基于SBFEM和深度学习的裂纹状缺陷反演模型

结构内部缺陷的识别是结构健康监测的重要研究内容, 而当前以无损检测为主的结构安全检测多以定性分析为主, 定量识别缺陷的尺度较困难. 本文将比例边界有限元法(scaled boundary finite element methods, SBFEM)和深度学习相结合, 提出了基于Lamb波在结构中传播时的反馈信号定量识别结构内部裂纹状缺陷的反演模型. 通过随机生成缺陷信息(位置、大小), 采用SBFEM模拟Lamb波在含不同缺陷信息的结构中的信号传播过程, SBFEM仅需对结构边界离散可最小化网格重划分过程, 大大提高了计算效率. Lamb波在含裂纹状缺陷结构中传播时观测点的反馈信号包含大量的裂纹信息, 基于这一特性可为深度学习模型提供足够多的反映问题特性的训练数据. 建议的缺陷反演模型规避了传统反分析问题的目标函数极小化迭代过程, 在保证计算精度的前提下大大减少了计算成本. 对含单裂纹和多裂纹板的数值算例进行分析, 结果表明: 建立的缺陷识别模型能够准确地量化结构内部的缺陷, 对浅表裂纹亦有很好的识别效果, 且对于含噪信号模型仍具有较好的鲁棒性.      

基于数据驱动的薄板结构多裂纹反演方法

采用比例边界有限元法(scaled boundary finite element methods,SBFEM)模拟薄板结构内Lamb波的传播过程，将SBFEM和最大信息系数相结合，研究了缺陷参数与观测点位置的相关性，为缺陷反演时传感器布置位置的选取提供了依据。在此基础上建立了基于SBFEM数据集和深度学习的结构内部多裂纹反演方法，将多裂纹反演归类为分类和回归预测问题，可在未知裂纹数量的情况下反演出裂纹的数量、位置和大小，并通过数值算例验证了该方法能够较好地进行裂纹状缺陷数量和参数的反演。