基于物理神经网络的金属裂纹多尺度识别与扩展预测方法

摘要: 本发明属于断裂力学与计算机视觉交叉,具体涉及基于物理神经网络的金属裂纹多尺度识别与扩展预测方法。背景技术:1、随着当代工程技术体系的快速演进与工程实际应用的不断...
基于物理神经网络的金属裂纹多尺度识别与扩展预测方法

本发明属于断裂力学与计算机视觉交叉,具体涉及基于物理神经网络的金属裂纹多尺度识别与扩展预测方法。

背景技术:

1、随着当代工程技术体系的快速演进与工程实际应用的不断深化,工程结构日益呈现出高度复杂化与多元化的发展态势。这一趋势在显著提升结构性能的同时,也对结构的安全性、可靠性及长期服役性能提出了更为严苛的要求。尤其值得关注的是,工程结构在全寿命周期的服役历程中不可避免地会经受各类复杂载荷环境的考验,其中冲击载荷因其特有的短时高能特性、显著的力学非线性特征及其对结构破坏的突发性等特点而成为结构完整性领域研究中的重点与难点。近年来,伴随着我国航空航天事业的跨越式发展,冲击疲劳问题因其直接关系到飞行器的服役安全性与使用寿命,受到了学术界与工程界的共同高度关注。现代飞行器在服役过程中,需反复承受多种形式的冲击载荷,典型工况包括但不限于:起飞与降落阶段的着陆冲击、机构分离(如火箭级间分离、有效载荷释放)产生的瞬时动载荷、以及穿越大气湍流时引起的随机振动激励等。这些冲击载荷通过复杂的传递路径作用于飞行器主体与关键部件,不仅可能诱发微裂纹的萌生,更会加剧已有缺陷的扩展,从而对飞行器结构的完整性构成潜在威胁,影响其可靠性与耐久性,进而对飞行器的结构完整性构成难以预判的安全隐患。

2、从工程应用的角度考察,冲击疲劳现象广泛存在于航空航天领域的多个关键子系统中。典型工程实例包括:民用客机的起落架系统、舰载机着舰拦截系统、飞行器挂载装置,以及运载火箭的多级分离机构、可重复使用飞行器的着陆缓冲系统等工程应用场景。在重复冲击载荷的环境中,这些关键部件往往会表现出与传统疲劳载荷迥异的失效模式。相较而言,冲击疲劳呈现出若干显著的特征差异:第一,载荷作用时间极短,通常在毫秒甚至更小的量级,导致材料处于高应变率的动态响应状态,其本构行为与准静态加载时有显著差异;第二,冲击载荷的时频特性,如能量频谱分布特性,会显著影响损伤累积的演化速率与过程,不同频谱特性下的载荷导致的损伤演化路径也有明显区别;第三,在多次冲击下,材料因位错运动的改变可能出现循环硬化或软化,并伴随明显的应变率效应,使得损伤演化规律更为复杂。此外,随着结构向轻量化、微型化与功能集成化方向发展,冲击疲劳问题在多物理场耦合下的行为机制更加难以预测,这对建立精确的损伤演化模型提出了新的科学挑战。

3、以典型飞行器挂载系统为例,其结构一般由挂梁主体、转接机构与承载构件等子系统组成。在受载状态下,关键连接部位如挂钩啮合面、连接件及舱体与飞行器本体的对接区,往往因几何突变而形成应力集中区。在冲击载荷作用下,这些区域易产生复杂的非均匀应力场,进而诱发微裂纹的早期萌生。随后,在后续冲击循环中,微裂纹逐渐扩展为宏观裂纹,最终威胁结构的承载能力。因此,如何在复杂冲击载荷环境下,实现对结构(尤其是带缺口或连接部位)裂纹萌生与扩展行为的准确表征与寿命预测,已成为保障航空航天结构服役安全、实现寿命精准管理的核心技术瓶颈。目前预测裂纹扩展方法存在以下缺陷:

