Page 73 - 无损检测2024年第十期

李长侑，等：

基于深度学习和时间反演的复合材料内扩展性损伤重建

复合材料底部放置一排天线（直线型），并使用单个 该阵列排布情况下，天线数量减少至18个，呈
源来重构损伤，直线型天线阵列排布如图6所示。 直线型放置于距材料底部 2. 5 mm处（如图 6 中蓝
色圆点所示），靠近计算域两端的4个天线排布较密，
相距2. 5 mm（0. 17λ），其余天线排布较疏，相距8 mm
（0. 53λ）。激励源设置在（50 mm，52. 5 mm）处（如
图6中绿色圆点所示）。基于图6所示模型，使用单
个源时间反演法对损伤进行重构。由于天线和源数
量的减少，天线接收到的散射场信号有限，时间反演
的结果并不明显，并且会更多地聚焦于天线所在的位
置。为了更好地展示对损伤的重构情况，文章截取材
料区域的能量积分情况进行展示，结果如图7所示。
由图7可以看出，减少天线和激励源的数量并
且将天线的排布形式改为直线型时，时间反演的效
果大大变差，从反演结果上只能看到非常不清晰并
且残缺的损伤形状，此外还有很多非目标区域的能

图 6 直线型天线阵列排布示意 量聚焦。

图 7 单个源且天线直线型排列的时间反演结果
由以上结果可知，无论是在理想情况下还是实
际工程应用中，对于具有复杂形状的扩展性损伤，时
间反演均无法实现高效精确地重建。
2.3 U-Net直接反演结果
基于图6所示的材料和天线排布模型，使用深度
学习直接反演法，将FDTD正向仿真产生的目标响应
信号作为深度学习模型U-Net的输入，其损失函数收
敛曲线如图8所示 （损失函数值无量纲），表明模型的
训练在400轮迭代之后仍具有良好的收敛性。
其中 U-Net 直接反演结果如图 9 所示，可以
看出，在天线和源的数量更少的情况下，U-Net
表现出卓越的反演能力，与多个源时间反演方法
图 8 U-Net 直接反演损失函数收敛曲线
相比，该方法在形状恢复方面得到了显著改进，
结果，因此文章提出TR-Unet方法，即将时间反演
但仍存在形状不够相似的情况（如第 1 列和第 2
列），并且在轮廓细节上仍欠缺准确性（如第 4 列）。 和U-Net直接反演相结合，将多个源时间反演的结
2.4 TR-Unet算法及其反演结果 果作为U-Net的输入，再进行模型训练。其中，天线
对于图6所示材料和天线排布模型，无论是时 数量仍为18个，源的数量修改为9个，源与源之间相
间反演还是U-Net直接反演均无法得到非常准确的 隔1个天线分布。TR-Unet模型训练的损失函数收

39
2024 年 第 46 卷 第 10 期
无损检测