导读
碳纤维复合材料由于其重量轻、耐腐蚀、抗拉强度高等突出优点在氢能源汽车、航空航天、船舶工程等领域有着广泛应用。根据织构方向不同，碳纤维复合材料具有典型的各向异性特征，如何对这种各向异性复合材料的弹性常数进行实时表征就成为预测先进复合材料或结构力学性能和寿命的关键问题。传统的超声检测方法，包括水浸法、导波法等检测手段误差大、测量时间长，无法满足碳纤维复合材料力学参量实时表征的要求。
近日，东南大学张辉教授团队，提出了一种基于弹性网络（ENet）的超声导波实时表征碳纤维复合材料弹性常数的新方法。通过设计一种深度学习模型，即ENet，建立弹性常数与超声导波色散曲线的联系以表征碳纤维复合材料力学性能。该方法仅使用两列相邻导波信号，将重构的频散曲线段输入已训练好的学习网络，便可实时显示碳纤维复合材料的弹性常数。由于ENet所需训练数据由理论计算获得，因此所提方法具有广泛适用性，也避免了前期繁琐实验数据的获取。由于ENet的引入，所提方法具有很好的准确性和稳健性。相关成果以“Real-time determination of elastic constants of composites via ultrasonic guided waves and deep learning”为题发表在国际计量测试联合会（IMEKO）官方会刊《Measurement》上(10.1016/j.measurement.2022.111680)。
研究背景
先进复合材料在服役过程中，不仅会出现复杂多变的缺陷形式，而且在结构内部会呈现疲劳损伤演变趋势。复合材料在周期载荷下，疲劳累积损伤总是伴随着材料剩余强度的衰减，继而致使结构承载能力衰退，影响先进复合材料与结构的工作性能。因此复合材料力学性能的实时监测过程中，缺陷检测与定位通常是不够的，对材料刚度，即弹性模量衰减在线表征则是另一种有效的预防手段。然而，由于碳纤维复合材料的结构特点，导致其力学性能具有典型的各向异性特征，这使得对复合材料力学性能准确、快速检测十分困难，因此，研究并发展可用于快速识别在役复合材料弹性模量的无损检测技术具有重大意义。
研究亮点
首先，基于改进的混合频散曲线重建方法实现两列相邻导波信号频散曲线的重建，重建的导波相速度频散曲线片段是频域上的稀疏点集，使用多项式插值的方法以新的频率间隔进行插值，得到密集的ENet训练数据输入。
建立ENet模型，包括多尺度模块、CNN模块和全连接层（FCL）模块。每个CNN模块包含一个1D-CNN层和一个最大池化层，FCL模块则包含两个FCL层。多尺度模块和CNN模块提取的高级融合特征，将会在数据压平（Flatten）后，输入到FCL模块。FCL模块中添加有Dropout防止过拟合，并最后输出复合材料弹性模量参数。
利用半解析有限元法（SAFE）构建频散曲线数据集训练ENet模型。训练数据集的规模和质量对于深度学习模型的实际应用是一个棘手的问题。但凭借半解析有限元法高效的计算效率，ENet的训练集极易获得。通过将频散曲线与弹性模量非线性关联，避免了模型学习过程中实验环境对数据集的干扰。ENet模型的训练和测试在Inter® Core™ i5-1135G7及Inter® Iris® Xe Graphics服务器平台进行。在训练ENet模型前，可以对数据集进行预处理，对每批次中的输入数据进行归一化。以学习率0.0001训练ENet 300轮（Epoch），训练过程耗费大约半小时。训练和验证的结果：损失和R2 coefficient曲线如图3所示。
图3 ENet损失和R2 coefficient曲线
基于ENet与导波频散曲线重建技术，所提出复合材料弹性模量表征方法的总体流程图如图4所示。
图4 基于ENet和导波频散曲线重建的复合材料弹性模量监测技术
所提出的复合材料弹性模量在线表征方法是一种导波频散曲线的最优匹配过程；与传统的反演方法不同，弹性模量的最优输出值由深度学习模型ENet决定。用于训练的理论数据集是使用SAFE法预先获得的，并通过向训练好的ENet模型导入导波信号重建的频散曲线片段，从而实现实时表征复合材料弹性模量值。
图5 数值反演结果对比
本方法仅使用了3个微型换能器激励和检测导波，它能方便、快捷的监测工程结构力学性能变化。9个弹性模量除C33和C44的检测误差为9.8%和12.5%外，其余检测误差均小于6.5%，表明该方法具有较高的精度。此外，整个弹性模量表征过程仅需0.003秒即可获得，因此，所提方法非常适合于复合材料力学性能的在线表征。
总结与展望
本研究通过频散曲线重构方法和ENet模型，提出了一种基于导波的复合材料力学参量在线监测方法。测量证明，该方法完成一轮弹性模量检测仅需0.003秒，该方法仅需要3个微型换能器就实现超声信号的激发与采集，对设备（飞行器、车辆等）结构力学性能与空气扰动影响小，非常适合设备的力学性能实时表征和寿命评估。
该工作得到国家自然科学基金、江苏省重点研发计划的支持。东南大学张辉教授为本工作的通讯作者，东南大学硕士生王胜、博士生罗志涛为论文的共同第一作者。
