《International Journal of Mechanical Sciences》：Surrogate Model-based Online Quantitative Prediction of Pitting Damage in Spacecraft
编辑推荐：
利用声发射信号构建生成深度学习模型实时预测Whipple护盾坑损伤。研究通过有限元-光滑粒子水动力学混合模拟建立数据库，创新性地采用径向离散化指标量化坑洞密度分布和平均坑径，验证模型对损伤模式识别准确率达93.3%，几何形态预测均方误差仅0.038，结构相似度达0.942。
彭吉|池润强|曹武雄|高嘉欣|王后阳
哈尔滨工业大学高速撞击研究中心，哈尔滨，150001，中国
摘要
为了确保在微流星体和轨道碎片（MMOD）的高速撞击（HVI）下的结构可靠性，空间站通常配备有惠普尔防护罩。然而，这会导致次级碎片云的产生，从而引发一种复杂的“坑蚀损伤”，这种损伤通常在不可察觉的尺度上开始，但会逐渐削弱结构完整性并危及在轨安全。迄今为止，对其在线定量评估变得越来越迫切，但仍面临重大挑战。为了解决这一限制，提出了一种基于生成式深度学习的替代模型（称为AE-PDSM），利用“原位”声发射（AE）信号在线预测坑蚀损伤。在基于径向离散化方案定义了两个定量表征指标后，AE-PDSM建立了从基于AE的时频谱到坑蚀损伤二维几何形态的端到端映射。然后，采用混合有限元-平滑粒子流体动力学（FE-SPH）框架构建了一个涵盖代表性碎片云撞击条件的训练数据库。数值和实验验证表明，所提出的方法能够以93.3%的准确率识别穿孔模式，并以低误差（MSE = 0.038）和高结构相似性（SSIM = 0.942）预测坑蚀形态。通过利用“原位”AE测量实现碎片云引起的坑蚀损伤的在线实时量化，本研究为航天器防护结构的在轨结构完整性评估提供了一条可行的途径。
引言
地球轨道上密集分布着微流星体和轨道碎片（MMOD），它们的运动速度超过7.9公里/秒。因此，即使是毫米级的MMOD在高速撞击（HVI）时也可能对航天器造成灾难性的结构损坏，对在轨航天器的可靠性和安全性构成严重威胁[1,2]。为了减轻这些风险，长期运行的大型航天器（例如空间站）通常配备有惠普尔防护罩，该防护罩由一层薄缓冲层组成，用于在弹丸到达后部结构之前将其粉碎，从而减少撞击的严重程度[[3], [4], [5]]。当高速弹丸的动能超过防护罩的穿透阈值时，弹丸和防护罩都会发生剧烈破碎、熔化、汽化和剥落[6,7]。这一过程将最初局部化的点载荷转化为分布式的表面载荷[8]，在后部结构上产生广泛的多源“坑蚀损伤”[9]。
这种特殊类型的坑蚀损伤引起的材料退化代表了结构损伤的早期阶段，相关机制复杂且相互耦合[10]。它们通常涉及局部塑性变形、裂纹萌生和应力集中[[11], [12], [13]]，在空间环境和机械载荷的共同作用下，这些现象会迅速发展并严重损害航天器的结构完整性和长期安全性。因此，实时“原位”预测碎片云引起的坑蚀损伤对于撞击风险评估、防护罩优化和在轨维护至关重要[15]。
迄今为止，许多研究已经探讨了由碎片云HVI引起的坑蚀损伤的表征和预测，如图1所示。根据不断变化的需求，这些努力可以大致分为三个层次：从定性[16]到半定量[8,[17], [18], [19], [20], [21], [22], [23], [24], [25], [26]]，再到定量评估[[27], [28], [29]]。值得注意的是，从定性评估向定量评估的转变虽然提高了准确性，但通常也增加了对已知撞击条件或撞击后检测访问的依赖性，而这与本文考虑的场景相冲突。在评估由高速碎片撞击引起的、高度局部化和密集聚集的航天器上的坑蚀损伤时——其特征是在一个高度局部化的区域内存在大量坑洞和裂纹——传统的预测方法面临以下挑战：
(1)非合作性和时间敏感性：损伤场景是非合作性的，对及时性有严格要求。在本研究中考虑的情境下，撞击参数通常是未知的，与碎片云相关的参数尤其难以确定。此外，及时预测对于空间操作至关重要；
(2)形态复杂性：坑蚀损伤的多样性和复杂性缺乏可靠的定量表征方法，阻碍了对损伤状态的全面评估；
(3)时空信号重叠：
