基于非线性超声引导深度学习增强CFRP层压板损伤成像

《COMPOSITE STRUCTURES》：Enhanced damage imaging of CFRP laminates via nonlinear ultrasonic guided deep learning

　　

•NLU-DL模型相较于传统非线性超声成像，显著提升了损伤成像精度。
•NLU-SE-CNN针对多种分层损伤，实现了更高的成像对比度和稳定性。
•相较于纯数据驱动的深度学习模型，具有更好的可解释性、准确性和泛化能力。

**引言**

碳纤维增强聚合物（CFRP）凭借其高强度、轻量化和优异的力学性能，在航空航天、土木工程及相关领域得到了广泛应用[1], [2], [3]。然而，在制造和使用过程中，CFRP结构容易受到分层等内部隐蔽缺陷的影响，这些缺陷难以通过目视检查发现[4], [5]。若未能及时识别和定位此类缺陷，将严重损害结构的安全性和可靠性。因此，开发高效、精确、智能的内部分层检测技术具有重要的工程意义[6], [7], [8]。

目前，已采用多种技术对CFRP层压板中的分层进行成像，包括超声检测[9], [10]、红外热成像[11]、X射线成像[12], [13]、电阻层析成像[14]和声发射[15], [16]。其中，基于导波的超声检测因其长距离传播能力而被广泛使用。

与传统线性超声（LU）导波相比，非线性超声（NLU）导波对早期和微尺度损伤（如分层）具有更高的灵敏度[17], [18], [19]。利用先进的激光扫描多普勒测振仪（LSDV），可在CFRP层压板表面的密集网格点上获取NLU导波场数据，并进一步用于分层检测和定位[20]。然而，NLU损伤成像仍存在显著局限：结果易受噪声和系统非线性影响，空间分辨率往往受限，且对复杂缺陷几何形状或多个分层的精确表征能力仍显不足[21], [22], [23]。这些缺陷目前制约了该技术在实际应用中的广泛推广。为克服上述局限并提高检测灵敏度，基于NLU的各种高级信号分析方法已被开发出来。利用尺度减法方法分离NLU响应，以增强远端分层的成像质量[24]。提出基于局部缺陷共振的NLU光谱法，以改善噪声条件下低速冲击诱导分层的成像性能。将基于导波的相对非线性系数与自适应加权成像算法相结合，也在非接触检测条件下被用于提高微缺陷的成像精度[25]。此外，还提出了一种非线性指数概率损伤成像方法，该方法集成了非线性指数权重函数和形状校正函数，以提高损伤定位精度[26]。

由于传统非线性超声方法在处理大规模导波场数据时存在计算复杂度和效率低的问题，需要开发智能化分析方法。近年来，深度学习（DL）的快速发展推动了结构健康监测（SHM）和无损检测（NDT）领域的发展，其中生成式人工智能模型已被整合到损伤成像中以提升性能。

近年来，深度学习（DL）的快速发展为SHM和NDT开辟了新的前沿，生成式人工智能（AI）模型已被纳入损伤成像以提升成像性能[27], [28], [29]。一种基于ResNet50V2的迁移学习方法，利用连续小波变换将振动信号转换为时频图像，在有限实验数据条件下实现了CFRP层压板分层损伤的准确分类[30]。将物理知识（如刚度退化模型和功率谱密度变化）整合到卷积神经网络中，设计了一种混合模型，并采用损失函数，使得仅使用一种铺层配置的训练数据即可实现对不同铺层CFRP层压板疲劳损伤的跨结构高精度检测[31]。一种敲击检测方法集成了抗噪声差分梅尔频率倒谱系数与轻量级RepViTMonitNet模型，用于识别CFRP增强钢梁中的界面脱粘缺陷[32]。深度强化学习通过集成去噪自编码器构建策略网络，并采用Transformer架构实现CFRP结构疲劳寿命的高精度预测[33]。然而，上述损伤表征方面的DL研究仍局限于通过物理知识引导来提高模型可解释性、检测准确性和泛化能力，与传统SHM和NDT技术的有效融合仍显不足。因此，迫切需要一种既能服务于传统方法，又能提供高精度和可解释性的智能解决方案。

