基于CNN深度学习框架的玻纤复合材料层板损伤检测与残余承载力预测

摘要整理

卷积神经网络（CNN）的最新进展通过实现检测数据的自动特征提取和损伤评估，显著增强了无损检测（NDI）技术的能力。然而，标记数据集可用性有限、模型预测的不确定性以及异构实验数据的融合仍是关键挑战。本研究提出了一种基于红外热像数据的深度学习框架，用于自动化损伤检测和残余承载力预测。多任务CNN在包含7688张红外热像的数据集上进行训练，该数据集来自静态纯剪切试验，涵盖四种试样状态：原始试样、钻孔试样、30 mm贴片修复试样和50 mm贴片修复试样。数据集进一步整合了同步采集的载荷和位移测量数据，使模型能够同时学习损伤相关特征和载荷相关特征。所提出的CNN在统一架构中预测损伤百分比、损伤面积、残余载荷和试样类别。优化后的模型实现了高预测精度，R²值达0.997，RMSE和MAE值较低，在训练集、验证集和测试集上均表现出强泛化能力。与ResNet50、EfficientNetB0和DenseNet121等预训练模型进行了对比评估。不确定性量化结果表明预测具有高置信度。研究结果表明，基于CNN的热像分析是进行无损检测和残余性能评估的有前景方法。

相关论文