一种基于声发射特性判别微观开裂模式的机器学习算法制造技术

本发明专利技术公开了一种基于声发射特性判别微观开裂模式的机器学习算法，首先，利用试验监测到的声发射平均频率(记为AF)与仰角余切(记为RA)形成初始无标记数据集。其次，根据开裂模式类别构造权重向量，并迭代计算得到数据聚类的中心点，进而对数据集之中的向量进行标记。然后，求出数据集所对应的拉格朗日乘子向量，再计算得到数据集的线性聚类方程，最终得到开裂模式的线性判别标准。本发明专利技术适用于声发射判别开裂模式特性能够成立的所有材料，适用于材料、构件和结构的力学试验(包括静力、动力、疲劳、冲击、耐久性试验)，相比于现有技术更具有客观性与普适性。

【技术实现步骤摘要】
一种基于声发射特性判别微观开裂模式的机器学习算法
本专利技术涉及到固体力学、材料力学、微观开裂模式以及机器学习领域，具体涉及一种根据声发射特性判别材料微观开裂模式的机器学习算法。
技术介绍
材料微观开裂模式的判别，对于正确分析材料微观损伤机制、建立合理的材料本构模型、分析构件/结构的力学特性具有重要的作用。目前，声发射是一种被广泛认可的能够判别材料微观开裂模式的无损监测技术，具有监测数据量庞大、数据监测稳定的优点。声发射波形特征与开裂模式相关[JCMS-IIIB5706.JapanConstructionMaterialStandards.MonitoringMethodforActiveCracksinConcretebyAcousticEmission.Japan:TheFederationofConstructionMaterialIndustries,2003]，即声发射平均频率(记为AF)与仰角余切值(记为RA)的比值如果较大则对应受拉开裂模式，如果较小则对应剪切开裂模式[OhnoK,OhtsuM.Crackclassificationinconcretebasedonacousticemission.ConstructionandBuildingMaterials,2010,24(12):2339-2346]。然而，现有技术大多依据经验给出判别开裂模式的AF/RA临界值，具有主观性，降低了判别结果的可靠性[YueJ.G.,KunnathS.K.,XiaoY.Uniaxialconcretetensiondamageevolutionusingacousticemissionmonitoring.ConstructionandBuildingMaterials,2020,232:117281]。机器学习算法综合利用数学原理，对海量数据进行训练，挖掘数据内在规律，在数据的客观、科学分类方面具有强大优势。
技术实现思路
本专利技术的目的是根据声发射判别开裂模式的特性，提供一种能够分析处理大量声发射监测数据的机器学习算法，用以科学、客观地判别开裂模式。本专利技术采用的技术方案：一种基于声发射特性判别微观开裂模式的机器学习算法，包括以下步骤：1)形成初始数据集：从同组试验监测得到的声发射结果中，提取所有声发射撞击的平均频率值(记为AF)与仰角余切值(记为RA)。第i次撞击的AF、RA形成向量[AFiRAi]。以随机的方式，将全部向量[AFiRAi]合并成初始数据集AR0，即AR0＝[AFiRAi]n，其中i＝1,…,n，n为声发射撞击总数。声发射监测结果来源于所有用于监测的声发射传感器。2)相应于开裂模式的数据聚类：根据需要判别的开裂模式的类别，结合数据集向量在欧式几何空间中的分布特点，确定权重向量的构成和初始值，通过迭代更新权重向量，得到数据聚类的中心点，从而对数据集AR0之中的所有向量进行标记；相应于开裂模式的数据聚类的具体实施步骤如下：(i)将初始数据集AR0中的每个向量[AFiRAi]按以下方式进行归一化：式中，和分别是AFi和RAi的归一化结果。初始数据集AR0中的所有向量格式化之后形成新的数据集(记为)。(ii)根据需判别的开裂模式类别(即受拉和剪切两类)，确定权重向量W的构成包含两个子向量，即W＝[W1W2]，其中权重子向量权重向量W的初始值W0按下式确定：式中，和分别为全部声发射撞击中最大平均频率与最大仰角余切归一化之后的值，和分别为对应与的平均频率与仰角余切归一化之后的值。(iii)在欧氏几何空间，分别计算权重子向量W1、W2与数据集中第i个向量的欧氏距离，较小欧氏距离所对应的权重子向量作为需要更新的权重子向量(记为Wb)，并按下式更新权重子向量Wb：βNew＝β-β/I(5)式中，Wb,New是更新后的权重子向量，β是学习率(其初始值大于零)，βNew是更新后的学习率，I是设定值。(iv)重复上述(ii)-(iii)步骤，对权重子向量反复更新，直到βNew的值足够小停止更新，此时得到最优权重向量。在欧氏空间，计算数据集AR中每个向量ARi与最优权重子向量的欧氏距离，将每个向量聚类到与其欧氏距离较小的权重子向量所属的类别，并用符号yi进行标记，其中yi＝-1表示剪切模式、yi＝+1表示受拉模式。3)确定开裂模式的线性判别标准：通过计算最优拉格朗日乘子向量，求得数据集AR0的线性聚类方程，进而得到开裂模式的判别标准。对聚类后的数据集进行线性分类，具体求解步骤如下：(i)根据声发射撞击总数，构造拉格朗日乘子向量α如下式：α＝[α1…αi…αn](6)式中，αi为与数据集AR0中第i个向量ARi相对应的拉格朗日乘子，n为声发射撞击总数，取所有拉格朗日乘子的初始值为零。(ii)利用标记后的初始数据集AR0，每次更新拉格朗日乘子向量α中的任意两个拉格朗日乘子(记为αI、αII)，直至将α中所有拉格朗日乘子更新完成之后停止。每次更新两个拉格朗日乘子的计算方法如下：αI,New＝αI+y1y2(αII-αII,New)(8)式中，ARI、ARII为分别为数据集AR0中对应αI、αII的向量，为向量ARi的转置，yi为向量ARi的标记值，b为阈值且初始值取为零，αI,New、αII,New分别为更新后的αI、αII。更新后的αII,New应该满足下式：每次更新αI、αII之后，阈值b按下式进行更新：①若0<αI,New<C，则：②若0<αII,New<C，则：式中，bNew是更新后的阈值。③若0<αI,New<C且0<αII,New<C，则式(13)等于式(14)；④若情况①、②、③均不满足，则更新后的b值取式(13)与式(14)结果的平均值。(iii)根据更新完成之后的拉格朗日乘子向量，按下式计算数据集AR0线性聚类方程的法向量：式中，V为数据集AR0线性聚类方程的法向量，其构成为V＝[v1v2]T，αi,New为更新后的第i个拉格朗日乘子。(iv)根据法向量V，判别两类开裂模式的临界方程按下式确定：AF＝k1·RA+k2(16)式中，k1＝-v2/v1，k2＝-b/v1，AF与RA分别为受拉与剪切开裂模式临界状态所对应的声发射撞击的平均频率和仰角余切。(v)根据临界方程即式(16)，每次声发射撞击所对应的开裂模式的判别标准如下：①若AFi>k1·RAi+k2，则第i次声发射撞击对应的开裂模式为受拉模式；②若AFi<k1·RAi+k2，则第i次声发射撞击对应的开裂模式为剪切模式。有益效果：1)本专利技术基于声发射判别微观开裂模式的特性，利用机器学习算法计算得到海量声发射监测数据的本文档来自技高网...

