【技術實現步驟摘要】
本專利技術涉及一種裂紋滑移類型識別方法，尤其涉及一種基于神經網絡和預訓練原理的裂紋滑移類型識別方法。
技術介紹
1、裂紋識別技術是一種評估結構完整性并預測結構剩余使用壽命的關鍵技術，能夠為結構安全性分析提供重要的數據支持。目前，傳統的裂紋識別方法主要是針對裂紋的擴展階段、位置和長度等參數進行識別。為了進一步提高裂紋識別精度，并對裂紋的滑移類型和走向等關鍵特征進行識別，有學者發展了矩張量理論。基于矩張量理論的裂紋反演方法是一種性能優異的裂紋動態擴展識別方法，該方法能夠通過裂紋滑移激發的彈性波信號對裂紋的詳細特征進行精確計算和識別，明確裂紋屬于哪一類(剪切或者拉伸)裂紋，進而為裂紋擴展速度、裂紋區域應力/應變分布特征的分析提供詳細的數據支持，實現結構損傷狀況判斷和剩余壽命準確評估。
2、現有基于矩張量理論的裂紋識別技術通過聲發射信號的空間分布特征來求解裂紋的矩張量，進而通過矩張量的特征值和特征向量來計算相應裂紋的裂紋面滑移方向和法向方向。具體來說，現有方法通過在結構中布置傳感器陣列，在結構中不同位置處記錄相同裂紋面滑移激發的彈性波信號，提取每一段信號的初至波幅值。然后，根據簡化格林函數來列寫包含待求矩張量元素和已知位移幅值的矩張量求解公式。另外，公式中包含的材料參數(波速)和裂紋源-傳感器連線方向余弦均可以通過前期測試或者裂紋源輔助定位技術來獲取。因此，求解公式中只包含了未知矩張量元素。根據未知元素的數量，選擇合適數量的傳感器陣列接收信號，就可以求解得到裂紋滑移源對應的矩張量，進而可以通過張量特征值和特征向量分析求解獲得
3、現有基于矩張量理論的裂紋識別技術的缺點是方法適用性較差。造成這一缺點的原因是基于矩張量理論的裂紋識別方法依賴準確的格林函數，即單位載荷激發的彈性波場的顯示表達式。目前，只有簡單模型(無限大彈性體和薄板結構)具有格林函數的顯式表達式。對于具有復雜外形和材料的結構，求解顯示表達的格林函數非常困難，導致現有基于矩張量理論的裂紋識別方法只能應用于簡單結構形式當中。
技術實現思路
1、專利技術目的：本專利技術目的是提出一種基于神經網絡和預訓練原理的裂紋滑移類型識別方法，直接通過數據驅動原理擬合彈性波場特征與裂紋滑移等效矩張量的映射關系，解決復雜結構中裂紋面滑移等效矩張量求解和類型識別的問題。
2、技術方案：本專利技術包括以下步驟：
3、s1：根據真實對象結構的幾何特征和材料參數，建立數值計算模型；
4、s2：在數值模型中，添加裂紋源，并設置裂紋的尺寸、位置和類型；
5、s3：在數值模型中，添加計算結果輸出位置，輸出位置分別對應真實對象結構中傳感器的布置位置；
6、s4：使用數值模型，計算裂紋滑移/擴展激發的彈性波場，輸出s3設定位置處的彈性波時域信號曲線，拾取各個位置處信號曲線的幅值；
7、s5：重復步驟s2-s4，隨機改變裂紋的類型，保持其他參數不變，計算不同裂紋類型對應的信號幅值，建立裂紋類型特征參數-信號幅值的數據集；
8、s6：設計輸入層、中間層和輸出層的神經元數量；
9、s7：將s5獲得的裂紋類型-信號幅值數據集劃分為訓練、測試和驗證數據集，訓練神經網絡模型；
10、s8：評估訓練結果，獲得裂紋滑移類型識別模型。
11、所述建立數值計算模型，具體為：
12、測量真實對象結構的幾何形狀和尺寸，建立數值計算模型；
13、對模型進行優化，刪除結構上不影響彈性波傳播的次要結構；
14、對結構上的裝飾和保型結構進行刪除；
15、獲得對象結構的材料參數，并將參數賦予對應的數值計算模型。
16、所述添加裂紋源，具體包括如下步驟：
17、根據真實對象結構的應力應變分布特征，確定裂紋發生的可能位置；
18、裂紋的滑移類型通過隨機選取裂紋面滑移向量和法向向量確定；
19、裂紋尺寸根據測試對象的初始裂紋特性選擇一個常值。
20、所述添加計算結果輸出位置，具體為：
21、根據真實對象結構上傳感器的位置，為數值模型設定信號輸出位置，輸出位置與傳感器位置完全相同；
22、根據真實對象結構上傳感器的敏感方向，設定輸出的位移分量。
23、所述拾取各個位置處信號曲線的幅值，具體包括：
24、使用數值方法計算信號輸出位置處，沿傳感器敏感方向的位移曲線；
25、根據位移曲線數據的切線斜率提取信號的位移幅值；
26、將所有信號輸出位移處的位移幅值，按照順序排列成列向量；
27、根據設定的裂紋滑移向量和法向向量計算裂紋的等效矩張量，分解矩張量獲得各向同性成分、雙力偶成分和補充線性向量偶極子成分的占比，將三個占比組成列向量，該占比列向量為裂紋類型特征參數；
