通过声学分析进行数据驱动的塑性建模
机器学习
2026-03-30 v1
摘要
本文提出了一种数据驱动的框架，通过声发射（AE）分析对晶体金属中的塑性变形进行建模。基于镍微柱压缩加载的实验数据，该研究引入了一种基于小波的方法，使用 Morlet 变换在不同频段检测 AE 事件，从而识别大型和此前被忽视的小尺度事件。检测到的事件与应力降动态进行了验证，展现出强物理一致性，并揭示了 AE 能量释放与应变演化之间的关系，包括主要事件后应变率增加的开始。利用事件和非事件的有标签数据集，该工作应用了机器学习技术，表明工程化的时间和频域特征显著优于原始信号分类器，并识别出关键判别特征，如 RMS 振幅、过零率和频谱质心。最后，聚类分析揭示了四种不同的 AE 事件原型，对应于不同的变形机制，突显了利用声信号从回顾性分析转向材料行为预测建模的潜力。
引用
@article{arxiv.2603.25894,
title = {Data-Driven Plasticity Modeling via Acoustic Profiling},
author = {Khalid El-Awady},
journal= {arXiv preprint arXiv:2603.25894},
year = {2026}
}