文摘

孔隙度被认为是最重要的一个指标的表征热障涂层的综合性能(涂层)。在这项研究中,超声波技术和人工神经网络与遗传算法优化(GA_BPNN)联合开发一个智能的方法自动检测和准确预测涂层的孔隙度。的一系列物理模型plasma-sprayed ZrO2288年建立了涂层的厚度μm和孔隙率从5.71%到26.59%不等,超声波反射系数振幅谱(乌卡)是构建基于时域数值模拟信号。的特征 乌卡的高度依赖于孔隙度、提取作为输入数据来训练GA_BPNN模型预测未知的孔隙度。预测结果的平均误差为1.45%,这表明该方法可以实现精确的检测和定量表征涂层的孔隙度与复杂的孔隙形态。

1。介绍

热障涂层)广泛应用于航空航天工业保护关键部件免受磨损,腐蚀,腐蚀或热氧化(1]。涂层的隔热性能及其应变合规要求适应金属和陶瓷之间的热膨胀系数不匹配上层很大程度上取决于其孔隙度。孔隙度可以显著影响涂层的综合性能(2,3]。因此,如何有效地描述优化涂层性能的微观结构是一个强制性的要求,监控服务生活,开发新的涂层(4,5]。无损检测(NDT)技术已被认为是一个理想的解决方案。

众多无损方法已经提出了定量测定涂层的孔隙率,如温度记录方法(6- - - - - -10),太赫兹技术(11),x射线(12),和有效介质理论(13]。在所有现有的方法中,超声技术是一个相对便宜,快速,可靠的非破坏性方法,它被广泛用于检测热喷涂涂层的孔隙度(3,14- - - - - -17]。代表方法是使用超声波参数热喷涂料,通常纵波速度和超声衰减,评估其属性,包括孔隙度(15,17- - - - - -20.]。例如,趋势线或相应的表达式之间的速度/衰减和涂料研究孔隙度是用来估计其他部分的孔隙度内容相同的涂料通过测量他们的厚度和速度17,19]。然而,超声特征参数和涂层孔隙度之间的关系是复杂的,非线性的,还有很多不确定因素在预测孔隙度。和建立一个拟合曲线和经验公式的过程可以是昂贵和费时的过程。最近的一次突破,计算和人工智能孔隙度预测提供了一种新的解决方案。

机器学习的方法已经被证明是一个强大的工具来处理复杂的多参数和非线性问题,特别是对于处理高度非线性噪声和不完整的数据集21- - - - - -23]。近年来,机器学习方法,如人工神经网络(ann)已经广泛应用于无损检测区域(24- - - - - -26),尤其是对热障涂层的孔隙度特征。李等人。27)使用红外热图像和算法,它结合了灰色梯度空间直方图熵和稀疏表示分类器来检测孔隙度。你们et al。28)实现了一个新颖的基于支持向量机算法的混合方法优化的布谷鸟搜索算法(CS-SVM)预测热障涂层的微观结构特性使用各种工艺参数,如孔隙度。你们et al。29日)建立了一个新颖的方法基于太赫兹时域光谱结合主成分分析支持向量机(PCA-SVM)来描述孔隙度等热障涂层的微观结构特征,pore-to-crack率和孔隙大小。实验结果显示,该方法可以有效地描述微观结构特性的实现。上述研究表明,机器学习可以用来表征热障涂层的孔隙率,通过结合红外热技术,太赫兹技术和各种工艺参数。同时,机器学习领域也被应用于超声波。Timo et al。30.)提出了卷积神经网络评估可行超声断层数据的变化来确定多孔材料的孔隙率和曲率,和方法是可行的。然而,绝对误差大于10%为低孔隙度中。马等。31日)提出了一种混合方法,结合BP神经网络优化高斯过程回归算法和超声波技术,可以用来描述热障涂层的疏密度。李等人。32)开发了一种基于支持向量机模型的描述方法基于粒子群优化算法(PSO-SVR)预测AlSi-polyester密封涂层的孔隙度。实验结果表明,超声衰减系数通过连续小波变换依赖孔隙度。然而,上述工作需要复杂的信号处理方法提取特征参数训练网络模型,它是一个费时的过程。

在这项研究中,提出了一种新的方法来定量表征热障涂层的孔隙率,利用机器学习算法和超声技术。首先,超声波建立数值模拟模型来模拟超声波之间的相互作用对不同疏的热障涂层。接下来,优化的BP神经网络模型GA算法,特征参数在超声波的时间和频域响应,依赖于疏,是提取作为输入,而热障涂层的孔隙度是作为输出。最后,发达GA-BPNN方法的可行性和有效性进行了验证。

2。数值模拟方法

2.1。检测方法和特征参数提取

图1展示了波传播的原理图垂直地three-media结构组成的水 /涂层 /衬底 。一个宽带纵波传播并生成一个无穷级数的声反射和传输信号。因为涂层通常数十到数百微米的厚度,回声反射的序列接口通常重叠。很难直接提取时域特征。摘要规范化的乌卡技术是利用获得频域特征。