28、將位移幅值列向量和矩張量三種基本成分占比組合在一起，組成訓練數據對，其中，位移幅值列向量是模型輸入參數，矩張量三種基本成分占比是模型輸出參數。
29、所述建立裂紋類型特征參數-信號幅值的數據集，具體包括：隨機選設定裂紋面滑移向量和法向向量；存儲每一組位移幅值列向量-占比列向量數據對，組成數據集。
30、所述輸入層、中間層和輸出層的神經元數量基于前饋神經網絡模型設計。
31、所述設計輸入層、中間層和輸出層的神經元數量，具體包括：
32、使用雙層前饋神經網絡，根據傳感器數量設計輸入層神經元數量，輸出層神經元數量與傳感器數量/信號輸出位置數量相等；
33、對于雙層前饋神經網絡，隱含層包含的神經元數量不少于3個；
34、對于雙層前饋神經網絡，分別輸出裂紋矩張量分解的各向同性、雙力偶和補充線性向量偶極子成分的占比，依次對應占比列向量的三個元素。
35、所述訓練神經網絡模型；具體為：
36、將位移幅值列向量-矩張量分解基本成分占比列向量數據集按照比例分為訓練數據集、測試數據集和驗證數據集；
37、使用訓練數據集訓練前饋神經網絡；
38、使用測試數據集測試訓練得到的前饋神經網絡的性能，使用驗證數據集驗證神經網絡的性能。
39、所述評估訓練結果，具體為：
40、分析訓練、測試和驗證過程中的數據相關系數r值；
41、若模型預測精度符合要求，則輸出模型參數并獲得可用的預測模型；若模型預測精度不符合要求，則返回步驟s6，通過修改中間層的神經單元數量，對神經網絡模型進行訓練、測試和評估，并分析預測精度。
42、有益效果：本專利技術使用數值模型模擬裂紋面滑移激發的彈性波場，建立彈性波場-矩張量訓練數據集，并使用數據集訓練神經網絡模型，獲得能夠應用于特定結構的裂紋識別方法；該方法不依賴于格林函數的顯式表達式，直接通過數據驅動原理擬合彈性波場特征與裂紋滑移等效矩張量的映射關系，解決復雜結本文檔來自技高網...
【技術保護點】
1.一種基于神經網絡和預訓練原理的裂紋滑移類型識別方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種基于神經網絡和預訓練原理的裂紋滑移類型識別方法，其特征在于，所述建立數值計算模型，具體為：
3.根據權利要求2所述的一種基于神經網絡和預訓練原理的裂紋滑移類型識別方法，其特征在于，所述添加裂紋源，具體包括如下步驟：
4.根據權利要求3所述的一種基于神經網絡和預訓練原理的裂紋滑移類型識別方法，其特征在于，所述添加計算結果輸出位置，具體為：
5.根據權利要求4所述的一種基于神經網絡和預訓練原理的裂紋滑移類型識別方法，其特征在于，所述拾取各個位置處信號曲線的幅值，具體包括：
6.根據權利要求5所述的一種基于神經網絡和預訓練原理的裂紋滑移類型識別方法，其特征在于，所述建立裂紋類型特征參數-信號幅值的數據集，具體包括：隨機選設定裂紋面滑移向量和法向向量；存儲每一組位移幅值列向量-占比列向量數據對，組成數據集。
7.根據權利要求6所述的一種基于神經網絡和預訓練原理的裂紋滑移類型識別方法，其特征在于，所述輸入層、
8.根據權利要求7所述的一種基于神經網絡和預訓練原理的裂紋滑移類型識別方法，其特征在于，所述設計輸入層、中間層和輸出層的神經元數量，具體包括：
9.根據權利要求8所述的一種基于神經網絡和預訓練原理的裂紋滑移類型識別方法，其特征在于，所述訓練神經網絡模型；具體為：
10.根據權利要求9所述的一種基于神經網絡和預訓練原理的裂紋滑移類型識別方法，其特征在于，所述評估訓練結果，具體為：
...【技術特征摘要】
1.一種基于神經網絡和預訓練原理的裂紋滑移類型識別方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種基于神經網絡和預訓練原理的裂紋滑移類型識別方法，其特征在于，所述建立數值計算模型，具體為：
3.根據權利要求2所述的一種基于神經網絡和預訓練原理的裂紋滑移類型識別方法，其特征在于，所述添加裂紋源，具體包括如下步驟：
4.根據權利要求3所述的一種基于神經網絡和預訓練原理的裂紋滑移類型識別方法，其特征在于，所述添加計算結果輸出位置，具體為：
5.根據權利要求4所述的一種基于神經網絡和預訓練原理的裂紋滑移類型識別方法，其特征在于，所述拾取各個位置處信號曲線的幅值，具體包括：
6.根據權利要求5所述的一種基于神經網絡和預訓練原理的裂紋滑移類型識別方法，其特征在于...
【專利技術屬性】
技術研發人員：孔岳，馬厚標，李橋忠，康振航，
申請(專利權)人：江蘇科技大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。