4、(1)微米级裂纹检出率低:传统yolo12因固定输入尺寸和下采样操作,导致微米级裂纹特征丢失。

5、(2)物理可解释性不足:纯数据驱动的裂纹扩展预测模型缺乏断裂力学约束,预测结果可能违背物理规律。

6、(3)预测不确定性无法量化:传统深度学习方法仅输出点预测值,无法给出裂纹扩展预测的置信区间,难以支撑工程安全决策。

7、(4)检测-预测割裂:现有方案中裂纹检测与扩展预测为两个独立环节,缺乏端到端的协同机制。

技术实现思路

1、针对现有技术中的上述不足,本发明提供的基于物理神经网络的金属裂纹多尺度识别与扩展预测方法解决了预测裂纹扩展方法存在的微米级裂纹检出率低、物理可解释性不足、预测不确定性无法量化和检测-预测割裂的技术问题。

2、为了达到上述发明目的,本发明采用的技术方案为:基于物理神经网络的金属裂纹多尺度识别与扩展预测方法,包括以下步骤:

3、s1、获取高分辨率的原始金属微裂纹图像,将其输入yolo-sahi协同检测框架进行裂纹检测,得到原始断口图像;

4、s2、将原始断口图像输入gan-vae的混合深度学习框架,通过对混合深度学习框架进行训练构建基础疲劳损伤判断模型;

5、s3、通过基础疲劳损伤判断模型获取被判别为冲击疲劳的断口图像,将其输入hhf-seg层次化特征融合分割网络,输出金属断口定量分析结果;

6、s4、将金属断口定量分析结果输入贝叶斯-物理信息神经网络,生成金属裂纹扩展预测结果。

7、进一步地:s1中,yolo-sahi协同检测框架的工作流程具体为:

8、s11、采用sahi方法对原始金属微裂纹图像进行处理,生成具有重叠区域的图像切片;

9、s12、将图像切片输入改进的yolo网络,获得各图像切片的检测结果;

10、s13、将各图像切片的检测结果进行坐标映射转换后,采用非极大值抑制算法对各图像切片的检测结果进行融合,去除重复检测框并转换回原始金属微裂纹图像的图像尺寸,输出全景检测裂纹定位信息,包括裂纹的位置、尺寸和置信度,从而得到原始断口图像。

11、进一步地:s11中,改进的yolo网络包括主干网络、颈部网络和检测头网络,主干网络分别与颈部网络和检测头网络连接;

12、主干网络包括依次连接的第一卷积层、第二卷积层、第一跨阶段部分网络模块、第三卷积层、第二跨阶段部分网络模块、第四卷积层、第三跨阶段部分网络模块、第四卷积层、第四跨阶段部分网络模块和空间金字塔快速池化模块;

13、颈部网络包括:

14、相互连接的第一下采样模块和第一拼接模块,其中,第一下采样模块的输入与第二跨阶段部分网络模块的输出连接,第一拼接模块的输出与第三跨阶段部分网络模块的输入连接;

15、相互连接的第一上采样模块和第二拼接模块,其中,第一上采样模块的输入与第三跨阶段部分网络模块的输出连接,第二拼接模块的输出与第二跨阶段部分网络模块的输入连接;

16、相互连接的第二下采样模块和第三拼接模块,其中,第二下采样模块的输入与第三跨阶段部分网络模块的输出连接,第三拼接模块的输出与第四跨阶段部分网络模块的输入连接;

17、相互连接的第二上采样模块和第四拼接模块,其中,第二上采样模块的输入与空间金字塔快速池化模块的输出连接,第四拼接模块的输出与第三跨阶段部分网络模块的输入连接;

18、检测头网络包括第一检测头、第二检测头和第三检测头,第一检测头的输入与第二跨阶段部分网络模块的输出连接,第二检测头的输入与第三跨阶段部分网络模块的输出连接,第三检测头的输入与第四跨阶段部分网络模块的输出连接。

