Laser Ultrasonic Wavefield Reconstruction and Defect Detection Using Physics-Informed Neural Networks

Diese Studie untersucht die Anwendung physikalisch informierter neuronaler Netzwerke (PINNs) für die hochpräzise Rekonstruktion von Lamb-Wellenfeldern anhand spärlicher Daten aus Laser-Ultraschall-Experimenten. Die Forschung konzentriert sich auf die Bewältigung der Herausforderungen im Zusammenhang mit herkömmlichen Scanmethoden, die häufig zu längeren Inspektionszeiten und verringerter Wellenfeldgenauigkeit führen. Durch den Einsatz von PINNs erreicht die Studie eine signifikante Verringerung der Anzahl der benötigten Abtastpunkte und zeigt das Potenzial, Wellenfelder mit hoher Genauigkeit zu rekonstruieren, indem nur 1% der gesamten Messungen verwendet werden. Bei der Untersuchung handelt es sich um eine defekte Aluminiumplatte, die aufgrund von Geräuscheinflüssen und dem Vorhandensein von Defekten zu Komplexität führt. Die Studie erklärt systematisch den experimentellen Prozess des Laserultraschalls, die Datenvorverarbeitung und den Bau von PINNs und bietet damit ein umfassendes Rahmenwerk für die Rekonstruktion von Wellenfeldern. Quantitative Indikatoren werden verwendet, um experimentelle Daten mit vorhergesagten Daten zu vergleichen und die Zuverlässigkeit und Stabilität der PINNs-Technologie darzustellen. Die Ergebnisse unterstreichen die Fähigkeit von PINNs, die dynamische Entwicklung von Wellenfeldern auch bei Defekten zu erfassen und einen hohen Pearson-Korrelationskoeffizienten (PCC) von etwa 0,88 zu erreichen. Diese Forschung zeigt nicht nur die Machbarkeit von PINNs für die Rekonstruktion von Laserultraschallwellenfeldern, sondern ebnet auch den Weg für zukünftige Fortschritte in der zerstörungsfreien Prüfung und Strukturanalyse.