关键词:
蜂窝夹层结构
深度预测
卷积神经网络
红外热成像
摘要:
蜂窝夹层结构是复合材料领域的重要结构形式之一,由于其制备工艺复杂服役环境恶劣,极易产生分层、脱粘等缺陷,严重影响材料使用寿命。为确保相关构件的使用性能以及质量安全,有必要通过合适的无损检测技术对蜂窝夹层结构进行定期的质量监测以及探伤。因此,实现缺陷的量化检测是预防以及解决此类问题发生的根本。基于红外热成像技术以含预制分层及脱粘缺陷的GFRP/NOMEX蜂窝夹层结构试件为研究对象进行脉冲红外热波无损检测试验研究,采集若干帧试件表面温度信号分布热图,取若干缺陷区域及健康区域内像素点的温度信号构建样本数据集,并将其随机划分为训练集及验证集,取第四行缺陷中心水平线区域作为测试集数据。结合卷积神经网络技术实现GFRP/NOMEX蜂窝夹层结构缺陷检测识别以及深度预测。分析一维卷积神经网络结构,引入多尺度空洞卷积、残差模块、注意力机制,搭建一维卷积神经网络预测模型,使用构建的温度信号数据集训练搭建的网络模型。训练结果表明,验证集和训练集的Loss及RMSE趋势一致,验证集最终Loss为1.67×10^(-5),RMSE为0.0058,并未出现过拟合现象。将测试集数据输入至训练完成的网络中。结果表明,所搭建的网络可以有效识别出缺陷,对于缺陷中心处的深度预测误差控制在2%以内。将卷积神经网络与红外热成像检测技术相结合,能够实现GFRP/NOMEX蜂窝夹层结构缺陷的可靠性检测及缺陷埋深的稳定预测,同时为其他复合材料缺陷识别以及量化检测提供参考。