19、进一步地:s2中,gan-vae的混合深度学习框架包括生成对抗网络和变分自编码器,其中,生成对抗网络包括生成器和判别器,生成器通过变分自编码器与判别器连接,生成器接收原始断口图像,进行图像生成以扩充数据集;判别器用于判别图像的类型。

20、进一步地:s2中,在对混合深度学习框架进行训练过程中,在生成器中引入自注意力机制来增强模型对图像中长程依赖与非局部特征交互的建模能力,在生成器中引入自注意力机制的方法具体为:

21、给定一个由中间特征图提取的特征矩阵,其中为空间位置总数,为图像高度,为图像宽度,为通道数,自注意力操作首先通过三个可学习的线性变换矩阵将特征矩阵分别映射为查询、键和值:

22、

23、式中,为第一线性变换矩阵,为第二线性变换矩阵,为第三线性变换矩阵,,通过计算查询与键的点积相似度,并经softmax归一化,得到注意力权重矩阵:

24、

25、式中,为键的维度,为softmax函数,为转置符号,注意力权重矩阵的每一个元素表示位置对位置的特征关注程度;

26、计算输出特征:

27、

28、为进一步约束生成图像在特征空间与真实分布的一致性,在对混合深度学习框架进行训练过程中,将自注意力机制与特征匹配损失相结合,特征匹配损失的表达式具体为:

29、

30、式中,为判别器层数索引,为生成器,为潜在噪声向量,为输入图像为真实图像的概率,为真实图像的分布,为事件发生的概率,为真实图像分布的数学期望。

31、进一步地:s3中,hhf-seg层次化特征融合分割网络包括依次连接的双分支编码器、特征交互模块和自适应特征融合解码器,双分支编码器包括改进segnet编码器和改进segformer编码器;

32、其中,改进segnet编码器包括依次连接的第一复合卷积模块‌、第一最大池化层、第二复合卷积模块、第二最大池化层、第三复合卷积模块和第三最大池化层;第一复合卷积模块包括串联的卷积核为 3×3 且膨胀率为2的第五卷积层、第一批归一化层和leakyrelu激活函数层,第二复合卷积模块和第三复合卷积模块的结构相同,均包括串联的卷积核为 3×3 的第六卷积层、卷积核为 3×3 的第七卷积层、卷积核为 3×3 的第八卷积层和第二批归一化层;

33、改进segformer编码器包括依次连接的重叠块嵌入层、第一编码器单元、第一重叠块合并层、第二编码器单元和第二重叠块合并层;第一编码器单元包括串联的第一mit模块、第二mit模块、第三mit模块和第一相对位置偏置层;第二编码器单元包括串联的第四mit模块、第五mit模块、第六mit模块、第七mit模块和第二相对位置偏置层;第一mit模块至第七mit模块的结构相同,均包括相互连接的高效自注意机制模块和混合前馈网络模块,

34、特征交互模块包括依次连接的第一交叉注意力融合层、第一上采样层、第二交叉注意力融合层、第二上采样层、第三交叉注意力融合层和第四交叉注意力融合层,其中,第一上采样层和第二上采样层均采用2倍上采样和空间注意力机制‌处理的组合操作;第一交叉注意力融合层的输入分别与第一复合卷积模块和重叠块嵌入层的输出连接,第二交叉注意力融合层的输入分别与第二复合卷积模块和第一编码器单元的输出连接,第三交叉注意力融合层的输入分别与第三复合卷积模块和第二编码器单元的输出连接,第四交叉注意力融合层的输入分别与第三最大池化层和第二重叠块合并层的输出连接;

35、自适应特征融合解码器包括相互连接的mlp层和分割头,mlp层的输入与第四交叉注意力融合层的输出连接。

36、进一步地:s4中,贝叶斯-物理信息神经网络的构建方法具体为:

