用于超声无损量化表面开口裂纹的物理信息神经网络

我们引入一种优化的物理信息神经网络（PINN），经训练用于解决金属板中表面开口裂纹的识别与表征问题。PINN 是将数据与物理在 learning 过程中结合的神经网络，方法是将偏微分方程组的残差加入损失函数。我们的 PINN 以 5 MHz 频率获取的真实超声表面声波数据作为监督。超声表面波数据表示为金属板顶表面的表面形变，通过激光测振法测量。PINN 由声波方程提供物理信息，并使用自适应激活函数加速其收敛。自适应激活函数在激活函数中采用可缩放超参数，通过动态改变优化过程中所涉损失函数的拓扑来实现网络的最佳性能。自适应激活函数的使用显著改善了收敛性，在本研究中尤为明显。我们利用 PINN 估算金属板的声速，误差为 1%，随后通过允许声速具有空间依赖性，将声速降低的位置识别并表征为裂纹。我们的研究还显示了数据子采样对声速估计灵敏度的影响。更广泛地说，所得模型展示了一种用于病态逆问题的有前景的深度神经网络模型。