[论文解读] Spatial Damage Characterization in Self-Sensing Materials via Neural Network-Aided Electrical Impedance Tomography: A Computational Study

Lang Zhao, Tyler N. Tallman+1 more|arXiv (Cornell University)|Oct 4, 2020

Smart Materials for Construction被引用 5

一句话总结

本研究提出一种基于神经网络的增强方法，以提升电学阻抗断层扫描（EIT）在自感知压阻性纳米复合材料中精确表征空间损伤的能力。通过使用经碳纳米纤维改性环氧树脂的实验测量数据校准的模拟EIT数据对深度神经网络进行训练，该方法在损伤数量预测中达到99.2%的准确率，损伤尺寸量化平均误差为2.46%，损伤位置估计平均误差为0.89%，显著提升了EIT在结构健康监测中的分辨率与可靠性。

ABSTRACT

Continuous structural health monitoring (SHM) and integrated nondestructive evaluation (NDE) are important for ensuring the safe operation of high-risk engineering structures. Recently, piezoresistive nanocomposite materials have received much attention for SHM and NDE. These materials are self-sensing because their electrical conductivity changes in response to deformation and damage. Combined with electrical impedance tomography (EIT), it is possible to map deleterious effects. However, EIT suffers from important limitations -- it is computationally expensive, provides indistinct information on damage shape, and can miss multiple damages if they are close together. In this article we apply a novel neural network approach to quantify damage metrics such as size, number, and location from EIT data. This network is trained using a simulation routine calibrated to experimental data for a piezoresistive carbon nanofiber-modified epoxy. Our results show that the network can predict the number of damages with 99.2% accuracy, quantify damage size with respect to the averaged radius at an average of 2.46% error, and quantify damage position with respect to the domain length at an average of 0.89% error. These results are an important first step in translating the combination of self-sensing materials and EIT to real-world SHM and NDE.

研究动机与目标

• 为克服传统电学阻抗断层扫描（EIT）在自感知材料中空间分辨率低、难以区分紧密排列损伤的局限性。
• 开发一种机器学习框架，实现在EIT数据上对损伤指标——数量、尺寸和位置——进行精确、实时的量化。
• 利用碳纳米纤维改性环氧树脂的实验数据校准基于仿真的训练流程，以确保模型在实际应用中的相关性。
• 证明神经网络可显著提升EIT在结构健康监测（SHM）和无损检测（NDE）中的精度与可靠性。

提出的方法

• 使用压阻性碳纳米纤维-环氧树脂复合材料的有限元模型生成的合成EIT数据对深度神经网络进行训练，其中电导率变化用于模拟损伤。
• 通过实验数据对仿真进行校准，以确保模型参数能够真实反映材料行为，包括噪声和网格分辨率的影响。
• 网络被训练以预测三个损伤指标：损伤数量、损伤平均半径以及相对于域长度的中心位置。
• 网络的输入为EIT数据，形式为边界电压-电流测量值，网络学习将这些测量值映射到损伤特征。
• 训练过程采用高精度参考网格，以最小化建模误差并提升对实际条件的泛化能力。
• 通过模拟损伤场景测试集评估性能，指标包括预测准确率和平均绝对误差。

实验结果

研究问题

• RQ1 神经网络能否从自感知材料的EIT数据中准确预测损伤数量？
• RQ2 神经网络在多大程度上能从EIT测量中高精度地量化损伤尺寸（半径）？
• RQ3 与真实值相比，网络利用EIT数据定位损伤中心的精度如何？
• RQ4 与传统EIT图像重建方法相比，神经网络方法在分辨紧密排列损伤方面是否表现更优？
• RQ5 当使用经实验测量校准的仿真数据进行训练时，该模型能否在真实世界条件下实现良好泛化？

主要发现

• 神经网络在从EIT数据预测损伤数量方面，测试准确率达到99.2%。
• 损伤尺寸（半径）量化中的平均误差为2.46%，表明尺寸估计具有高精度。
• 损伤中心位置预测的平均误差为域长度的0.89%，表明定位精度高。
• 与基于EIT图像的模型相比，该网络将半径预测的平均误差从5.11 mm降低至0.987 mm。
• 该方法能有效分辨在传统EIT重建中模糊或合并的紧密排列损伤。
• 结果表明，基于神经网络的EIT可实现实时、高精度的损伤表征，适用于实际的结构健康监测（SHM）和无损检测（NDE）应用。