37、s41、构建贝叶斯-物理信息神经网络的网络架构,网络架构采用多层前馈设计,以循环载荷次数为输入,裂纹长度为输出,通过以下方式实现物理约束的深度嵌入:

38、

39、式中,为第隐藏层的输出,为第隐藏层的输出,为第隐藏层的输出,为隐藏层总数,为第隐藏层的权重矩阵,为第隐藏层的偏差向量,为第隐藏层的偏差向量,为输入层的输出,为输入层的权重矩阵,为输入层的偏差向量,为gelu激活函数,为批归一化,为softplus激活函数,为平移因子,为缩放因子;

40、s42、构建贝叶斯-物理信息神经网络的混合损失函数:

41、

42、式中,为经验损失,为初始条件约束损失,为单调性约束损失,为曲率正则化损失,为速率正约束损失,为初始条件约束的自适应加权系数,为单调性约束的自适应加权系数,为曲率正则化的自适应加权系数,为速率正约束的自适应加权系数;

43、

44、式中,为第i次裂纹的预测长度,为第i次裂纹的真实长度,i为裂纹扩展次数索引,n为裂纹扩展总次数;

45、初始条件约束损失确保与实验裂纹成核点一致:

46、

47、式中,为最初裂纹的预测长度,为最初裂纹的真实长度;

48、单调性约束损失强制裂纹长度与循环次数不减:

49、

50、式中, 为取最大值,为第次裂纹的预测长度;

51、曲率正则化损失抑制裂纹演化中的非物理波动:

52、

53、式中,为第i次循环次数;

54、速率正约束损失保持物理上允许的裂纹扩展速率:

55、

56、式中,为第次循环次数;

57、在每轮训练迭代中,计算各物理约束损失关于网络参数的梯度范数,并据此动态更新自适应加权系数:

58、

59、式中,为第代第i个物理约束损失的自适应加权系数,为第代第i个物理约束损失关于网络参数的梯度范数,为第代第j个物理约束损失关于网络参数的梯度范数,为温度参数,为全局缩放因子;

60、s43、采用贝叶斯优化模型对数据集的利用率:为了量化模型认识不确定性,在输出层中加入贝叶斯线性层,并采用变分推断进行不确定性量化,假设权重和偏差服从高斯分布,则变分参数定义为:

61、

62、式中,为正态分布,表示权重的均值,表示权重的标准差,为权重的标准差的辅助参数,为偏置的均值,为偏置的标准差,为偏置的标准差的辅助参数;

63、对于为了进行正则化,参数分布通过引用最小化变分后验分布和先验分布之间的克劳克-莱布利尔散度来进行约束:

64、

65、式中,为变分后验分布的标准差,为变分后验分布的均值,为先验分布的标准差,正则化项加权后添加到混合损失函数中,得到贝叶斯损失函数:

66、

67、式中,为kl散度权重系数;

68、在预测阶段,通过蒙特卡洛采样计算置信区间:

69、

70、式中,为第s次采样的预测值,为第 s 次采样的模型前向传播,为采样次数索引,为采样总次数,为预测平均值,用于确定裂纹长度的预期估计值,为预测标准差,用于确定模型认识不确定性的量。

71、进一步地:s4中,贝叶斯-物理信息神经网络的不确定性量化方法采用变分推断对预测置信区间进行统计建模,变分全连接层嵌入在标准前馈神经网络中,网络参数的概率分布定义为:

72、

73、式中,表示网络层数,与分别表示层的平均向量和对角协方差矩阵对应的可学习变分参数;

74、网络参数先验分布的表达式具体为:

75、

76、式中,为第 l 层的权重矩阵服从均值为 、方差为的正态分布,为第 l 层的权重矩阵服从均值为 、方差为的正态分布,在上述分布中,构成可学习变分参数;

