中文字幕一级黄色A级片|免费特级毛片。性欧美日本|偷拍亚洲欧美1级片|成人黄色中文小说网|A级片视频在线观看|老司机网址在线观看|免费一级无码激情黄所|欧美三级片区精品网站999|日韩av超碰日本青青草成人|一区二区亚洲AV婷婷

無損評估 (Non-destructive evaluation；NDE) 技術(shù)是復(fù)合材料中空隙檢測各種應(yīng)用中不可或缺的一部分。紅外熱成像 (Infrared thermography；IRT) 是一種流行的 NDE 技術(shù)，它利用逆向傳熱原理通過分析溫度分布來推斷缺陷特性。本研究使用有限元分析 (FEA) 在有缺陷（硬幣形缺陷）的復(fù)合材料中進(jìn)行模擬，通過該模擬對傳熱通量進(jìn)行建模。總共執(zhí)行了 2100 次具有各種缺陷位置和尺寸（深度、尺寸和厚度）的模擬，并提取了相應(yīng)的表面溫度與時(shí)間和距離的關(guān)系圖。FEA 輸出為開發(fā)可解釋的人工智能 (explainable artificial intelligence；XAI) 模型以估計(jì)缺陷特性提供了充足的輸入數(shù)據(jù)。開發(fā)了基于決策樹的可解釋機(jī)器學(xué)習(xí) (machine Learning；ML) 模型，該模型具有基于派生特征的透明決策路徑，用于預(yù)測缺陷的深度、大小和厚度。ML 模型的結(jié)果表明，在所有三個(gè)缺陷特征上都具有極高的準(zhǔn)確度（R2 = 0.92 至 0.99）。所提供的工作流程為包括健康監(jiān)測在內(nèi)的一系列領(lǐng)域設(shè)定了基準(zhǔn)。

一、引言

復(fù)合材料因其優(yōu)異的力學(xué)性能、輕質(zhì)特性和多功能性，在航空航天等領(lǐng)域得到廣泛應(yīng)用。然而，制造過程中產(chǎn)生的缺陷會(huì)顯著降低其力學(xué)性能，因此需要有效的NDE技術(shù)來識(shí)別和排除缺陷。IRT 是一種常見的 NDE 技術(shù)，通過分析溫度分布來推斷缺陷特征。然而，IRT 的逆問題缺乏唯一性，導(dǎo)致解的不唯一?，F(xiàn)有研究主要集中在預(yù)測缺陷的深度或尺寸，缺乏對缺陷厚度和三維定位的全面分析。

近日，國際知名期刊《Composites Science and Technology》發(fā)表了一篇由美國德克薩斯 A&M 大學(xué)航空航天工程系的研究團(tuán)隊(duì)完成的有關(guān)基于可解釋人工智能的復(fù)合材料缺陷表征預(yù)測的研究成果。該研究通過引入 XAI 模型，提高了缺陷預(yù)測的精度和可解釋性，為復(fù)合材料健康監(jiān)測提供了新的思路和方法。論文標(biāo)題為“Explainable artificial intelligence prediction of defect characterization in composite materials”。

二、研究內(nèi)容及方法

1.用于XAI算法訓(xùn)練的IRT合成數(shù)據(jù)生成

研究使用 ABAQUS 軟件模擬了不同尺寸、深度和厚度的缺陷對復(fù)合材料溫度分布的影響。模擬過程中，考慮了復(fù)合材料的材料屬性、邊界條件和初始溫度等參數(shù)。生成的紅外熱成像數(shù)據(jù)包括溫度隨時(shí)間和距離變化的曲線，這些數(shù)據(jù)用于特征工程和機(jī)器學(xué)習(xí)模型的訓(xùn)練，以實(shí)現(xiàn)缺陷的準(zhǔn)確預(yù)測。

圖 1. 可解釋的人工智能方法檢測復(fù)合材料缺陷位置和尺寸的工作流程。

2.機(jī)器學(xué)習(xí)在缺陷檢測中的實(shí)現(xiàn)

特征工程是構(gòu)建機(jī)器學(xué)習(xí)（ML）任務(wù)特征矩陣的一個(gè)關(guān)鍵步驟。文中評估了四種不同的方法：直接使用原始特征、基于相關(guān)性分析的特征選擇、基于主成分分析的特征降維，以及通過數(shù)學(xué)變換和特征組合創(chuàng)建新的衍生特征。這些方法為后續(xù)機(jī)器學(xué)習(xí)模型的訓(xùn)練提供了豐富的特征數(shù)據(jù)，并通過XAI技術(shù)提高了模型的透明度和可解釋性。