由碎片云撞击产生的监测信号本质上是复杂的，来自多个不同大小和速度的撞击源，并且发生在不同的时间序列中。这些重叠的成分大大增加了信号解释的难度。对于第一个挑战——其非合作性和时间敏感性——声学测量（SHM）技术非常适合“原位”实时应用。利用光学和电磁信号的实验表明，撞击引起的结构响应与最终损伤的严重程度之间存在相关性[[30], [31], [32]]。在这些方法中，声发射（AE）因其易于使用和对结构配置或环境条件的依赖性最小而受到特别关注。Park等人[33]展示了AE特征能够实时区分单弹丸撞击和碎片云撞击过程中的穿孔情况。同样，基于30次HVI实验，Zhang等人[26]建立了AE能量特征参数（PE_HVI）与碎片云HVI引起的最大损伤面积（D_99）之间的经验相关性。尽管取得了这些鼓舞人心的结果，现有的基于AE的HVI研究大多仅限于（1）离散分类（例如，穿孔/非穿孔）或（2）标量代理（例如，与单一几何指标D_99相关的能量特征）。它们通常依赖于手工制作的特征和特定情况的校准，很少能为碎片云撞击下密集聚集的坑蚀/裂纹提供形态级别的、空间分辨的预测。此外，多源撞击的叠加进一步挑战了稳健的推断[34]。
对于后两个挑战，深度学习的最新进展为从高维信号和图像中学习提供了强大的工具[[35], [36], [37], [38]]。现有的努力大致可以分为两个方向。（1）第一个方向关注波场理解，例如使用CNN[39], [40], [41], [42]、Transformer[43,44]、GNN风格[45]模型从AE测量中提取撞击定位或与损伤相关的特征。虽然这些方法在相对受控条件下有效（例如，源坐标或类别标签）预测低维目标，但它们通常无法处理形态级别的损伤预测，而且在多源激励、波形重叠和强散射的情况下性能会下降——这些情况在非理想几何形状的碎片云撞击中很常见。（2）第二个方向关注损伤场建模，其中生成网络在预定输入下重建或合成损伤模式[[46], [47], [48], [49]]。尽管取得了进展，但这些方法往往是分开开发的，留下了一个关键缺口：直接从“原位”测量中进行端到端的形态级别损伤预测，特别是在多源碎片云激励和非理想几何形状的情况下，此时波形重叠和散射效应非常明显。这个剩余的挑战可以表述为一个条件生成问题，即从测量信号到空间分布损伤场的映射学习。因此，我们使用“生成式深度学习模型”（GDLM）这一术语来指代条件生成网络（例如，编码器-解码器架构），它们学习高维输入和输出数据之间的映射[50,51]。
针对碎片云HVI引起的坑蚀损伤的实时定量预测进展有限，本研究以代表性的双层惠普尔防护罩作为研究对象。首先开发了一种适用于多种损伤模式的通用表征方法。随后，构建了一个混合有限元-平滑粒子流体动力学（FE-SPH）仿真数据库。然后使用该数据库训练一个生成式深度学习替代模型，该模型通过“原位”AE信号在线预测坑蚀损伤。初步验证结果表明，所提出的在线预测框架提高了识别碎片云HVI引起的坑蚀损伤的及时性和准确性，为航天器防护设计和维护决策提供了有价值的支持。
部分摘录
坑蚀损伤的定义和在线预测
本节提供了高速碎片云引起的坑蚀损伤的定义和在线预测公式。第2.1节定义了用于表征坑蚀损伤的定量指标，并阐明了它们的物理解释。第2.2节介绍了基于“原位”声发射信号的在线预测框架，包括穿孔识别和坑蚀损伤的形态预测。
坑蚀损伤数据库的构建
为了获取用于训练所提出的AE-PDSM模型的坑蚀损伤数据库，使用商业ANSYS?/LS-DYNA建立了参数化仿真模型，该模型涉及2D表面形态和“原位”AE信号。
替代模型AE-PDSM的开发
提出了一种基于GDLM的AE-PDSM，通过“原位”AE信号在线预测坑蚀损伤的严重程度，遵循编码器-解码器范式（图14）。具体来说，使用ResNet-18编码器与卷积块注意力模块（CBAM）结合，从输入的AE频谱X_HVI中提取分层语义特征Z_HVI。这些特征首先被输入到一个全连接层（FC_HVI）中，以进行穿孔状态分类（即L_HVI = P_HVI）。
概念验证：坑蚀损伤的在线预测
本节报告了AE-PDSM的概念验证结果。第5.1节展示了穿孔分类和坑蚀损伤形态预测的数值仿真结果，并对潜在表示和频谱-形态相关性进行了额外的可解释性分析。第5.2节提供了实验验证，以检验其对真实AE测量的泛化能力。
结论
本研究表明，“原位”AE测量可以用于通过基于GDLM的替代模型AE-PDSM定量推断惠普尔防护罩上由碎片云引起的坑蚀损伤形态。所提出的损伤指标（CDI_pit和ACI_pit）提供了关于坑洞密度分布和平均坑洞大小的紧凑且物理解释的描述。在整个构建的HVI数据库中，AE-PDSM实现了可靠的撞击结果区分
CRediT作者贡献声明
概念化、方法论、验证：P.J（彭吉）；调查：J.G（高嘉欣）；资源：H.W（王后阳）；数据整理：R.C（池润强）；初稿撰写：P.J（彭吉）和W.C（曹武雄）；审稿和编辑：W.C（曹武雄）。所有作者都已阅读并同意发布的版本。
致谢
本项目得到了国家自然科学基金（编号12572430）和中国博士后科学基金（编号2024M754200）的支持。我们非常感谢北京机电工程学院的陈洋武博士在数值模拟方面提供的帮助。
CRediT作者贡献声明
彭吉：初稿撰写、验证、方法论、概念化。池润强：数据整理。曹武雄：审稿与编辑、初稿撰写。高嘉欣：调查。王后阳：资源提供。