图1
图中超声波传播的水/涂层/基体系统。

反射系数的频率依赖性 的涂层可以写成14,33] 在哪里 和 耦合介质之间的界面的反射系数是1 /涂层2 /衬底,分别。 ,和c涂层厚度,超声衰减系数,分别和纵波速度的涂层。

乌卡的一系列极端值将达到时 ,也就是说, 在哪里 谐振频率。

纵波速度取决于材料的杨氏模量和材料的密度,和它的表达式 在哪里E杨氏模量和吗 材料的密度。

它可以发现从方程(1)- (3),涂层的密度和弹性模量变化由于涂层孔隙的存在,导致纵波声速的变化,反射和衰减系数的材料,最后导致共振频率的变化 振幅谱和相应的振幅的声压反射系数与孔隙度的变化(34,35]。因此,振幅最小值和最大值对应的共振频率和共振频率的最小和最大振幅差异可以作为特征参数提取(36),作为输入数据来训练GA_摘要模型,如表所示1。

表1
频域特征参数。
2.2。SEM原位建模理论

即使确定涂层的孔隙率,由于在不同的位置,不同形态的毛孔当地涂层的密度和杨氏模量将波动在某种程度上,这也将导致超声波速度的波动18]。因此,纵波速度是一个多变量函数的孔隙度、孔隙形态、孔隙分布,等等。为了避免引入多个变量,本文有别于传统常规孔隙模型和随机介质模型,采用原位SEM照片建模方法保存的实际形态和分布在ZrO毛孔2涂层。一系列的几何模型与相同的孔隙形态和孔隙分布,但不同的疏密度构造基于SEM照片和图像处理软件。材料的几何模型建立之后,该模型可用于研究不同材料的超声波特性分配各个地区不同的弹性参数。

ZrO2属于立方晶系和有三个独立的弹性常数: ,和 。根据弹性定律,应力和应变之间的关系可以写成 在哪里 是压力和 是压力。从波动方程、材料的弹性常数和材料的密度是决定,和材料的声速计算。摘要ZrO的微观结构特征2涂料研究和哈德逊模型用于地球物理调查用于修改ZrO的弹性参数2。在数值计算所需的参数如表所示2(37]。

表2
材料参数的数值计算超声波测试。
2.3。孔隙模型对不同疏ZrO建设2涂层

根据原位建模原理的SEM照片,一系列24孔隙形态相同的物理模型和孔隙分布,但不同的疏密度构造。物理模型的孔隙度变化从5.7%提高到26.59%,7%到25%的常见的陶瓷涂层的孔隙度。物理模型构建的方法有以下优点:(1)与其他方法相比,它们类似于ZrO毛孔的实际形态2涂层,使计算更可靠;(2)孔隙形态不同的孔隙度模型是等价的。随着一个单变量控制的原则,纵波速度只与孔隙度变化,研究结果更严格。

ZrO的物理模型2涂料、超声波进行数值模拟的时域有限差分法(FDTD)。仿真中使用的主要参数如表所示3。

表3
用于超声数值模拟参数和值。

回波脉冲反射法用于模拟窄脉冲声源的频率5 MHz。声源的波形如图2物理模型,用于仿真如图3。


图2
源波用于仿真。

图3
物理模型在模拟中使用。

3所示。人工神经网络和GA-BPNN

3.1。人工神经网络

安通常获得知识通过培训大量的输入数据和信息存储在神经网络的权重和偏见和通过转发传送信息通过网络传播38]。摘要利用反向传播神经网络由Rumelhart等人在1985年首次提出,ANN算法的改进学习表示的backpropagating错误(39]。一般来说,摘要模型由三层组成,包括一个输入层、至少一个隐藏层和一个输出层。神经元是神经网络的基本结构单元模型,分布在不同的层,可以与其他神经高度互联在相邻层根据一定的拓扑结构。图4显示了一个三层架构的摘要,信息的流动。


图4
摘要利用三层架构。
3.2。GA-BPNN方法

多层摘要模型与适当的配置使复杂系统的解决方案。然而,一些缺点依然存在的随机选择初始权值和阈值的摘要模型,如过度拟合和局部最小值的问题,可以减轻预测结果的准确性(40]。采用贝叶斯正则化算法的训练算法来克服过度拟合的缺点[41]。与此同时,一种改进的遗传算法实现反向传播神经网络(GA-BPNN)模型的参数和拓扑优化摘要模型和避免局部收敛和获得准确的解决方案42]。全球随机搜索能力的遗传算法应用于优化原有的偏见和权重摘要帮助摘要收敛更快和找到一个精确的解决方案43]。

遗传算法的主要操作可以总结如下44]:(i)随机产生初始种群与几个个人和(2)评估所有个人的健身价值与预定义的适应度函数(平均绝对百分比误差,日军)[45]。个体适应度值高的容易产生下一代。(3)选择操作、交叉操作和变异操作实现的个体从现有个体生成subgeneration人口。(4)重复步骤(2)和(3),直到获得最优个体。图5显示摘要的流程图模型与遗传算法优化。首先,人口普查的初步编码的权重的初始值和偏见是用来评估所有个人的健身价值。然后,遗传算法将选择高健身人士并获得一个更好的程序。会议要求后,训练的过程将停止和最优个体解码摘要模型的重量和偏见。