圖 2. 復(fù)合材料的三維視圖和側(cè)視圖，其中存在空隙缺陷。復(fù)合材料內(nèi)部封裝了一個(gè)硬幣形缺陷。缺陷屬性包括：d，表示缺陷直徑或尺寸（范圍從 10 到 30 毫米）；h，表示從復(fù)合材料頂面到缺陷中心測量的缺陷深度（范圍從 1.5 到 2 毫米）；t，表示缺陷厚度（范圍從 1.2 到 1.9 毫米）。

決策樹是一種監(jiān)督學(xué)習(xí)算法，它通過一系列的問題將數(shù)據(jù)分類或回歸到其相應(yīng)的類別或值。決策樹的優(yōu)勢有易于可視化、可解釋性強(qiáng)等。為了克服單個(gè)決策樹容易過擬合的問題，文章采用了集成學(xué)習(xí)方法，這些方法通過構(gòu)建多個(gè)決策樹并進(jìn)行集成，可以提高模型的泛化能力和預(yù)測精度。還討論了k折交叉驗(yàn)證 (k-fold CV) 和集成學(xué)習(xí)方法在緩解過擬合方面的區(qū)別，并解釋了XGBoost算法的原理和優(yōu)勢。

圖 3. 數(shù)據(jù)集的 Pearson 相關(guān)性分析熱圖。

圖 4. Boosting 集成建模示意圖。

3.結(jié)果和討論

文章描述了如何使用有限元分析軟件 ABAQUS 生成用于訓(xùn)練可解釋人工智能模型的合成數(shù)據(jù)。介紹了模擬的復(fù)合材料板尺寸、初始溫度和施加的表面熱通量，以模擬紅外熱成像測試。還說明了有限元模型中設(shè)置的邊界條件，包括上下表面的對流邊界條件和其余四個(gè)表面的無通量和無對流邊界條件。通過這些模擬，能夠生成大量數(shù)據(jù)，用于訓(xùn)練和驗(yàn)證XAI模型，以預(yù)測復(fù)合材料中的缺陷特性。

圖 5. (a) 受表面熱流影響的復(fù)合板的有限元數(shù)值模擬。 (b) 呈現(xiàn)了一種常見的三維視角，展示了具有中心硬幣形缺陷的復(fù)合材料的溫度分布 。

該研究通過FEA模擬了具有已知缺陷特征（深度、大小和厚度）的復(fù)合材料的IRT響應(yīng)。討論了特征選擇的重要性，并通過皮爾遜相關(guān)分析來評估不同特征之間的相關(guān)性，以去除冗余特征。此外，還介紹了使用主成分分析進(jìn)行特征轉(zhuǎn)換的方法，以及如何通過數(shù)學(xué)變換創(chuàng)建衍生特征，以揭示數(shù)據(jù)中潛在的模式并提高模型的預(yù)測能力。

研究使用了基于決策樹的 XGBoost 回歸模型來預(yù)測缺陷的尺寸、厚度和深度。將數(shù)據(jù)集分為訓(xùn)練集和測試集，并使用 XGBoost 回歸模型進(jìn)行訓(xùn)練和測試。結(jié)果表明，XGBoost 回歸模型在預(yù)測缺陷尺寸和深度方面表現(xiàn)出色，R2 值分別達(dá)到 0.99 和 0.98，但在預(yù)測缺陷厚度方面表現(xiàn)略差。此外，使用 XGBoost 模型的特征重要性分析來解釋模型的決策過程，揭示了哪些特征對預(yù)測結(jié)果影響最大。

三、 小結(jié)

該研究成功開發(fā)了基于 XAI 的復(fù)合材料缺陷預(yù)測模型，實(shí)現(xiàn)了對缺陷三維特征的準(zhǔn)確預(yù)測，并通過 XAI 提高了模型的可解釋性。該研究為復(fù)合材料健康監(jiān)測提供了新的技術(shù)手段，具有廣泛的應(yīng)用前景。

原始文獻(xiàn)：

Daghigh, V., Bakhtiari Ramezani, S., Daghigh, H., & Lacy, T. E. Jr. (2024). Explainable artificial intelligence prediction of defect characterization in composite materials. Composites Science and Technology, 256, 110759.

原文鏈接：

https://doi.org/10.1016/j.compscitech.2024.110759