利用微秒级超声时域信号测量高密度聚乙烯中嵌入裂纹长度与位置的方法

高密度聚乙烯(HDPE)的应用范围涵盖核电站冷却水管线、天然气与氢气输送管线以及生物医学植入物。HDPE在制造或运行期间会形成嵌入的类裂纹缺陷。不可见的缺陷若未被检出可能导致灾难性失效。HDPE管线等大型结构需要一种快速的、无损评估(NDE)方法,使传感器能在结构上快速移动。这只有在利用微秒级时域信号评估缺陷时才有可能实现。我们提出并展示了一种基于机器学习的超声NDE方法的准确性,该方法仅用数十微秒的时域信号感知即可快速且准确地同时预测HDPE中嵌入裂纹的长度与位置。目前缺乏利用极短超声时域信号量化HDPE及其他聚合物中裂纹尺寸的方法。我们提出,经过最优训练的机器学习模型可利用短时域信号测度解析裂纹特征,但用于训练机器学习模型的大型、分布良好且带标签的数据集的缺失仍是一大局限。为克服该局限,我们对HDPE中的超声传播进行了计算机仿真以构建训练数据。我们表明,完全由仿真训练的卷积神经网络(CNN)能够从实验测得的超声A扫描微秒信号中准确预测HDPE中的裂纹长度与位置。我们的方法基于极短时间内获取的一维时域幅值信号,而非基于二维图像分析。所提方法为利用计算生成数据训练CNN并将训练后的CNN应用于现场量化大型HDPE或其他聚合物结构中的隐藏裂纹提供了一条途径。