【技术实现步骤摘要】
本专利技术涉及一种裂纹滑移类型识别方法，尤其涉及一种基于神经网络和预训练原理的裂纹滑移类型识别方法。
技术介绍
1、裂纹识别技术是一种评估结构完整性并预测结构剩余使用寿命的关键技术，能够为结构安全性分析提供重要的数据支持。目前，传统的裂纹识别方法主要是针对裂纹的扩展阶段、位置和长度等参数进行识别。为了进一步提高裂纹识别精度，并对裂纹的滑移类型和走向等关键特征进行识别，有学者发展了矩张量理论。基于矩张量理论的裂纹反演方法是一种性能优异的裂纹动态扩展识别方法，该方法能够通过裂纹滑移激发的弹性波信号对裂纹的详细特征进行精确计算和识别，明确裂纹属于哪一类(剪切或者拉伸)裂纹，进而为裂纹扩展速度、裂纹区域应力/应变分布特征的分析提供详细的数据支持，实现结构损伤状况判断和剩余寿命准确评估。
2、现有基于矩张量理论的裂纹识别技术通过声发射信号的空间分布特征来求解裂纹的矩张量，进而通过矩张量的特征值和特征向量来计算相应裂纹的裂纹面滑移方向和法向方向。具体来说，现有方法通过在结构中布置传感器阵列，在结构中不同位置处记录相同裂纹面滑移激发的弹性波信号，提取每一段信号的初至波幅值。然后，根据简化格林函数来列写包含待求矩张量元素和已知位移幅值的矩张量求解公式。另外，公式中包含的材料参数(波速)和裂纹源-传感器连线方向余弦均可以通过前期测试或者裂纹源辅助定位技术来获取。因此，求解公式中只包含了未知矩张量元素。根据未知元素的数量，选择合适数量的传感器阵列接收信号，就可以求解得到裂纹滑移源对应的矩张量，进而可以通过张量特征值和特征向量分析求解获得
3、现有基于矩张量理论的裂纹识别技术的缺点是方法适用性较差。造成这一缺点的原因是基于矩张量理论的裂纹识别方法依赖准确的格林函数，即单位载荷激发的弹性波场的显示表达式。目前，只有简单模型(无限大弹性体和薄板结构)具有格林函数的显式表达式。对于具有复杂外形和材料的结构，求解显示表达的格林函数非常困难，导致现有基于矩张量理论的裂纹识别方法只能应用于简单结构形式当中。
技术实现思路
1、专利技术目的：本专利技术目的是提出一种基于神经网络和预训练原理的裂纹滑移类型识别方法，直接通过数据驱动原理拟合弹性波场特征与裂纹滑移等效矩张量的映射关系，解决复杂结构中裂纹面滑移等效矩张量求解和类型识别的问题。
2、技术方案：本专利技术包括以下步骤：
3、s1：根据真实对象结构的几何特征和材料参数，建立数值计算模型；
4、s2：在数值模型中，添加裂纹源，并设置裂纹的尺寸、位置和类型；
5、s3：在数值模型中，添加计算结果输出位置，输出位置分别对应真实对象结构中传感器的布置位置；
6、s4：使用数值模型，计算裂纹滑移/扩展激发的弹性波场，输出s3设定位置处的弹性波时域信号曲线，拾取各个位置处信号曲线的幅值；
7、s5：重复步骤s2-s4，随机改变裂纹的类型，保持其他参数不变，计算不同裂纹类型对应的信号幅值，建立裂纹类型特征参数-信号幅值的数据集；
8、s6：设计输入层、中间层和输出层的神经元数量；
9、s7：将s5获得的裂纹类型-信号幅值数据集划分为训练、测试和验证数据集，训练神经网络模型；
10、s8：评估训练结果，获得裂纹滑移类型识别模型。
11、所述建立数值计算模型，具体为：
12、测量真实对象结构的几何形状和尺寸，建立数值计算模型；
13、对模型进行优化，删除结构上不影响弹性波传播的次要结构；
14、对结构上的装饰和保型结构进行删除；
15、获得对象结构的材料参数，并将参数赋予对应的数值计算模型。
16、所述添加裂纹源，具体包括如下步骤：
17、根据真实对象结构的应力应变分布特征，确定裂纹发生的可能位置；
18、裂纹的滑移类型通过随机选取裂纹面滑移向量和法向向量确定；
19、裂纹尺寸根据测试对象的初始裂纹特性选择一个常值。
20、所述添加计算结果输出位置，具体为：
21、根据真实对象结构上传感器的位置，为数值模型设定信号输出位置，输出位置与传感器位置完全相同；
22、根据真实对象结构上传感器的敏感方向，设定输出的位移分量。
23、所述拾取各个位置处信号曲线的幅值，具体包括：
24、使用数值方法计算信号输出位置处，沿传感器敏感方向的位移曲线；
25、根据位移曲线数据的切线斜率提取信号的位移幅值；
26、将所有信号输出位移处的位移幅值，按照顺序排列成列向量；
27、根据设定的裂纹滑移向量和法向向量计算裂纹的等效矩张量，分解矩张量获得各向同性成分、双力偶成分和补充线性向量偶极子成分的占比，将三个占比组成列向量，该占比列向量为裂纹类型特征参数；
