Page 74 - 无损检测2024年第十期
P. 74
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
图 9 U-Net 直接反演结果
敛曲线如图10所示，可见在400轮迭代之后仍具有 其中TR-Unet反演结果如图11所示，可以看出，
良好的收敛性。 相比单独使用时间反演法或者U-Net深度学习法，
TR-Unet无论是在形状相似度 （如第 1 列）还是轮
廓细节的准确性（如第2列和第3列）上均有较大的
提升。
3 结语
为克服复合材料缺陷电磁逆散射成像方法中以
往损伤重构算法在复杂背景介质和复杂形状损伤检
测中的局限性，文章采用二维时域有限差分算法对
复合材料模型进行了数值仿真。首先，分别讨论了
多个激励源时间反演算法在理想情况下和单个激励
源时间反演算法在实际工程应用中对复杂形状损伤
图 10 TR-Unet 反演损失函数收敛曲线 的重建效果。接着，在考虑实际工程应用的情况下，
图 11 TR-Unet 反演结果
40
2024 年 第 46 卷 第 10 期
无损检测
