基于能量图谱和孪生网络的导波损伤诊断方法

由于导波损伤诊断方法在碳纤维增强复合材料(carbon fiber reinforced polymer,简称CFRP)损伤监测领域的结构不确定性和专家经验缺乏,提出了一种基于能量图谱和孪生卷积神经网络(convolutional neural networks,简称CNN)的导波损伤识别和定位方法。以导波监测网络的能量图谱作为模型的学习样本,消除样本标签质量对专家水平的严重依赖,同时为深度学习模型提供丰富的有效信息。设计了权值共享的孪生网络以避免模型参数过多导致的过拟合现象,并利用CNN和长短记忆网络自动挖掘导波信号的高层特征。此外,对深度学习模型提取的特征进行可视化分析并讨论其物理意义,为解释神经网络的工作原理提供基础。实验结果表明,该方法在考虑结构不确定性的情况下,损伤识别和损伤定位的准确率分别达到88%和85%,相较于基于专家经验的传统方法优势明显。     

基于CFD的地面颤振模拟试验非定常气动力重构方法研究

为满足地面颤振模拟试验中气动力计算的实时性以及插值点数量要求,提出一种基于计算流体力学(computational fluid dynamics, CFD)的非定常气动力重构方法。首先,通过模态激励的方式建立广义坐标下的气动力降阶模型(reduced order model, ROM),提高气动力计算效率;然后,利用提出的物理坐标与广义坐标物理量的转换关系将模型转换至物理坐标下,并基于优化算法对插值点进行缩聚处理;最终,采用标准模型AGARD445.6对建立的非定常气动力进行仿真。分析结果表明,基于重构的气动力模型获得的颤振边界与计算流体力学/计算固体力学(computational fluid dynamic/computational solid dynamic, CFD/CSD)直接耦合及风洞试验结果吻合较好,证实了该方案的可行性。     

2024-T42铝合金低中应变率力学性能及本构关系

为研究2024-T42铝合金的低中应变率力学性能和本构关系,采用电子万能实验机和高速液压伺服材料实验机,进行常温下2024-T42铝合金准静态、低中应变率拉伸实验,得到材料在不同应变率下的应力-应变曲线。考虑颈缩对真实应力-真实应变的影响,采用仿真反演方法对颈缩后的真实应力-真实应变曲线进行修正,并基于Johnson-Cook本构模型进行拟合。结果表明:2024-T42铝合金在低中应变率范围的率敏感性较弱;但具有较强的应变硬化效应;基于仿真分析的反演修正方法能较好重构材料颈缩点后的真实应力-真实应变曲线;并通过铝管压溃实验和仿真分析,验证了反演修正方法的合理性和所获本构模型参数的准确性。     

考虑屈曲的复合材料加筋壁板铺层顺序优化

提出了一种考虑屈曲的复合材料加筋壁板铺层顺序优化方法。基于复合材料加筋壁板屈曲载荷求解的能量法,系统推导了轴压载荷作用下复合材料加筋壁板蒙皮、筋条局部屈曲载荷的显示表达式,考虑了加筋壁板各板元之间的弹性支持作用及筋条下缘条的影响,引入工程法求解了加筋壁板整体屈曲载荷。基于国产自主结构分析软件HAJIF中的复合材料铺层工程数据库,以铺层参数为中间变量,利用本文提出的复合材料加筋壁板屈曲载荷求解方法,构建了考虑屈曲的复合材料加筋壁板铺层顺序优化设计流程并完成程序实现,将最小二乘法用于最优铺层顺序与工程铺层数据库的匹配。相比于传统有限元计算方法,本文提出的复合材料加筋壁板屈曲载荷求解方法具备较好的求解精度及求解效率。复合材料加筋壁板优化算例表明,采用本文提出的加筋壁板屈曲载荷分析及其优化方法,在结构重量不变的前提下,屈曲载荷提高约17%,且铺层顺序优化结果可直接从铺层工程数据库中提取并用于工程实际。      

导波受载荷影响补偿的深度学习神经网络方法

针对基于导波的结构健康监测（structural health monitoring，简称SHM）中急需解决的环境载荷影响问题，开展碳纤维复合材料板结构与加筋结构载荷影响实验，研究了载荷对导波的影响规律。在此基础上，提出了一种基于深度学习神经网络的载荷补偿方法，该方法通过建立补偿标准，对网络结构及网络参数进行设计，有效减少了参考信号存储，实现了大范围载荷补偿。通过实验数据验证了该方法的有效性，结果表明，在补偿范围0~90 MPa内，补偿精度达到-20 dB。将补偿方法结合损伤成像方法应用在碳纤维复合材料板结构的损伤监测，结果表明，补偿前无法实现损伤定位，补偿后损伤定位误差≤0.9 cm，有效提高了载荷影响下的损伤诊断可靠性。     

基于改进Mask⁃RCNN的飞行器结构裂纹自动检测方法

计算机视觉的裂纹自动识别算法在飞机结构疲劳试验中具有较好的工程应用前景,但由于飞机结构构型多样及疲劳试验环境复杂,传统方法的裂纹识别准确率难以满足要求。针对此问题,设计了一种基于关键结构定位的检测策略,并以目标分割算法掩码-区域卷积神经网络(Mask-region convolutional neural network,简称MaskRCNN)为基础对模型架构和非极大值抑制模块进行了适应性改进,提出了一种裂纹自动识别方法。该方法具有主动避开干扰因素、对图片质量要求较低的特点,同时利用Mask-RCNN将像素信息引入参数优化的特性,具备更高的识别准确率。在元件疲劳试验中,该方法对铆钉、裂纹的识别准确率分别为100%和87.5%,相较于现有方法优势显著。     

基于BF-Net与孪生分差的飞机结构裂纹检测方法

针对目前飞机结构疲劳试验损伤检测中计算机视觉识别模型面临的主要问题是如何从同为毫米级的表面纹理、划痕、污迹中识别出疲劳裂纹，提出了基于双向融合网络（bidirectional fusion network，简称BF-Net）和孪生分差的飞机结构裂纹检测方法。首先，采用分级检测策略，提取出可能出现裂纹的重点区域；其次，设计面向微小目标识别的BF-Net，通过自上而下和自下而上的特征融合操作从区域图像中自动获取高质量的裂纹特征信息；最后，采用孪生分差法，基于重点区域的自身特征信息以及与模板间的特征差异信息来综合判别裂纹。试验结果表明，该方法能够实现对微小裂纹的精确检测，为飞机结构疲劳试验中裂纹的自动化检测提供了有效的技术途径。