77、蒙特卡洛前向传播用于预测不确定性的定量评估,对于给定的输入,通过蒙特卡洛采样第 s 次采样的预测输出的表达式具体为:

78、

79、式中,为第 s 次采样的模型前向传播,为第 s 次从后验中采样的参数,为变分后验分布,利用样本统计量计算最终预测的均值和标准差:

80、

81、式中,基于标准差构造的95%置信区间为,其中对应标准正态分布的中位数。

82、本发明的有益效果为:

83、(1)在裂纹检测层面,本发明突破了传统yolo模型因固定下采样操作导致微米级萌生裂纹特征丢失的固有瓶颈,创新性地引入了切片辅助超推理(sahi)机制,构建了yolo-sahi协同检测框架。该框架并非将整张高分辨率图像直接输入网络,而是通过有重叠的切片划分策略对原始图像进行自适应分割,在各切片上独立执行高精度目标检测,再通过坐标映射与优化的非极大值抑制算法将检测结果全景重建。这一“分而治之”的策略有效放大了微小裂纹在特征图中的占比,使模型对0.1-1.0mm尺度微裂纹的检测成功率从70.6%跃升至91.7%,从根本上解决了小目标漏检这一长期困扰工程结构健康监测的核心痛点,为裂纹萌生阶段的早期预警提供了可靠的技术支撑。

84、(2)在物理一致性方面,本发明摒弃了纯数据驱动模型“黑箱”操作导致的物理不可解释性问题,构建了基于物理信息神经网络(pinn)的裂纹扩展预测框架。其核心创新在于将断裂力学的基本控制定律以正则化项的形式深度嵌入网络的损失函数之中,具体包括强制裂纹长度随循环次数单调不减的单调性约束、确保扩展速率始终为正的速率正约束,以及通过建立冲击能量与裂纹长度的映射关系间接引入的paris公式与动态应力强度因子k准则。这种物理约束设计使得模型在训练过程中不仅拟合实验数据,更学会遵循材料在冲击载荷下的真实力学响应规律,从而在试验数据稀疏或载荷工况外推等极端场景下,依然能够给出物理合理、趋势准确的预测结果,显著提升了模型的泛化能力与工程可信度。

85、(3)在系统集成层面,本发明创造性地提出了yolo-pinn混合框架,实现了视觉检测模块与物理预测模块的端到端协同,彻底打破了传统方法中“先检测、后预测”两阶段独立运行所导致的误差累积困境。该框架的核心机制在于引入了跨模态注意力对齐技术,在潜在特征空间中将计算机视觉提取的裂纹几何特征与位移场信息同物理信息神经网络所表征的断裂力学规律进行动态对齐与融合。同时,物理模型基于力学原理的预测结果可通过反馈回路反向指导视觉模块更聚焦于关键裂纹区域,形成一个持续优化的闭环系统。这种深度协同使得视觉检测的实时数据能够为物理模型提供在线校准,而物理规律又为视觉识别提供合理性校验,实现了精度与鲁棒性的双重提升。

86、(4)在工程环境适应性方面,本发明创新性地利用贝叶斯不确定性量化机制赋予模型抗污染判别能力,有效解决了传统检测系统在面对油污、划痕、锈迹、焊接飞溅等现场干扰物时误报率高的顽疾。其核心逻辑在于:当模型处理训练数据中从未出现的“污染”特征时,由于缺乏相应的先验知识,其认知不确定性会显著增大,表现为预测置信区间急剧展宽。基于这一特性,系统可设定不确定性判别阈值,当检测结果伴随有超出该阈值的高不确定性时,自动将其归类为“可疑非裂纹”而非直接判定为裂纹,从而实现真实缺陷与表面干扰物的智能区分。这种不确定度驱动的判别机制赋予了模型对“未知的未知”的识别能力,大幅提升了复杂工程现场的检测可靠性,为智能结构健康监测系统从实验室走向真实服役环境扫清了关键障碍。