一种基于循环神经网络的全波形反演导波层析成像方法技术

本发明专利技术公开了一种基于循环神经网络的全波形反演的导波层析成像方法，包括：步骤1，利用循环神经网络的序列计算实现基于有限差分法的声波公式的时间序列正演建模，得到初始模型；步骤2，依次循环计算每个激发位置时每个时间步的波场值，生成模拟值；步骤3，实际观测值经过信号处理后，生成模拟值与观测值的最小二乘目标方程；步骤4，反演部分对最小二乘目标方程进行迭代最小化，包括自动微分法和

【技术实现步骤摘要】
一种基于循环神经网络的全波形反演导波层析成像方法


[0001]本专利技术涉及工业无损检测领域，具体涉及一种基于循环神经网络的全波形反演导波层析成像方法
。

技术介绍

[0002]板或类板状结构的腐蚀定量检测是工业无损检测
(NDT)
研究中一个关键而复杂的课题，它决定了材料的剩余寿命
。
板或板状部件广泛应用于飞机
、
汽车
、
造船
、
石油工业，在使用中，由于板材可能受到力学和化学的影响，内部会逐渐形成缺陷，缺陷的扩展可能引发结构的疲劳失效导致生产安全事故，因此板材损伤检测和材料剩余寿命量化至关重要
。
[0003]作为传统的无损检测技术之一，超声导波无损检测被广泛用于探测板状部件内部的缺陷
。
这种检测方法具有对设备的要求低
、
非入侵性检测
、
快速高效
、
高精度
、
成本低廉
、
无污染的特点
。
目前学界已经对导波层析成像算法进行了许多研究，包括走时成像
、
衍射成像以及其他考虑更多物理原理特征的高级算法，例如稳健的乳房超声断层扫描
(HARBUT)
或改进的混合算法
HARBUT
系列算法
、
全波形反演
(FWI)
和快速反演层析成像
。
但是以上的算法均有一定的缺点，限制着导波层析成像的实际应用
。
[0004]相比于其他方法
(X
光，磁粉，涡流
)
，超声导波层析成像技术具有非入侵性
、
快速高效
、
高精度和成本低廉等优点
。
在各种超声导波层析成像算法中，采用走时或衍射算法可以对缺陷腐蚀进行成像，但是精度低而且受噪声影响大，而
FWI
算法可以相对高精度的重建出损伤图像，但其需要相对准确的初始模型，且鲁棒性不高，收敛速度和成像分辨率仍有提高的空间
。

