粒分布的无序性。共生成20000个模拟样本，按70%/15%/15%划分。独立测试集上的定量评估表明，该框架能有效恢复颗粒分布的主要空间特征，多项性能指标（包括平均定位误差、中位误差、RMSE、R2、精确率、召回率和F1分数）一致证实了所提方法的预测能力。系统参数研究显示重建性能受颗粒尺寸、颗粒数量、刚度对比、颗粒间距、激励波长和传感器配置等物理和实验因素影响。额外分析表明模型在测量噪声、中等前向模型失配和部分传感器失效下保持合理性能。与基线模型比较进一步证明所提出的CNN架构优于降采样MLP和简化浅层CNN。MC dropout分析提供了预测不确定性的定量估计。总体而言，研究结果证明了将导波测量与深度学习相结合用于颗粒分布估计的可行性，为未来基于波的无损评估和材料表征发展奠定了基础。该论文发表在《Engineering Structures》。
