基于CNN-BiLSTM及ResNet网络的板中损伤TFM定位与检测研究

摘要：

针对全聚焦(Total Focusing Method,TFM)成像技术因其耗时长,在工业应用中受限的问题,提出一种基于CNN-BiLSTM(Convolutional Neural Network-Bi-directional Long Short-Term Memory)网络的快速 TFM成像方法,首先利用卷积神经网络从全矩阵数据中提取关键特征,接着结合双向长短期记忆网络来预测金属板上损伤的区域位置,再使用TFM技术在损伤区域进行精确成像.为了进一步提升损伤检测的准确性,引入基于ResNet网络的损伤尺寸检测方法以实现对损伤大小的精确检测.为了验证方法的有效性,利用有限元分析软件ABAQUS建立三维铝板仿真模型,并通过模型变换构建神经网络数据集.实验结果表明,与传统全聚焦成像方法相比,CNN-BiLSTM网络展现出较高的区域定位精度,定位准确率达到95.26％,并具有显著的效率优势,平均定位速度提升了 46.4％;同时,损伤尺寸大小的检测结果验证了基于ResNet网络的方法在损伤尺寸评估方面的有效性和准确性,在测试集上达到了 99.26％的准确率.

关键词：Lamb波、TFM、损伤检测、CNN-BiLSTM、ResNet

所属期刊栏目：60

分类号：TB559(声学工程)

资助基金：国家自然科学基金;江苏省研究生科研与实践创新计划项目

在线出版日期：2024-09-29（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：566-576