一种基于数据与物理双驱动声时预测网络的各向异性CFRP层合板全聚焦成像方法

本发明属于无损检测与机器学习交叉，尤其涉及一种基于数据与物理双驱动声时预测网络的各向异性cfrp层合板全聚焦成像方法。

背景技术：

1、碳纤维增强树脂基复合材料（cfrp）因其优异的比强度、比刚度和耐疲劳性能，在航空航天、汽车及能源装备等高端制造领域得到了广泛应用。然而，在制造和服役过程中，cfrp层合板内部易产生分层、孔隙、夹杂等缺陷，对结构安全构成严重威胁。超声全聚焦相控阵成像（total focusing method, tfm）作为一种先进的无损检测技术，通过对全矩阵捕获（fmc）数据进行延时相干叠加，能够实现对内部缺陷的高分辨成像。

2、在执行tfm成像时，核心前提是精准获取超声波从各个发射阵元、经成像网格点散射后返回接收阵元的全局飞行时间（time of flight, tof）。由于cfrp层合板具有显著的多层各向异性特征，超声波在其中的传播存在复杂的方向依赖性和层间界面折射现象。为了修正各向异性和层间折射对成像带来的影响，使用传统的基于dijkstra的射线追踪法算法计算声时。然而，传统算法存在两大缺陷：第一，计算效率低下，对于高频密度的成像网格和庞大的阵元组合，逐点、全阵元的全局声时场计算耗时极长；第二，精度受限导致成像信噪比低，受限于离散网格的分辨率，传统算法生成的声时场存在一定的误差。这种误差会导致tfm相干叠加时发生相位的破坏性干涉，使得背景杂波凸显，严重降低缺陷成像的信噪比。

3、近年来，深度学习技术被引入无损检测领域，传统的纯数据驱动网络（如纯多层感知机mlp）缺乏物理定律的约束，其模型本质上只是对含有离散网格误差的dijkstra计算声时为样本进行了过拟合。因此，亟需一种全新的计算机制。

技术实现思路

1、为解决上述技术问题，本发明提出了一种基于数据与物理双驱动声时预测网络的各向异性cfrp层合板全聚焦成像方法，以解决上述现有技术存在的问题。

2、为实现上述目的，本发明提供了一种基于数据与物理双驱动声时预测网络的各向异性cfrp层合板全聚焦成像方法，包括：

3、采用射线追踪算法计算各向异性cfrp层合板中各阵元的全场声时，从全部阵元的所述全场声时中提取部分阵元的声时作为稀疏样本；

4、构建数据与物理双驱动声时预测网络，利用所述稀疏样本对所述数据与物理双驱动声时预测网络进行训练，直至网络收敛，得到声时预测模型；

5、获取全矩阵捕获数据，将全矩阵阵元的坐标和全空间成像网格的坐标输入所述声时预测模型，得到全矩阵阵元至全空间成像网格的声时场，根据所述声时场从所述全矩阵捕获数据中索引各收发阵元组合的信号幅值并进行延时叠加，生成各向异性cfrp层合板的全聚焦图像。

6、可选的，从全部阵元的所述全场声时中提取部分阵元的声时作为所述稀疏样本的过程包括：

7、从全部阵元中选取部分发射阵元；对每个选取的发射阵元，在其全场成像网格中随机抽取空间网格点的声时数据，合并各选取发射阵元抽取的声时数据，得到所述稀疏样本。

8、可选的，根据所述稀疏样本划分训练集、验证集和测试集，所述声时预测模型的输入特征和输出预测声时均采用z-score标准化方法进行归一化处理，所述z-score标准化方法的归一化参数根据所述训练集的稀疏样本统计得到。

9、可选的，所述声时预测模型的输入特征为归一化后的三维输入特征向量，所述三维输入特征向量由一维的发射阵元水平物理坐标及二维的成像网格点空间物理坐标拼接构成。

10、可选的，所述数据与物理双驱动声时预测网络包括主干全连接分支和跳跃连接分支，所述主干全连接分支用于对输入数据进行多层全连接非线性变换，输出非线性特征向量；所述跳跃连接分支用于将输入层数据经线性映射后跨层前馈，与所述非线性特征向量进行逐元素相加融合，融合后的特征经线性变换后输出预测声时。