技术实现思路

[0005]本专利技术是为了解决上述问题而进行的，目的在于提供一种基于循环神经网络的全波形反演导波层析成像方法
。
[0006]本专利技术提供了一种基于循环神经网络的全波形反演导波层析成像方法，具有这样的特征，包括以下步骤：步骤1，利用循环神经网络 (CNN)
的序列计算实现基于有限差分法的声波公式的时间序列正演建模，得到初始模型；步骤2，根据初始模型，依次循环计算每个激发位置时每个时间步的波场值，生成模拟值；步骤3，实际观测值经过信号处理后，生成模拟值与观测值的最小二乘目标方程；步骤4，反演部分对最小二乘目标方程进行迭代最小化，反演部分包括自动微分法和
Adam
算法，自动微分法负责目标方程梯度计算，
Adam
算法负责迭代更新速度模型和
UNet
权重，最后生成更新的速度模型；步骤5，对更新的速度模型进行深度图像先验
(DIP)UNet
正则化，生成下次迭代的初始模型；步骤6，重复步骤1～步骤5，进行下一次迭代计算直到目标方程低于指定阈值，得到最终速度模型，并将最终速度模型利用频散关系转化为厚度模型
。
[0007]在本专利技术提供的基于循环神经网络的全波形反演导波层析成像方法中，还可以具有这样的特征：其中，步骤1中，正演建模是在模型中数值传播波源并记录接收换能器位置
处的波场的过程，具体过程为：常密度介质中的二维声波公式表示为：
[0008][0009]p
t
＝
ξ
(s
t
)
ꢀꢀꢀ
(2)
[0010]式中
p(r,t)
是波场，
s(r,t)
是波源，
r
表示2‑
D
或3‑
D
空间矢量，
t 是时间，
v(r)
是超声波波速，是空间拉普拉斯算子，
ξ
为前向算子
。
式
(1)
用有限差分法计算和离散化，在有限差分网格点计算波场
。
二阶有限差分定义为：
[0011][0012]式中
Δ
t
是单位步长时间
。
通过联立上述方程得到以下结果：
[0013][0014]式
(4)
为
FWI
的正演公式，通过计算式
(4)
得到所有时刻的波场值
。
[0015]在本专利技术提供的基于循环神经网络的全波形反演导波层析成像方法中，还可以具有这样的特征：其中，步骤4中，
Adam
算法用于更新
CNN
的权重参数：
[0016]m
(k+1)
＝
m
(k)
‑
a
(k)
g
′
(k)
ꢀꢀꢀ
(5)
[0017]式中，
a
是迭代更新步长，
k
是迭代步数，
g
是梯度
。
[0018]在本专利技术提供的基于循环神经网络的全波形反演导波层析成像方法中，还可以具有这样的特征：其中，步骤4中，最小二乘目标方程改写为：
[0019][0020]式中，
N
是神经网络，
z
是随机矩阵，
w
为神经网络的权重
。
[0021]在本专利技术提供的基于循环神经网络的全波形反演导波层析成像方法中，还可以具有这样的特征：其中，步骤5中，
DIP
‑
UNet
结构的参数详细信息如下表所示，包括但是不限于表中的参数设置：
[0022][0023]在本专利技术提供的基于循环神经网络的全波形反演导波层析成像方法中，还可以具有这样的特征：其中，步骤5中，直接将
UNet
的输出与更新的速度模型结合起来作为下一个
FWI
循环的速度图参数更新
。
[0024]专利技术的作用与效果
[0025]根据本专利技术所涉及的基于循环神经网络的全波形反演导波层析成像方法，因为具体过程为：步骤1，利用
CNN
的序列计算实现基于有限差分法的声波公式的时间序列正演建模，得到初始模型；步骤2，根据初始模型，依次循环计算每个激发位置时每个时间步的波场值，生成模拟值；步骤3，实际观测值经过信号处理后，生成模拟值与观测值的最小二乘目标方程；步骤4，反演部分对最小二乘目标方程进行迭代最小化，反演部分包括自动微分法和
Adam
算法，自动微分法负责目标方程梯度计算，
Adam
算法负责迭代更新速度模型和...

【技术保护点】

【技术特征摘要】
1.
一种基于循环神经网络的全波形反演导波层析成像方法，其特征在于，包括以下步骤：步骤1，利用循环神经网络的序列计算实现基于有限差分法的声波公式的时间序列正演建模，得到初始模型；步骤2，根据所述初始模型，依次循环计算每个激发位置时每个时间步的波场值，生成模拟值；步骤3，实际观测值经过信号处理后，生成所述模拟值与观测值的最小二乘目标方程；步骤4，反演部分对所述最小二乘目标方程进行迭代最小化，所述反演部分包括自动微分法和
Adam
算法，所述自动微分法负责目标方程梯度计算，所述
Adam
算法负责迭代更新速度模型和
UNet
权重，最后生成更新的速度模型；步骤5，对所述更新的速度模型进行深度图像先验
UNet
正则化，生成下次迭代的所述初始模型；步骤6，重复步骤1～步骤5，进行下一次迭代计算直到目标方程低于指定阈值，得到最终速度模型，并将所述最终速度模型利用频散关系转化为厚度模型
。2.
根据权利要求1所述的基于循环神经网络的全波形反演导波层析成像方法，其特征在于：其中，步骤1中，所述正演建模是在模型中数值传播波源并记录接收换能器位置处的波场的过程，具体过程为：常密度介质中的二维声波公式表示为：
p
t
＝
ξ
(s
t
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
式中
p(r,t)
是波场，
s(r,t)
是波源，
r
表示2‑
D
或3‑
D
空间矢量，
t
是时间，
v(r)
是超声波波速，是空间拉普拉斯算子，
ξ
为前向算子，式
(1)

【专利技术属性】
技术研发人员：王子剑，李旦，张建秋，他得安，
申请(专利权)人：复旦大学义乌研究院，
类型：发明
国别省市：