基于熵的AZ31B镁合金薄板拉伸与V形弯曲变形过程中声发射演化的分析

《Materials》:Entropy-Based Analysis of Acoustic Emission Evolution During Tensile and V-Bending Deformation of AZ31B Magnesium Alloy Sheets

【字体: 大 中 小 】 时间:2026年09月19日 来源:Materials 3.7

编辑推荐:

  本研究提出了一种基于熵的框架,用于利用拉伸和V形弯曲试验中获取的声发射(acoustic emission, AE)信号对AZ31B镁合金薄板的变形行为进行分割与表征。研究人员从四个AE参数(持续时间、计数、信号能量和频率质心)计算Shannon熵,并将熵值归

  
本研究提出了一种基于熵的框架,用于利用拉伸和V形弯曲试验中获取的声发射(acoustic emission, AE)信号对AZ31B镁合金薄板的变形行为进行分割与表征。研究人员从四个AE参数(持续时间、计数、信号能量和频率质心)计算Shannon熵,并将熵值归一化后取平均,以识别变形阶段之间的转变。研究人员利用连续小波变换(continuous wavelet transform, CWT)将单个AE波形转换为归一化的时频图像,并从这些图像中提取定量特征,用于对熵定义阶段进行随机森林(Random Forest)分类。内部五折交叉验证显示,拉伸和V形弯曲变形的准确率分别为94.6%和96.42%,表明在基于CWT的特征空间中,各阶段是可区分的。研究人员采用基于层次密度的噪声应用空间聚类(hierarchical density-based spatial clustering of applications with noise, HDBSCAN)将拉伸变形过程中与断裂相关的AE信号分离出来。结果表明,所提出的方法能够表征变形阶段的演化,并为AZ31B薄板中与断裂相关的AE响应提供额外信息。
**AZ31B镁合金薄板拉伸与V形弯曲变形声发射演化的熵分析:研究解读**

**1. 研究背景与问题**

声发射(acoustic emission, AE)作为一种非破坏性检测(non-destructive testing, NDT)技术,能够实时探测材料内部微变形和损伤过程释放的瞬态弹性波,已被广泛应用于结构健康监测和损伤诊断。在金属成形领域,塑性变形、孪生和微裂纹萌生均会产生特征性的AE响应。然而,随着AE数据集日益复杂和高维化,传统基于单一AE参数(如幅值、能量、持续时间)的分析方法往往难以充分表征变形过程中AE行为的连续演化。Shannon熵作为一种量化参数分布不确定性和复杂性的指标,能够从整体上反映多个AE参数分布的集体变化。已有研究在钢、复合材料等材料中证明了熵在损伤识别中的有效性,但针对镁合金在不同变形模式(拉伸与弯曲)下的熵演化对比研究仍较为缺乏。此外,现有数据驱动方法多集中于分离预定义的信号组或损伤状态,而非追踪变形过程中AE行为的连续演化。因此,本研究旨在利用基于熵的框架,定量分析AZ31B镁合金薄板在拉伸和V形弯曲变形过程中AE信号的集体演化特征,并探索基于连续小波变换(continuous wavelet transform, CWT)的特征分析在变形阶段识别和断裂相关信号分离中的潜力。

**2. 研究内容与主要方法**

研究人员选用厚度为1 mm和3 mm的AZ31B镁合金薄板,分别进行准静态拉伸试验和V形弯曲试验,并同步采集AE信号。拉伸试验采用万能试验机(MINOS-020, MTDI, 韩国大田)以5 mm/min的恒定横梁速度进行;V形弯曲试验在位移控制下以5 mm/min的冲头速度进行,采用90°开口角的V形模具。AE传感器(IDK-AES-R150,谐振频率150 kHz)安装在试样表面,采集阈值设为40 dB,带通滤波20–1000 kHz,命中锁定时间(HLT)4000 μs,最大命中持续时间(MHD)5000 μs。研究采用以下关键技术方法:(1)**Shannon熵计算**:从四个AE参数(持续时间、计数、信号能量、频率质心)计算Shannon熵,经z-score归一化后平均,得到归一化平均熵曲线,通过识别曲线拐点划分变形阶段;(2)**CWT时频图像生成与特征提取**:利用MATLAB R2024a中的默认解析Morse小波将每个AE波形转换为归一化的时频图像,并提取17个定量特征(包括统计描述符、基于灰度共生矩阵(GLCM)的纹理特征、直方图百分位特征和频域谱特征);(3)**随机森林分类**:将连续20个CWT图像组成子窗口,计算每个特征的均值、标准差和最大值,形成51维特征向量,以熵定义的变形阶段作为监督标签,采用五折交叉验证评估阶段可分性;(4)**HDBSCAN聚类**:对拉伸不稳定变形阶段中的49个AE事件进行主成分分析(PCA)可视化,并应用层次密度聚类(HDBSCAN)无监督分离断裂相关信号,参数设置为min_cluster_size=3,min_samples=2,cluster_selection_epsilon=17.0。

