基于深度学习和时间反演的复合材料内扩展性损伤重建

复合材料可以获得比单一材料更高的强度、刚度和耐用性,在航空航天、汽车、船舶和建筑等领域中得到了广泛应用。然而,复合材料在制备或使用过程中,可能会产生空洞、裂缝等损伤,这些损伤通常具有连续且不规则的形状,因此实时且准确地重建损伤的形状具有重要意义。基于复合材料电磁逆散射成像方法分别研究了时间反演算法和深度学习中的U-Net算法在解决该问题上的效果,并在此基础上提出了TR-Unet算法,该算法利用多个源时间反演的结果作为模型的输入来预测检测区域的实际相对介电常数分布,进而重构出损伤的形状。然后,对该算法的应用效果进行了检验,试验结果表明,相较于另外两种方法,TR-Unet方法在形状相似度和轮廓细节的准确性上均有显著提升。

基于时间反演的无损检测成像初探

时间反演理论自上世纪90年代提出就引起了研究人员的兴趣,于2004年由声学拓展到电磁学,并被应用于无损检测、通信和医疗成像等多个领域。文中微波的时间反演多信号分类法被首次用于介质材料的无损检测,通过测量电磁波分别在有损样本和标准无损样本传播的信道响应,并取其差值获得用信道响应矩阵表示的样本缺陷对电磁波的散射作用,进而利用特征值分解对信道响应进行降维,并根据已知信道格林函数进行成像。根据在时域有限积分软件的仿真结果可知,该方法能够分辨样品中尺寸远小于波长的单个微小缺陷,且误差较小,是一种超分辨率的方法。