编辑推荐：
针对超声检测中长尾问题，本研究提出VIME-SSL框架，结合自监督学习和轻量级CNN-LSTM模型，有效提升低屈服强度样本的预测精度，并发现频率域信号（基频及二次谐波）与材料性能显著相关。
Dahuin Jung | Seong-Hyun Park
首尔松实大学计算机科学与工程学院，韩国首尔06978
摘要
在将深度学习（DL）应用于超声波检测时，解决长尾问题（LTP）至关重要，因为缺陷样本通常会导致检测性能不佳。本研究通过应用基于值插补和掩码估计（VIME）的自监督学习（SSL）框架，解决了超声波应力-应变曲线预测中的LTP问题。使用816个铝合金样本（包括低屈服强度（YS）情况（100–200 MPa），这些样本会引发LTP），基线模型整体表现良好，但在LTP数据上的性能急剧下降（平均绝对百分比误差（MAPE）：非LTP样本为10%，LTP样本为26%）。VIME-SSL将MAPE分别降低到9.4%和21%，对于LTP样本的改进更为显著。值得注意的是，包含基频和第二谐波分量的频域信号对于VIME-SSL解决LTP问题特别有效。这一发现通过单独的超声波衰减和非线性测量得到了验证。总体而言，本研究证明了VIME-SSL是一种改善基于DL的超声波检测方法的有效途径，尤其是在处理罕见或异常样本时。
引言
在包括机械工程和材料工程在内的各种工程领域中，获取拉伸应力-应变（SS）曲线对于理解屈服强度和极限抗拉强度等拉伸性能至关重要[1]。通常，SS曲线是通过破坏性拉伸试验获得的，即样品被拉伸直至断裂。尽管存在永久变形、样品损坏、材料浪费和测试耗时等显著缺点，但由于缺乏可靠的替代方法，拉伸试验仍被广泛使用。
人们已经尝试在不进行拉伸试验的情况下获取SS曲线。人们利用位错动力学和分子动力学来模拟低应变率下的SS曲线[2]、[3]。最近，深度学习（DL）的进步使得利用材料的微观结构数据来预测SS关系成为可能[4]。例如，人们使用卷积神经网络（CNN）预测了复合材料的SS曲线[5]。然而，这类冶金数据只能反映样品的表面特性。此外，这些方法还需要复杂的样品提取和制备过程（如抛光和蚀刻）才能进行微观分析[6]。尽管有一些研究结合合金成分数据和DL预测了SS曲线[7]，但这些方法无法解释即使成分相同也可能导致不同SS曲线的制造缺陷。
超声波检测（UT）是一种无损检测（NDT）技术，因其超声波特性与杨氏模量等拉伸特性相关而受到关注[8]。与冶金方法或其他NDT技术（如目视检查、红外成像、涡流检测和X射线计算机断层扫描[9]）不同，超声波可以深入材料内部（通常超过数十毫米），从而提供更准确的内部材料特性信息。最近的研究利用UT检测了孔隙[10]、裂纹[11]、残余应力[12]、氧化夹杂物[13]、晶粒结构[14]、沉淀物[15]和位错密度[16]等特征。尽管取得了这些进展，但很少有研究将UT应用于预测SS特性。最近，我们提出了超声波拉伸检测（UTT），该方法利用在超声波信号上训练的DL来预测SS曲线。我们使用大约500个具有不同拉伸特性的铝合金样本来有效验证了这种方法[17]。
然而，我们之前的工作存在一个关键限制，阻碍了UTT的商业应用：长尾问题（LTP）。LTP不仅在我们的数据集中普遍存在，在整个DL应用中也是如此[20]。它指的是准确预测稀疏或异常数据的难度。这对于预测SS曲线尤其成问题，因为我们的大多数数据代表的是正常样本，而具有缺陷的样本（如低屈服强度的样本）通常是稀疏或异常的。缺陷样本的低预测准确性严重限制了UTT在各种NDT行业的实际应用。
在这项研究中，我们采用结合自监督学习（SSL）、1D-CNN和长短期记忆（LSTM）网络的DL框架来解决UTT中的LTP问题。本研究的独特性和优势包括：（1）开发了一种结合超声波、SSL、1D-CNN和LSTM的SS预测技术；（2）克服了我们之前工作中未解决的LTP问题；（3）在我们的分析中发现了低YS与超声波特性之间的新关联。我们使用816个具有不同拉伸特性的铝合金样本来验证了我们的方法。
本文的结构如下：第2节简要描述了UTT并陈述了研究问题。第3节总结了使用的样本、超声波测量方法和采用的DL方法。第4节展示了关键的实验结果、讨论和局限性，最后是结论和未来的研究方向。
部分摘录
问题陈述
与声弹性不同，UTT不是在施加应力状态下测量超声波，而是在无应力条件下测量超声波信号，并使用预训练模型从这些信号中预测SS曲线。我们之前的研究[17]表明，无应力状态下的超声波特征（衰减、波速和非线性）与微观结构因素（如沉淀物和晶粒结构）相关，而这些因素又决定了YS等SS参数。
传统方法的过程
样本
共使用了816个具有不同拉伸特性的铝合金样本。这些样本来自Al-6xxx和7xxx系列，它们是在不同成分下通过挤压工艺制造的。在我们之前的研究中使用的样本的YS值范围为200–400 MPa（=非LTP样本），而本研究中使用的新样本的YS值范围为100–200 MPa（= LTP样本），如图2（a）所示。如第4节将详细讨论的，当新样本
结果
使用我们开发的模型（蓝色）和之前的模型（棕色）预测的代表性SS曲线，以及真实值（黑色），展示了测试数据集中一个低YS样本的情况，见图5。使用之前的模型，YS和UTS的MAPE（平均绝对百分比误差）值分别为24%和17%，表明存在LTP。此外，SS曲线表现出显著的波动。我们在开发的模型结果中解决了这些问题。
结论
在这项研究中，我们提出了一种基于SSL的超声波框架，以改进LTP条件下的SS曲线预测。我们使用了816个铝合金样品，其中包括罕见的低YS情况（100–200 MPa）。该框架结合了基于VIME的SSL预训练和轻量级的CNN-LSTM回归模型。与纯监督模型相比，它表现出了一致的更好性能。基线模型在处理LTP时表现不佳：非LTP样本的MAPE为10%，而LTP样本（低YS）的MAPE增加到26%。
作者贡献声明
Dahuin Jung：撰写 – 审稿与编辑、撰写 – 原稿、验证、项目管理、调查、资金获取、正式分析、数据管理、概念化。Seong-Hyun Park：撰写 – 审稿与编辑、撰写 – 原稿、验证、项目管理、调查、资金获取、正式分析、数据管理、概念化。
利益冲突声明
作者声明他们没有已知的可能会影响本文所述工作的财务利益或个人关系。
致谢
本工作得到了首尔松实大学研究基金（Convergence Research）2025年的支持。本工作还得到了韩国政府资助的韩国国家研究基金会（MSIT）[授权号 RS-2024000357748] 的支持。
