图16 不同十字阵列的损伤成像比对图

本项目前期的研究工作表明，基于阵列式超声导波驱动/传感的损伤成像检测方法，其成像质量的提升取决于所采集信号的空间/时间分辨率，而获得高空间/时间分辨率信号的关键在于合理规划传感网络阵列的布设及选择合理的激励源的驱动参数。项目基于板状结构导波场理论，根据最小冗余准则设计阵列优化方案。图16的结果表明，基于此优化方案的阵列仅需满阵所需阵元数的43%即可达到类似满阵的数值孔径和空间分辨率，有效降低了系统的硬件需求。

2）探索基于深度学习的新型损伤诊断方法

图17. 基于深度学习的新型损伤诊断方法

传统基于物理模型的损伤诊断方法常常需要许多针对结构的先验信息以解读超声信号，常导致对复杂环境下实际工程结构损伤的诊断结果失准或无法进行有效检测。

团队进一步尝试将现有基于超声导波的损伤诊断方法与深度学习算法相结合，构建复杂工程结构件损伤的智能化检测方案。基于本项目所构建的损伤检测平台所能提供的海量检测数据，在针对工程实际问题的复杂的条件下建立新的机器学习算法以实现速度快、鲁棒性好的损伤智能诊断方法。根据复合材料结构中导波场的时间/空间演化特征，创新提出了卷积神经网络（CNN）-循环神经网络（RNN）的混合网络以对冲击损伤进行检测与评估，并通过实验验证了网络对于实际冲击损伤定位和冲击力载荷时域重构的有效性。团队还研究将深度学习的方法引入了加筋板状结构的损伤检测中。在对波形进行理论分析的基础上，使用卷积神经网络实现了对不同大小、不同材料、不同类型以及手动划分区域的损伤定位等一系列损伤识别的智能检测。