【技术保护点】
1.一种基于声发射特性判别微观开裂模式的机器学习算法，其特征在于：包括以下步骤：/n(1)形成初始数据集：从同组试验的声发射监测结果中，分别提取所有声发射撞击的平均频率值AF与仰角余切值RA的数据，将两者合并形成初始数据集AR

【技术特征摘要】
1.一种基于声发射特性判别微观开裂模式的机器学习算法，其特征在于：包括以下步骤：
(1)形成初始数据集：从同组试验的声发射监测结果中，分别提取所有声发射撞击的平均频率值AF与仰角余切值RA的数据，将两者合并形成初始数据集ARo；
所述试验是指可利用声发射特性判别微观开裂模式的相关力学试验，包括材料、构件、结构的力学性能试验，加载方式包括静力及动力加载；所述同组试验是指采用相同试件、相同加载方法的试验；声发射仰角余切值等于上升时间与幅值的比值；
(2)相应于开裂模式的数据聚类：根据需要判别的开裂模式的类别，结合数据集向量在欧式几何空间中的分布特点，确定权重向量的构成和初始值，通过迭代更新权重向量，得到数据聚类的中心点，从而对初始数据集ARo之中的所有向量进行标记；
(3)确定开裂模式的线性判别标准：通过计算最优拉格朗日乘子向量，求得初始数据集ARo的线性聚类方程，进而得到开裂模式的判别标准。


2.根据权利要求1所述一种基于声发射特性判别微观开裂模式的机器学习算法，其特征在于：所述步骤(1)中第i次撞击的AF、RA形成向量[AFiRAi]，以随机的方式，将全部向量[AFiRAi]合并成初始数据集ARo，即ARo＝[AFiRAi]n，其中i＝1,…,n，n为声发射撞击总数，声发射监测结果来源于所有用于监测的声发射传感器。


3.根据权利要求1所述一种基于声发射特性判别微观开裂模式的机器学习算法，其特征在于：所述步骤(2)中相应于开裂模式的数据聚类的具体实施步骤如下：
(i)将初始数据集ARo中的每个向量[AFiRAi按以下方式进行归一化：






式中，和分别是AFi和RAi的归一化结果；初始数据集ARo中的所有向量格式化之后形成新的数据集
(ii)根据需判别的开裂模式类别，即受拉和剪切两类，确定权重向量W的构成包含两个子向量，即W＝[W1W2]，其中权重子向量权重向量W的初始值Wo按下式确定：



式中，和分别为全部声发射撞击中最大平均频率与最大仰角余切归一化之后的值，和分别为对应与的平均频率与仰角余切归一化之后的值；
(iii)在欧氏几何空间，分别计算权重子向量W1、W2与数据集中第i个向量的欧氏距离，较小欧氏距离所对应的权重子向量作为需要更新的权重子向量Wb，并按下式更新权重子向量Wb：



βNew＝β-β/I(5)
式中，Wb,New是更新后的权重子向量，β是学习率，其初始值大于零，βNew是更新后的学习率，I是设定值；
(iv)重复上述(ii)-(iii)步骤，对权重子向量反复更新，直到βNew的值足够小停止更新，此时得到最优权重向量；在欧氏空间，计算数据集A...

【专利技术属性】
技术研发人员：岳健广，王雅宁，
申请(专利权)人：南京工业大学，
类型：发明
国别省市：江苏;32