基于全卷积网络的超声反演定量重建多层粘接复合材料缺陷
材料科学
2023-12-05 v1 机器学习
摘要
超声方法在检测和表征多层粘接复合材料缺陷方面具有很大的潜在应用价值。然而，定量重建影响粘接完整性并严重降低组件强度的缺陷（如脱粘和吻接）仍然具有挑战性。本工作提出一种基于监督全卷积网络（FCN）的超声方法，用于定量重建隐藏在多层粘接复合材料中的缺陷。在该方法的训练过程中，FCN建立从测量的超声数据到多层粘接复合材料相应速度模型的非线性映射。在预测过程中，训练过程获得的训练好的网络用于直接从粘接复合材料的新测量超声数据重建速度模型。所提出的基于FCN的反演方法能自动提取多层复合材料中的有用特征。尽管该方法在训练过程中计算代价高，但在线阶段的预测本身仅需数秒。数值结果表明，基于FCN的超声反演方法能够准确重建高对比度缺陷的超声速度模型，在粘接复合材料在线检测方面具有很大潜力。
引用
@article{arxiv.2109.07284,
title = {Quantitative reconstruction of defects in multi-layered bonded composites using fully convolutional network-based ultrasonic inversion},
author = {Jing Rao and Fangshu Yang and Huadong Mo and Stefan Kollmannsberger and Ernst Rank},
journal= {arXiv preprint arXiv:2109.07284},
year = {2023}
}