理论分析与数据驱动方法相结合的结构缺陷重构新方法

超声导波技术因采用在检测过程中具有高传播效率和低能耗优势的声波，在无损检测领域发挥了重要作用。然而，使用 Born 近似等假设的导波散射问题的理论解，导致重构结果质量较差。为解决此问题，本文提出了一种将数据驱动方法与导波散射分析相融合的缺陷定量重构新方法。基于缺陷的几何信息及缺陷重构理论分析的初始结果，建立深度学习神经网络模型以揭示缺陷与接收信号之间的物理关系。该数据驱动模型随后被用于定量评估与表征结构中的缺陷轮廓，降低理论建模的不准确性并消除检测过程中的噪声污染影响。为展示所发展方法在复杂轮廓缺陷重构上的优势，考察了包含基本缺陷轮廓及带噪声边缘缺陷的数值算例。结果表明，与解析方法相比，该方法对结构中缺陷重构具有更高精度，并为无损检测领域高精度、高效率人工智能辅助检测系统的发展提供了有价值的见解。