Page 140 - 201901

136 2019 年 1 月

实现特征域到类别域的非线性映射。BP 神经网络 表 1 仿真建模的材料参数
模型分类为两部分，一部分为输入数据，由输入层经 Table 1 Material parameters for simula-
隐含层传到输出层，每层结果只向下传播；另一部分 tion modeling
为当输出层结果不理想时，通过反向传播误差值来
密度/ 纵波声速/ 弹性模量/
修改各层权值和阈值直至得到期望的结果。BP 神 材料 (kg·m −3 ) (m·s −1 ) MPa 泊松比
经网络分类流程图如图2所示。 复合材料 1500 2830 7.591 0.348
橡胶 1352 1440 1.430 0.39
नݽ
胶黏剂 1250 1850 2.560 0.36
空气 1.293 344 0.000153 0
ᝫጷನవᬷ֗ಣᰎನవᬷ
水 1000 1450 0.00210 0.5
᝺ࠀᇸፃᎪፏᄊፇ౞᜻വ
建立三种脱粘缺陷仿真模型，每种类型的界
面 1、界面 2 各设置 5 mm、10 mm、15 mm、30 mm
᝺ࠀిϙ֗᫠ϙ ˀ
໘ 4 个长度的脱粘，总共 24个模型。图3 为含界面1 长
ᡜ
ၹᝫጷᬷࠫᎪፏᤉᛡᝫጷ ፌ 度为 10 mm 的鼓包型、紧贴型、斑点型脱粘缺陷的
ΎХᣥК֗ᣥѣ໘ᡜឨࣀᔵڊ ࠀ
ឨ 二维建模示意图。
ࣀ
ϙ
ጳູ
ၹಣᰎᬷಣᰎ
25
໘ᡜፌࠀឨࣀϙ ܭՌెந 5
10
ၹᝫጷݞᄊᎪፏࠫ஝૶Ѭዝ
ᑛᳫҎ 0.1 ʼЋ˳ˉൃᑛ 3.24
图 2 BP 神经网络分类流程图 ቇඡ
Fig. 2 Classification flow chart of BP neural network ʸᏄᛮࡏ 2
100
首先将已知脱粘类型的特征值组成的训练样 (a) ᴂӊی
本集和已知类型标号组成的校验样本集输入网络，
ጳູ
根据输入数据和类型的数量设定神经网络的结构 25
模型，分类标号结果作为输出；其次设定输入层、隐 ܭՌెந 5
含层和输出层之间的初始权值和层内节点的阈值， 10
通过梯度下降算法为学习原则反复迭代处理训练 ᑛᳫҎ 0.1 ඵ ʼЋ˳ˉൃᑛ 3.24
样本集实现网络的训练，将样本的分类结果与校验 ʸᏄᛮࡏ 2
样本集内的分类标号对比进行学习。若校验结果不 100
(b) ጋ᠛ی
能满足误差值，则反复地反向修改样本权值和阈值、
训练网络，直到分类结果与已知类型之间的误差到 ጳູ
达要求时学习过程终止 [8−11] 。 25
ܭՌెந 5
10
3 脱粘缺陷超声检测的COMSOL仿真
ᑛᳫҎ 0.1 ቇඡ ʼЋ˳ˉൃᑛ 3.24
3.1 仿真建模及特征值的提取
ʸᏄᛮࡏ 2
通过 COMSOL 有限元仿真软件中以弹性介质 100
(c) ஥གی
中的波动方程为基础的 “固体力学 (弹性波)” 物理
场建立含三种脱粘缺陷的复合材料壳体/橡胶绝热 图 3 含三种脱粘缺陷的二维建模示意图 (单位：mm)
层/橡胶衬层三层粘接结构的二维各向同性仿真模 Fig. 3 Schematic diagram of two-dimensional model-
型，各层材料属性如表1所示。 ing with three types of debonding defects(Unit: mm)