[发明专利]基于U-net神经网络模型的CFRP损伤检测方法

说明书

本发明公开了一种基于U‑net神经网络模型的CFRP损伤检测方法，涉及电学层析成像领域，包括以下步骤：测量CFRP层压板的边界电压；建立GRU网络预处理模块，通过GRU网络预处理模块处理边界测量电压获取CFRP损伤预处理图像；构建真实损伤分布的图像标签数据集；建立U‑net网络预处理模块，通过U‑net网络特征提取模块训练预处理图像和真实损伤分布图像之间的非线性关系，从而得到CFRP损伤检测模型；根据所述的CFRP损伤检测模型来预测损伤的位置和大小。本发明基于U‑net神经网络的CFRP损伤检测模型，相比传统的检测算法，可提高损伤检测的准确性，快速性。

技术领域

本发明涉及CFRP损伤检测领域，特别涉及一种基于U-net神经网络模型的CFRP损伤检测方法。

背景技术

碳纤维复合增强材料(CarbonFiberReinforcedPolymer，CFRP)具有强度高、重量轻、高温稳定性好、化学耐久性好等优点，因此被广泛的应用于航空航天、汽车制造和军工产品等领域。但在CFRP的制造和使用过程中，可能会产生细微的损伤，如冲击、裂纹、分层等损伤，这将使得复合材料的安全性和性能难以得到保证。因此，如何快速准确的检测CFRP的损伤具有重要意义。EIT(electrical impedance tomography)技术是一种检测被测区域内部电导率分布的电学检测技术，具有无损、非入侵、成本低的优点。由于碳纤维复合材料具有导电性，因此EIT技术可以应用于CFRP损伤检测。在EIT中，电流注入一个电极，相邻电极接地，从而可以从其他电极测得相应的差分电压，然后重建物质的所有空间分布信息。利用EIT重建图像的过程可拆解成正问题和反问题。正问题是在给定的几何形状、假定的电导率分布和边界条件下得到电场。反问题是通过最小化计算和测量的电压值信号之间的差异来估计电导率分布。图像重建可以通过求解正问题和逆问题得到。由于电流的扩散传播和测量次数的限制，EIT具有软场特性。EIT图像重建是一个病态欠定问题。因此，正则化方法是求解逆问题的有效策略，可分为迭代法和非迭代法。例如，传统迭代法有LBP、D-bar和截断奇异值分解法等；非迭代法有Landwerber、Newton-Raphson和ConjugateGradient等。然而，迭代过程容易陷入局部解，在图像重建过程中会丢失大量的数据，导致重建图像的质量较低。近年来，利用深度学习求解逆问题已成为趋势，这为图像重建提供来一个很有前景的方向。它可以映射输入和输出之间的关系，而不是直接求解反问题。许多研究将深度学习应用域图像重建，如医学分割、图像去噪和电学层析成像等。

发明内容

本发明提出来一种基于U-net神经网络模型的CFRP损伤检测方法，避免了EIT正问题中灵敏度矩阵的计算和反问题的线性化。根据所建立的模型，可以得到测量电压与电场电导率分布之间的非线性关系，解决了传统算法计算量大，检测准确性低，速度慢的问题。

为了达到上述目的，本发明采取了以下技术方案：一种基于U-net神经网络模型的CFRP损伤检测方法，包括以下步骤：

A.测量碳纤维复合板场域的边界电压；

B.建立GRU网络预处理模块，通过GRU网络预处理模块处理边界测量电压获取CFRP损伤预处理图像；

C.构建真实损伤分布的图像标签数据集；

D.建立U-net网络特征提取模块，通过U-net网络特征提取模块训练预处理图像和真实损伤图像标签之间的非线性关系，得到CFRP损伤检测模型；

E.根据得到的CFRP损伤检测模型对预处理图像损伤进行损伤预测。

步骤A包括：

A1.将16个铜质电极均匀分布在被测场域的四周，通过电流源施加激励电流，通过相邻激励和相邻测量的方式获取边界测量电压数据；

A2.将边界测量电压作为训练样本的输入和真实分布图像作为训练样本的输出，输入GRU网络预处理模块，得到预处理图像。