基于分层波模型和扩散驱动分布对齐的机器学习 ultrasonic 焊接表征
机器学习
2025-10-20 v2 计算物理
摘要
自动化超声焊接检测在无损评估 (NDE) 社区面临的挑战包括：由于实验标本或高保真仿真制作复杂，导致训练数据有限；以及许多工业环境的环境波动性，使得现场测量数据受损。因此，面向工业环境的声学焊接检测的端到端机器学习 (ML) 工作流程仍是一个难以实现的目标。本文通过提出由简化模型、基于扩散的分布对齐、以及基于 U-Net 的分割与反演构成的工作流程，来解决数据 curated 和信号扰动的挑战。基于劳姆波理论的简化 Helmholtz 模型用于在不同的焊接异质性和裂纹缺陷下生成全面的数据集。相对低成本的低阶解提供了反演模型的稳健训练数据集，这些模型通过使用有限的 3D 弹性动力学仿真进行迁移学习进行细化。为了处理具有不可预测噪声分布的现场 OOD 测量数据，即激光多普勒振动测量扫描，引导扩散生成 OOD 实验 LDV 扫描的 in-distribution 表示，这些表示随后被处理以进行反演。该集成框架为实数据上的自动化焊接检测提供了一个端到端解决方案。
引用
@article{arxiv.2510.13023,
title = {Machine Learning-Based Ultrasonic Weld Characterization Using Hierarchical Wave Modeling and Diffusion-Driven Distribution Alignment},
author = {Joshua R. Tempelman and Adam J. Wachtor and Eric B. Flynn},
journal= {arXiv preprint arXiv:2510.13023},
year = {2025}
}
备注
26 pages, 6 page appendix