11、可选的，利用所述稀疏样本对所述数据与物理双驱动声时预测网络进行训练的过程包括：

12、根据所述数据与物理双驱动声时预测网络输出的预测声时与所述稀疏样本的差异确定数据损失，根据各向异性程函方程的残差确定物理损失，以所述数据损失和所述物理损失的加权和作为总体损失函数，通过反向传播更新网络权重，直至网络收敛；所述数据损失采用均方误差函数计算。

13、可选的，所述物理损失根据各向异性程函方程构建，所述各向异性程函方程以声时在水平方向和深度方向的两个空间偏导数平方和等于各向异性相速度平方的倒数为约束条件；

14、所述物理损失为各采样点处所述各向异性程函方程等号两侧项之差的平方和除以采样点总数。

15、可选的，获得各采样点对应的所述各向异性相速度的过程包括：

16、根据采样点的声时在水平方向和深度方向的两个空间偏导数计算反正切值，得到该采样点处的波阵面法向夹角；

17、提取该采样点的深度坐标，根据所述深度坐标确定该采样点所属的cfrp铺层序列编号，根据所述铺层序列编号对应的铺层角度调取该铺层对应的各向异性刚度矩阵；

18、根据所述各向异性刚度矩阵求解christoffel方程，生成该铺层下相速度随波阵面法向夹角变化的离散参考曲线；

19、根据所述波阵面法向夹角从所述离散参考曲线中查找匹配，得到该采样点对应的各向异性相速度。

20、可选的，根据所述声时场从所述全矩阵捕获数据中索引各收发阵元组合的信号幅值并进行延时叠加的过程包括：

21、对成像网格中的任一像素点，利用所述声时预测模型分别计算发射阵元至该像素点的理论时间和该像素点至接收阵元的理论时间，将两者相加得到该收发阵元组合的总理论飞行时间；

22、根据所述总理论飞行时间从所述全矩阵捕获数据中索引对应的信号幅值；

23、遍历所有发射阵元和接收阵元组合，将索引得到的各信号幅值进行相干叠加后取幅值模量，生成全聚焦图像。

24、与现有技术相比，本发明具有如下优点和技术效果：

25、本发明提出一种基于数据与物理双驱动声时预测网络（dp-tofnet）及全聚焦成像方法，优化了传统依赖离散网格的射线追踪算法。该方法通过构建数据驱动和物理驱动双驱动训练网络，一方面，加速了基于dijkstra射线追踪法在多阵元计算声时的效率，另一方面将各向异性程函方程引入网络，使得声时重建具有物理意义，减少了射线追踪的误差，提升了成像质量，整体在精度和效率上都具有显著优势，为各向异性cfrp层合板的tfm成像提供有力支撑。

1.一种基于数据与物理双驱动声时预测网络的各向异性cfrp层合板全聚焦成像方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于数据与物理双驱动声时预测网络的各向异性cfrp层合板全聚焦成像方法，其特征在于，

3.根据权利要求1所述的基于数据与物理双驱动声时预测网络的各向异性cfrp层合板全聚焦成像方法，其特征在于，

4.根据权利要求3所述的基于数据与物理双驱动声时预测网络的各向异性cfrp层合板全聚焦成像方法，其特征在于，

5.根据权利要求1所述的基于数据与物理双驱动声时预测网络的各向异性cfrp层合板全聚焦成像方法，其特征在于，

6.根据权利要求1所述的基于数据与物理双驱动声时预测网络的各向异性cfrp层合板全聚焦成像方法，其特征在于，

7.根据权利要求6所述的基于数据与物理双驱动声时预测网络的各向异性cfrp层合板全聚焦成像方法，其特征在于，

8.根据权利要求7所述的基于数据与物理双驱动声时预测网络的各向异性cfrp层合板全聚焦成像方法，其特征在于，

9.根据权利要求1所述的基于数据与物理双驱动声时预测网络的各向异性cfrp层合板全聚焦成像方法，其特征在于，