图5
GA_BPNN模型的流程图。

4所示。结果与讨论

4.1。仿真结果

图6显示时域信号的数值模拟,得到涂层孔隙度为5.71%时最大最小和26.59%,分别。从图可以看出,从底部反射的回波的涂层与涂层孔隙度特征淹没在表面波,它不能直接有效地分析。涂层在不同的超声反射系数幅值谱获得的孔隙度是时域信号的频谱分析,如图7。观察到共振频率的超声波反射系数幅值谱的涂层孔隙度较大走向低频带,和孔隙度越高,偏差越大。同时,规范化的振幅谱的幅度也随孔隙度。


图6
模拟信号的最大涂料最低为5.71%和26.59%,分别。

图7
数值模拟结果的振幅谱ZrO的声压反射系数2涂层具有不同孔隙度。
4.2。特征选择

按顺序读共振频率最大值等特征参数 ,共振频率最小值 ,振幅 对应于 ,和振幅差异 对应于 和 从图7。规范化特征参数在图所示8。观察,提取特征的归一化幅度随孔隙度,这表明正常化后,超声波信号的特征提取孔隙度的函数。


图8
特征参数与孔隙度的变化。

确保准确性和鲁棒性的神经网络,5个不同级别的高斯随机噪声(1%、2%、3%、4%和5%相对于原始数据)被添加到功能,扩大数据集。

4.3。GA-BPNN训练和测试

摘要GA-BPNN模型三个层次提出了预测未知的热障涂层的疏密度。试验和错误的方法实现确定网络模型的最优结构,网络结构,反复调整,直到达到最优性能,从而在很大程度上缓解过度拟合。如图4GA-BPNN模型的最优结构设置为4-3-1(四个神经元在输入层,三个隐层神经元,和一个输出层神经元)。四个参数 被选中作为网络模型的输入变量,和不同热障涂层的孔隙度模型的输出。表4显示的配置参数GA-BPNN热障涂层的孔隙度预测模型。

表4
GA-BPNN模型的配置参数。

GA-BPNN模型训练后各种输入特性提取不同的热障涂层,它不仅可以使不同峰值的预测也在很大程度上缓解复杂解决方案的时间。一旦美联储四个特征提取模型,孔隙度预测作为网络的输出。确保神经网络的鲁棒性和获得更好的性能预测的孔隙度、孔隙度的信号污染的热障涂层的5的高斯随机噪声水平(1%、2%、3%、4%和5%的原始数据)在培训过程。因此,总数132套的数据从原始数据获得和noise-contaminated数据。每组的总集合包含四个提取敏感的特性 GA-BPNN模型作为输入,一个测量参数(热障涂层的孔隙率)作为模型的输出或目标来验证网络的预测模型。

117 132数据集随机分为训练数据集训练网络模型获得优化的权值和偏差,最终保证模型的准确性和15组数据实现识别训练网络的性能。

4.4。孔隙度预测结果与讨论

在训练过程中,形象9显示了培训效果的使用117 GA-BPNN模型训练数据集。它表明所有数据按照最适合线,这表明有很好的输出值和测量值之间的一致性。然后,根据训练有素的GA-BPNN模型,其余15个测试数据集实现来验证网络的性能。


图9
比较训练过程的输出值与相应的测量值。

图10显示了预测疏热障涂层的使用提出GA-BPNN方法。可以看出,孔隙度的预测值与孔隙度的测量值有很好的一致性。在这种情况下,该方法的相对误差都小于6.2%,如图11的平均误差为1.45%,表明该方法可以准确地预测疏。因此,提取的特征实现训练提出GA-BPNN模型定量评价孔隙度的大小,它是可靠的和可行的。


图10
比较实际值和预期值的测试过程。

图11
实际值和预测值的相对误差。

5。结论

本文提出了一种混合的无损检测方法检测和定量表征热障涂层的孔隙率,使用超声波技术和神经网络。人工神经网络优化与遗传算法(GA-BPNN)是发达,与SEM原位模型模拟提供足够的超声波信号进行训练和测试。总数量132数据集被用来训练和测试GA_BPNN模型的性能。孔隙度预测误差小于6.2%,平均误差为1.45%。结果表明,混合的无损检测方法,结合超声技术,数值模拟,和遗传摘要模型,证明是一个强大的工具来描述多孔材料的孔隙度,可以用来开发一个神经网络模型来自动确定热障涂层的孔隙度。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

作者的贡献

Shuxiao张和Gaolong Lv的贡献同样这项工作。

确认

作者感谢金融支持广东省(没有的关键领域的研发项目。2020 b090925002),深圳市科技创新委员会(没有。ZDSYS20190902093209795),科学、技术和基础研究项目和学科布局深圳(没有。之间的联合研究基金JCYJ20170818153048647),中国国家自然科学基金和深圳(没有。U1813222)。