28、将位移幅值列向量和矩张量三种基本成分占比组合在一起，组成训练数据对，其中，位移幅值列向量是模型输入参数，矩张量三种基本成分占比是模型输出参数。
29、所述建立裂纹类型特征参数-信号幅值的数据集，具体包括：随机选设定裂纹面滑移向量和法向向量；存储每一组位移幅值列向量-占比列向量数据对，组成数据集。
30、所述输入层、中间层和输出层的神经元数量基于前馈神经网络模型设计。
31、所述设计输入层、中间层和输出层的神经元数量，具体包括：
32、使用双层前馈神经网络，根据传感器数量设计输入层神经元数量，输出层神经元数量与传感器数量/信号输出位置数量相等；
33、对于双层前馈神经网络，隐含层包含的神经元数量不少于3个；
34、对于双层前馈神经网络，分别输出裂纹矩张量分解的各向同性、双力偶和补充线性向量偶极子成分的占比，依次对应占比列向量的三个元素。
35、所述训练神经网络模型；具体为：
36、将位移幅值列向量-矩张量分解基本成分占比列向量数据集按照比例分为训练数据集、测试数据集和验证数据集；
37、使用训练数据集训练前馈神经网络；
38、使用测试数据集测试训练得到的前馈神经网络的性能，使用验证数据集验证神经网络的性能。
39、所述评估训练结果，具体为：
40、分析训练、测试和验证过程中的数据相关系数r值；
41、若模型预测精度符合要求，则输出模型参数并获得可用的预测模型；若模型预测精度不符合要求，则返回步骤s6，通过修改中间层的神经单元数量，对神经网络模型进行训练、测试和评估，并分析预测精度。
42、有益效果：本专利技术使用数值模型模拟裂纹面滑移激发的弹性波场，建立弹性波场-矩张量训练数据集，并使用数据集训练神经网络模型，获得能够应用于特定结构的裂纹识别方法；该方法不依赖于格林函数的显式表达式，直接通过数据驱动原理拟合弹性波场特征与裂纹滑移等效矩张量的映射关系，解决复杂结本文档来自技高网...
【技术保护点】
1.一种基于神经网络和预训练原理的裂纹滑移类型识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于神经网络和预训练原理的裂纹滑移类型识别方法，其特征在于，所述建立数值计算模型，具体为：
3.根据权利要求2所述的一种基于神经网络和预训练原理的裂纹滑移类型识别方法，其特征在于，所述添加裂纹源，具体包括如下步骤：
4.根据权利要求3所述的一种基于神经网络和预训练原理的裂纹滑移类型识别方法，其特征在于，所述添加计算结果输出位置，具体为：
5.根据权利要求4所述的一种基于神经网络和预训练原理的裂纹滑移类型识别方法，其特征在于，所述拾取各个位置处信号曲线的幅值，具体包括：
6.根据权利要求5所述的一种基于神经网络和预训练原理的裂纹滑移类型识别方法，其特征在于，所述建立裂纹类型特征参数-信号幅值的数据集，具体包括：随机选设定裂纹面滑移向量和法向向量；存储每一组位移幅值列向量-占比列向量数据对，组成数据集。
7.根据权利要求6所述的一种基于神经网络和预训练原理的裂纹滑移类型识别方法，其特征在于，所述输入层、
8.根据权利要求7所述的一种基于神经网络和预训练原理的裂纹滑移类型识别方法，其特征在于，所述设计输入层、中间层和输出层的神经元数量，具体包括：
9.根据权利要求8所述的一种基于神经网络和预训练原理的裂纹滑移类型识别方法，其特征在于，所述训练神经网络模型；具体为：
10.根据权利要求9所述的一种基于神经网络和预训练原理的裂纹滑移类型识别方法，其特征在于，所述评估训练结果，具体为：
...【技术特征摘要】
1.一种基于神经网络和预训练原理的裂纹滑移类型识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于神经网络和预训练原理的裂纹滑移类型识别方法，其特征在于，所述建立数值计算模型，具体为：
3.根据权利要求2所述的一种基于神经网络和预训练原理的裂纹滑移类型识别方法，其特征在于，所述添加裂纹源，具体包括如下步骤：
4.根据权利要求3所述的一种基于神经网络和预训练原理的裂纹滑移类型识别方法，其特征在于，所述添加计算结果输出位置，具体为：
5.根据权利要求4所述的一种基于神经网络和预训练原理的裂纹滑移类型识别方法，其特征在于，所述拾取各个位置处信号曲线的幅值，具体包括：
6.根据权利要求5所述的一种基于神经网络和预训练原理的裂纹滑移类型识别方法，其特征在于...
【专利技术属性】
技术研发人员：孔岳，马厚标，李桥忠，康振航，
申请(专利权)人：江苏科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。