**3. 主要研究结果**

**3.1 拉伸变形(1 mm薄板)**:在1 mm厚AZ31B薄板拉伸过程中,AE活动在弹性-塑性转变附近开始增加,屈服区域产生大量AE命中,持续时间、计数、峰值幅值和信号能量升高,而频率质心下降。Shannon熵在屈服开始和最终断裂区域呈现高值,表明该阶段AE信号特征分布广泛;在约33–42 s区间熵值下降,对应AE活动减少和信号变异性降低。基于归一化平均熵曲线的拐点,将拉伸变形划分为弹性变形、塑性变形和不稳定变形三个阶段。第一个熵峰对应弹性-塑性转变,随后塑性变形主要发生在已屈服区域,信号均匀性增加导致熵降低;约33 s后熵再次上升,对应变形局部化和颈缩的开始。

**3.2 V形弯曲变形(3 mm薄板)**:在V形弯曲过程中,载荷随冲头位移逐渐增加,约150 s时达到最大值1500 N,此时试样外表面出现浅裂纹,被确定为裂纹萌生点。弯曲变形产生的AE响应较拉伸更为平缓,AE活动集中在裂纹萌生前的塑性变形和损伤累积阶段。四个AE参数的熵表现出不同趋势:计数熵早期快速上升后下降,持续时间熵在75 s附近达到最大值后快速下降,频率质心熵在整个过程中相对稳定,信号能量熵呈现不规则波动。基于归一化平均熵曲线,将弯曲变形划分为弹性变形、塑性变形I、塑性变形II以及裂纹萌生与扩展四个特征阶段,其中塑性变形I和II最终合并为一个塑性变形阶段。弹性阶段熵值较低,塑性变形I阶段熵上升(塑性区扩大),塑性变形II阶段熵下降(变形局部集中),裂纹萌生与扩展阶段熵再次升高(间歇性不规则AE事件增加不确定性)。

**3.3 随机森林分类**:对于1 mm拉伸变形,共获得1225个AE信号构成61个子窗口,五折交叉验证平均准确率为94.6%,宏平均F1分数为0.965。对于3 mm V形弯曲变形,三类样本数量明显更大(Class 1:1642个CWT图像,Class 2:18262个,Class 3:2871个),五折交叉验证平均准确率为96.42%,宏平均F1分数为0.942。结果表明,熵定义的变形阶段在基于CWT的特征空间中具有良好的可分性。

**3.4 HDBSCAN聚类**:对拉伸不稳定变形阶段中的49个AE事件进行HDBSCAN聚类,在PC1–PC2空间中观察到部分分离,最终将事件分为两个主要簇。代表性CWT图像显示,Cluster 1对应相对低强度的AE响应,Cluster 2则具有更高的信号强度和更长的持续时间。基于事件发生在最终断裂附近且具有突发型高能特征,Cluster 2被解释为断裂相关的AE事件。

**4. 讨论与结论**

讨论部分指出,拉伸和V形弯曲下AE响应的差异反映了两种加载条件下塑性变形发展的方式不同:拉伸时塑性变形先分布于标距区,后随颈缩局部化;弯曲时塑性变形在弯曲区附近局部发展并逐渐扩展。熵方法的主要优势在于将多个AE参数的变异性统一为单一量化指标,克服了单一参数尺度不同、变化时间不一致导致的阶段边界难以确定的困难。内部交叉验证结果仅证明数据集内的可分性,而非通用预测模型的验证;HDBSCAN聚类结果也属于探索性结论。

研究结论为:本研究提出了一个基于熵的声发射分析框架,用于解读AZ31B镁合金薄板的拉伸和V形弯曲变形行为。Shannon熵从多个AE参数中量化了AE信号的时间变化,并基于熵演化对变形过程进行了阶段划分。对于1 mm拉伸和3 mm V形弯曲,CWT图像特征结合随机森林分类实现了94.6%和96.42%的内部五折交叉验证准确率,表明熵定义阶段在CWT特征空间中具有可区分的特征。此外,基于CWT图像的HDBSCAN聚类在拉伸不稳定变形阶段识别出一组明显的断裂相关高强AE事件,表明该聚类方法可补充熵阶段分割,提供断裂相关信号信息。然而,当前结果仅限于所测试的材料、厚度和实验条件,未来需在不同厚度、材料和成形条件下进行独立验证,以评估所提出方法的广泛适用性。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号