利用基于非线性超声信息的并行多分支卷积神经网络，实现对亚毫米级裂纹的精确检测与表征

《Engineering Applications of Artificial Intelligence》：Accurate detection and characterization of sub-millimeter cracks using nonlinear ultrasonics-informed parallel multi-branch convolutional neural network

微裂纹检测与深度学习结合的非线性超声方法提出多分支卷积神经网络模型，通过实验与有限元分析建立裂纹参数与超声信号关系，利用分支特定核和解耦层实现深度、长度、方向的同步高精度检测，验证模型在噪声下的鲁棒性（准确率>90%）和可解释性。

　　

卢旺|郑盼琪|丁向阳|胡宁|毕晓阳|张翰|赵立斌

河北工业大学机械工程学院，天津，300401，中国

摘要

传统的超声检测方法难以检测亚毫米级裂纹并识别其多种特征。为了克服这些限制，本研究提出了一种并行多分支卷积神经网络（PMCNN），能够同时准确地检测亚毫米级裂纹的深度、长度和方向。该人工智能（AI）创新之处在于PMCNN具有针对不同分支的核函数和跨任务隔离层，可以有效分离重叠的非线性超声信号。首先，对微裂纹样本进行了超声无损检测，以获取验证有限元（FE）模型和PMCNN所需的关键数据。随后建立了FE模型，系统分析深度、长度和方向对信号的影响，并生成了用于PMCNN训练的全面数据集。其主要工程应用是通过实际检测信号的实验验证，为复杂操作环境中的微裂纹定量评估提供有效解决方案。结果表明，虽然谐波幅度与单个参数的变化相关，但在多参数条件下其敏感性显著降低。可解释性分析证实了每个分支网络的独特特征选择性，而混合数据训练策略在噪声条件下仍保持高达90%的准确率。实验验证表明，所提出的方法性能稳定可靠，将先进的AI技术与实际的结构健康监测需求相结合。

引言

工程部件的结构完整性对于防止灾难性故障和确保人员及设备的安全至关重要。在各种失效机制中，微裂纹是主要的引发因素，它们在应力作用下会迅速扩展，如果未能及时发现和处理，可能导致突然的、意外的失效。因此，早期检测和准确表征微裂纹对于保持工程结构的可靠性和寿命至关重要。

微裂纹的危害潜力与其空间分布特性密切相关。位于应力集中区（如焊缝热影响区和几何不连续处）的微裂纹具有更高的扩展风险（Farahmand和Aliabadi，2002年）。裂纹生长速率与裂纹长度呈幂律关系，即使是很小的测量偏差也可能导致剩余疲劳寿命预测的显著误差，误差可能达到几个数量级（Carpinteri和Montagnoli，2020年；Giannella，2022年）。更为严重的是，当裂纹平面与主应力方向之间的角度超过45°时，裂纹会朝向最大主应力方向偏移，从而显著加速失效过程（Lin等人，2024年；Yang等人，2012年）。目前的微裂纹无损检测（NDT）方法包括机器视觉（Teo等人，2020年；Qian等人，2020年）、超声红外热成像（Ding等人，2023年；Park等人，2014年）、声发射（Seemuang，2023年）、激光超声（Sampath和Sohn，2023年）、涡流检测（Zhang等人，2024a、2024b、2024c）和非线性超声（Wang等人，2020年；Sun等人，2020a）。其中，Zhang等人（2020a、2020b）在检测表面和近表面微裂纹方面取得了显著进展，成功识别了之前难以有效评估的亚毫米级表面裂纹。准确检测表面微裂纹为评估结构部件的疲劳寿命提供了关键信息。然而，为了确保结构安全，检测范围必须从部件表面扩展到其内部。因此，有效识别和精确表征材料内部的潜在亚毫米级裂纹是结构健康监测领域迫切需要的关键能力。在这方面，非线性超声检测展现了独特的优势。该技术不仅对微观内部损伤具有高敏感性，还具有出色的穿透能力。当与提供广泛检测覆盖范围和高操作效率的相控阵系统结合使用时，它为检测和表征材料内部的亚毫米级裂纹提供了有前景的解决方案。

