人工神经网络和电阻抗谱法压电材料快速表征

压电材料作为重要的功能材料,广泛应用于社会的各领域,但其弹性常数的偏差会导致应用过程中出现错误的设计,弹性常数的正确表征对压电器件的正确设计尤为重要。与其他测量方法相比,电阻抗谱仅需要阻抗分析仪即可实现测量,通过测量阻抗谱反演获得压电材料的弹性常数。传统电阻抗谱法通过不断修正材料参数,使得测量阻抗谱和计算阻抗谱最大程度吻合,该过程需要多次迭代,计算量大,耗时较长。该文提出采用神经网络建立阻抗谱到弹性常数的正向模型,测量得到阻抗谱后仅需一次正向计算即可得到弹性常数。使用Comsol和Matlab联合仿真建立数据集,引入丢弃法避免模型过拟合,利用Pytorch建立模型,经过训练后,最大谐振频率偏差从初始2.8%降至0.8%。该技术为压电材料弹性常数精密测量提供可靠的理论与实践途径。

基于EIS-SVM的飞机复合材料健康监测研究

针对复合材料异常检测或健康监测的问题,对电阻抗谱法与支持向量机相结合应用于飞机复合材料构件健康监测进行了研究。制作了同面2电极传感器和两块碳纤维复合材料样板,设计实验电路测量了两个碳纤维被测样本的电阻抗谱,提取了不同类型的电阻抗特征参数;在Matlab软件平台上利用支持向量机对复合材料健康状态进行辨识,并比较分析了不同类型特征参数下的支持向量机辨识准确率。结果表明,相比于Cole-Cole曲线分段各段电阻抗实部或虚部幅值的平均值和频率——实部或虚部曲线分段线性拟合斜率,选取复合材料样板的Cole-Cole曲线分段线性拟合斜率作为特征参数时,支持向量机具有更高的健康状态辨识准确率。初步实验表明,支持向量机与电阻抗谱法结合起来进行飞机复合材料构件的健康监测是可行的。