为解决上述问题，本文提出了一种非线性超声引导的深度学习（NLU-DL）方法，通过加权函数平衡线性和非线性超声特征。计算得到的特征权重和原始数据均输入网络，从而形成具有双通道特征融合的深度学习模型。为更有效地提取特征，针对一维时间序列信号设计了主成分分析集成的卷积神经网络（NLU-PCA-CNN），针对二维时频图像构建了挤压激发模块集成的卷积神经网络（NLU-SE-CNN）。采用三维有限元模型和基于LSDV的实验系统对所提出的NLU-DL方法进行验证和校验。此外，将该方法扩展到多层损伤结构中的损伤成像，从而评估其在复杂损伤场景中的适用性。

本文其余部分组织如下：第2节介绍非线性导波深度学习理论。第3节和第4节分别系统描述数值模拟和实验安排。第5节详细对比CFRP层压板中使用NLU-DL和NLU进行分层成像的结果。最后，第6节总结结论并展望未来发展方向。

**第2节 非线性导波深度学习理论方法**

谐波产生（HHG）的理论原理已在以往研究中得到充分确立[34], [35]，本节仅作简要介绍。输入激励信号I(t)由公式(1)表示，其中A和ω?=2πf?分别为输入振动幅度和频率。

I = A·cos(ω?t) = A·cos(2πf?t)

INL = A?·cos(ω?t)（线性响应）+ A?·cos(2ω?t) + A?·cos(3ω?t) + ……（非线性谐波）

当受测CFRP试样存在接触型缺陷（如分层）时，获取的输出信号如上所述。

**第3节 数值建模**

使用Abaqus/Explicit求解器执行的数值过程如图4a所示，包含四个主要步骤：网格偏移建模、接触建模、超声加载以及信号提取与处理。下面对每个步骤进行详细描述，为清晰起见，仅考虑单分层情况。

**第4节 实验装置**

为与有限元（FE）模型保持一致，制备了具有相同铺层顺序和尺寸的CFRP层压板。通过在ply1和ply2之间嵌入一个方形凹槽引入人工分层，该凹槽由折叠五次后的20μm厚黄铜箔形成，从而使两铺层之间形成均匀的0.1mm分层间距（见图6a）。激励频率设置为50kHz，与模拟设置一致。采样率为400kHz，扫描……

**第5节 CFRP分层成像**

为减少模型选择过程中的过拟合现象[46]，本节首先采用两块CFRP层压板确定超参数和最佳平衡因子。然后，所选配置用于单分层和多层损伤成像的模型训练和独立测试。此外，还对深度学习（DL）、NLU-DL和传统NLU方法的成像性能进行了对比分析。

**第6节 讨论与结论**

本文提出了一种非线性超声引导的深度学习框架，用于高精度CFRP分层成像，其性能通过三维有限元模型和基于LSDV的实验系统分别进行了数值验证和实验校验。主要结论如下：

（1）与纯数据驱动的深度学习模型相比，所提出的加权函数使网络训练过程中线性与非线性超声特征的贡献能够被调节。当……

**CRediT作者贡献声明**

Lunan Wei：原始草稿撰写、资金获取。Youao Xiao：软件、方法论、调查。Jun Chen：指导。Yang Li：调查、数据整理。Guojun Cai：项目管理、资金获取。Gao Shang：形式分析。

**利益冲突声明**

作者声明不存在已知的竞争性经济利益或个人关系，这些利益或关系可能影响本文所报告的工作。

**致谢**

本工作得到国家自然科学基金委杰出青年科学基金项目（批准号42225206）、国家自然科学基金委（批准号12504556）、安徽省教育厅科学研究重点项目（批准号2025AHGXZK40192, 2025AHGXZK10023）以及安徽建筑大学人才引智和博士启动基金（批准号2023QDZ26）的资助。

Lunan Wei | Youao Xiao | Jun Chen | Yang Li | Guojun Cai | Gao Shang