随着检测技术和计算能力的进步，检测技术已经从手动检查转变为智能识别。早期使用浅层神经网络的方法在小规模人工缺陷数据集上表现出令人满意的分类性能（Margrave等人，1999年；Masnata和Sunseri，1996年；Burch和Bealing，1986年；Bettayeb等人，2004年；Simas等人，2013年；Cruz等人，2017年；Drai等人，2002年），但存在耗时的手动特征提取和易受无关特征影响的问题。深度学习通过实现自动化特征提取和在大型数据集上的稳健性能有效解决了这些限制（Luo等人，2019年；Chapon等人，2021年；Munir等人，2018年）。特别是卷积神经网络（CNN）不仅具有强大的泛化能力和自适应特征提取能力，还在抑制噪声干扰和减轻信号失真方面具有优势（Zhang等人，2018年、2020c、2021年；Mohamed等人，2019年）。最近结合模拟和实验数据的研究进一步改进了基于CNN的缺陷表征（Miorelli等人，2021年；Pyle等人，2021年；Tang等人，2023年），为开发更全面和可靠的无损检测解决方案指明了方向。然而，微裂纹检测仍存在两个关键挑战：难以分离多个裂纹特征的重叠超声响应，以及微裂纹的检测精度有限（Chen等人，2020年；Mevissen和Meo，2020年；Wang等人，2021年；Koskinen等人，2021年；Xiang等人，2014年）。

为了解决这些挑战，本研究通过将非线性超声与并行多分支卷积神经网络（PMCNN）相结合，开发了一种检测亚毫米级微裂纹的创新方法。所提出的方法采用特征分离的三分支架构，实现裂纹深度、长度和方向的高精度同时检测。我们的关键创新包括：（1）同时识别裂纹的深度、长度和方向；（2）设计基于物理的多分支CNN，利用谐波与微裂纹特征之间的相关性；（3）分离多个参数对接收信号的影响；（4）通过可解释性分析和实际实验数据验证分离机制。本文的结构如下：第1节系统回顾了微裂纹检测的现状和技术限制；第2节通过结合实验和有限元（FE）分析建立了微裂纹参数与非线性超声响应之间的定量关系；第3节详细介绍了PMCNN架构设计和谐波优化策略；第4节通过Shapley Additive exPlanations（SHAP）分析和混合数据验证展示了该方法在特征分离和噪声鲁棒性方面的优势，全面讨论了研究的局限性，并对未来研究进行了展望；第5节总结了本文的主要结论。

部分摘录

超声无损检测

本节通过结合实验测量和FE模拟，系统研究了微裂纹特征（包括深度、长度和方向角）对非线性超声谐波的影响，并阐明了这些参数之间的耦合机制。

并行多分支卷积神经网络

本节介绍了PMCNN架构，并通过系统评估确定了深度、长度和方向分支的最佳输入信号组合和阵列元素配置，从而实现多个微裂纹特征参数的高精度同时分离检测。

模型可解释性和鲁棒性验证

本节利用可解释性分析阐明了每个分支网络的特征选择机制，定量验证了多参数分离的有效性。此外，通过混合实验-模拟数据训练策略验证了PMCNN模型的鲁棒性和可靠性。

结论

本研究提出了一种基于非线性超声技术和PMCNN的智能微裂纹检测方法。本研究的关键方面总结如下：

1.

通过系统实验和数值模拟，揭示了微裂纹特征参数（深度、长度、方向）与非线性超声响应之间的定量关系。研究发现，三次谐波能有效表征微裂纹的长度，而

CRediT作者贡献声明

卢旺：撰写——原始草案、可视化、验证、方法论、调查、正式分析、数据管理、概念化。郑盼琪：撰写——审稿与编辑、资源获取、方法论、调查、资金获取、正式分析、概念化。丁向阳：撰写——审稿与编辑、方法论、资金获取。胡宁：撰写——审稿与编辑、监督、资源获取、方法论、调查、资金获取。毕晓阳：撰写——审稿与

利益冲突声明

作者声明他们没有已知的可能影响本文工作的财务利益或个人关系。