Page 93 - 《应用声学》2023年第3期

第 42 卷 第 3 期 刘骁等： 基于深度学习的材料超声回波衰减预测方法 531

10.0
70
8.0
൦ᤉவՔ/mm 6.0 50 ηՂࣨϙ/%
60
40
4.0
30
2.0
0 20
0 4.0 8.0 12.0 16.0 20.0 24.0 28.0 32.0 36.0 40.0 44.0 48.0
ੳಊவՔ/mm
(a) अฉᛰѓCੳଡፇ౧
10.0 80
൦ᤉவՔ/mm 6.0 60 ηՂࣨϙ/%
70
8.0
50
40
4.0
30
2.0
20
0
0 4.0 8.0 12.0 16.0 20.0 24.0 28.0 32.0 36.0 40.0 44.0 48.0
ੳಊவՔ/mm
(b) ᑀங࠱ฉCੳଡੇϸ
图 1 镍基高温合金试样超声 C 扫描结果
Fig. 1 Ultrasonic C-scan results of nickel base superalloy sample

实验采用 PAC-UPK-T24 超声水浸 C 扫描系 2 类 (蓝色)、1 类 (黑色)、0 类 (灰色)。每类回波包含
统进行。水浸超声探头为TLC IS1010GA点聚焦探 160 组数据。回波幅度衰减分布的多样性意味着材
头，频率为 10 MHz。扫描水距为 50 mm，扫描采样 料微观结构存在差异。
间距为 0.2 mm，全波采集频率为 100 MHz，采集超 背散射数据集的选取位置与衰减数据集相对
声背散射波信号为射频 (Radio frequency, RF) 信 应，其中训练集有864个训练数据、96个验证数以及
号形式。图1 为镍基高温合金试样超声C扫描结果， 960个测试数据。测试数据在实验开始时是分开的，
其中图 1(a)为以增益 38 dB 采集的底面回波衰减 C 不用于任何模型训练。散射数据集的横截面选择在
扫描成像结果，图 1(b) 为以增益 80 dB 采集的背散 衰减数据集的同一区域，散射数据集的每个数据点
射波C扫描成像结果。 都是一个时间序列数据，包含 1250个时间步长。如
1.1.2 背散射波-回波衰减数据集建立 图 2(c) 和图 2(d) 所示，分别为背散射波 (RF 波) 和
原始采集数据为包含243 × 52个点位的超声背 背散射波 (正全波) 数据集的典型背散射波形图，其
散射波和底面回波衰减数据。背散射波 -回波衰减 中的黑色虚线位置为输入网络进行模型训练的背
数据集由部分区域的原始采集数据选取制作，其中 散射波数据。图 3 为衰减数据集和背散射波数据集
包含有衰减数据集和背散射波数据集。其中衰减数 的核密度估计 (Kernel density estimation, KDE)。
据集作为训练标签，背散射数据集作为输入的训练 散射幅度分布有很大的重叠范围。对于几乎所有类
样本。同时利用 RF 波格式的超声背散射波信号得 别，背散射波幅度分布几乎完全重叠，但回波幅度衰
到了正全波信号格式的超声背散射波信号。最终形 减分布可以清楚地区分。数据集的KDE所示，仅依
成高温合金超声背散射波 -回波衰减 (RF 信号) 数 靠背散射波幅度不能直接评估多晶材料中的超声
据集和高温合金超声背散射波 -回波衰减 (正全波 衰减。
信号)数据集。 数据增强技术通过对训练数据进行一系列随
图 2(a) 为衰减数据集的选取位置，根据回波幅 机更改来生成相似但不同的训练示例，从而扩大了
度衰减不同选取典型的 6 个区域，其中实线区域为 训练数据集的规模。随机改变训练样例可以减少模
训练集和验证集的选取区域，虚线区域为测试集的 型对某些属性的依赖，从而提高其泛化能力。本文
验证区域。图 2(b) 为所选取区域的典型波形，底面 中，数据增强包括以下操作：在 −8 到 +8 时间步长
回波幅度分别为 75%、65%、55%、45%、35%、15%， 范围内的随机值时移。数据增强后的训练集数据样
被分别定义为 5 类 (黄色)、4 类 (绿色)、3 类 (红色)、 本数为7602。