《MECHANICAL SYSTEMS AND SIGNAL PROCESSING》:Bayesian waveform inversion for structural parameter estimation using narrow spectral characteristics of guided waves
编辑推荐:
本文针对传统超声参数识别方法依赖宽频测量、系统复杂的问题,提出了一种基于窄频导波特性的贝叶斯波形反演框架。研究人员通过稀疏贝叶斯学习构建波形字典,结合自适应序列蒙特卡洛采样,实现了板状结构厚度和杨氏模量的联合反演。数值和实验验证表明,该方法仅需单次pitch-catch测量即可定量识别结构参数,为结构健康监测提供了高效可靠的解决方案。
在现代工业领域,工程材料与结构部件的无损力学评估对产品质量控制和在役安全监测至关重要。传统的超声参数识别方法通常依赖宽频范围内的波传播特性,需要复杂的数据采集系统和多频测量,限制了其实际应用。导波因其传播距离远、对材料特性敏感等优势,在结构健康监测中备受关注。然而,导波的多模态和频散特性使得从实验数据中直接反演结构参数充满挑战。现有方法往往需要提取离散的波数或波速特征,过程繁琐且对噪声敏感。
为解决这些问题,来自KU Leuven的研究团队在《Mechanical Systems and Signal Processing》上发表了一项创新研究,提出了一种基于窄频导波特性的贝叶斯波形反演框架。该研究旨在开发一种简便可靠的方法,仅利用单一频率的窄频特性,就能从单次pitch-catch测量中定量识别结构的几何和材料参数。
研究人员采用了几项关键技术方法:首先建立了基于导波理论的波场正演模型,通过求解Rayleigh-Lamb特征方程获得频散关系;然后利用相关性向量机(RVM)技术从过完备波形字典中选择相关子波并进行加权,实现波形重构;最后采用自适应序列蒙特卡洛(ASMC)采样算法进行贝叶斯反演,同时估计结构参数并量化其后验不确定性。实验使用钢和铝板样本,通过压电传感器激发和接收Lamb波信号。
2.1. 基于导波理论的正向波形计算
研究基于三维弹性理论,通过求解Rayleigh-Lamb特征方程获得板中Lamb波的波数频散关系。针对各向同性板,建立了频率与波数之间的隐式关系,为波形重构提供理论基础。
2.1.1 板结构中的频散关系
通过数值求解特征方程,获得了铝板中对称(S0)和反对称(A0)模式的相速度和波数频散曲线。研究选取中心频率2.5MHz的5周期Hanning窗调谐正弦波作为激励,分析了前四个波模(A0、S0、A1、S1)的传播特性。
2.1.2 基于RVM的波形重构
为避免手动分配不同波分量的幅度,研究引入了基于RVM正则化的新型波形重构方法。通过稀疏贝叶斯学习,以可解释的方式概率性地选择和加权相关波分量,构建了包含特定结构信息的合成Lamb波信号。
2.2. 基于贝叶斯推断的结构参数估计
研究建立了贝叶斯概率模型,将板厚度、材料密度和弹性模量视为未知参数,通过测量波形与正演模型预测之间的差异来表征后验概率分布。
2.2.1 贝叶斯概率模型形式化
采用贝叶斯定理将反演问题表述为从测量的时域波形中校准模型参数。后验分布通过似然函数和先验分布结合得到,充分考虑了模型误差和测量噪声的影响。
2.2.2 基于ASMC的后验密度估计
为解决标准MCMC方法在多模态或不规则参数空间中混合缓慢的问题,研究引入了ASMC随机采样方案。该方法通过一系列自适应提议概率密度函数(桥接PDF)逐步逼近目标后验PDF,确保样本从先验到后验的平滑过渡。
3. 数值案例研究
通过平面应变Abaqus/Explicit模型模拟板结构中Lamb波传播,验证了所提方法的可行性。研究表明,即使在波模式重叠的情况下,该方法也能准确识别结构参数,且对噪声干扰具有强鲁棒性。
3.1 模型描述
建立了牵引自由边界条件的铝板模型,尺寸为600mm×1mm。通过在左边缘所有节点上规定位移来激发Lamb波,接收器设置在板中间(距边缘300mm)以捕获面内位移。
3.2 估计性能与分析
数值研究表明,该方法能够同时估计几何和材料参数,且在后验不确定性方面表现出色。即使在高噪声条件下(SNR=5dB),杨氏模量和厚度的估计误差也分别低于0.5%和2%。
4. 实验验证
通过钢和铝板的实验进一步验证了方法的实用性。实验配置采用pitch-catch波传播模式,使用中心频率50kHz的5周期Hann窗调谐正弦波作为激励。
4.1 实验配置
钢板和铝板尺寸分别为100×300×2mm3和200×400×2mm3。两个压电传感器分别作为激励器和接收器,采集的信号经过32次实验平均以降低噪声。
4.2 反演结果与讨论
实验结果表明,该方法对钢和铝板的结构参数估计均取得了令人满意的结果。尽管后验不确定性相对较大,但最大后验概率(MPV)估计值与实际值吻合良好。
研究结论表明,这种基于波形反演的贝叶斯框架为结构参数识别提供了一种强大而实用的工具。它不依赖基线数据,仅需单一传感器对的测量信号,极大简化了实际应用。此外,通过后验分布的形式,该方法能够量化估计中的不确定性,为工程决策提供更可靠的基础。
该方法的核心优势在于其能够充分利用波形中嵌入的频散信息,避免了传统方法中复杂的特征提取过程。随着结构健康监测系统对便携性和实时性要求的不断提高,这种高效、可靠的参数识别框架具有广阔的应用前景。未来工作可进一步将该方法扩展到复合材料和复杂几何结构,推动无损评估技术在实际工程中的更广泛应用。