【技术实现步骤摘要】
本专利技术涉及晶粒尺寸分布表征，尤其是涉及一种基于非线性lamb波的多晶材料晶粒度分布检测方法及介质。
技术介绍
1、多晶金属材料的机械性能受晶粒尺寸分布的影响很大。特别是在高温高压等极端服役条件下，晶粒长大会导致承压部件的强度、塑性、韧性和耐腐蚀性能下降，对设备安全造成危害。因此，准确评估晶粒尺寸分布对预测设备的机械性能和使用寿命具有重要意义。传统的金相分析方法复杂、耗时，而且只能检测选定的区域。
2、超声波测量为实际应用提供了一种以无损方式评估微观结构的替代方法。与其他无损检测技术相比，超声波技术适用于检测和检索材料的内部组织，因为其传播特性与材料的微观结构密切相关。传统的线性超声波方法可用于估算平均晶粒尺寸，但对小晶粒尺寸的灵敏度较低。非线性超声波技术对微观结构具有较高的灵敏度，如专利cn110274960b公开了一种基于非线性超声的钢管显微组织评估方法及装置。但非线性超声波技术在表征多尺度微观结构时仍然会遇到不确定的问题。非线性超声波测试通常采用超声波非线性参数来评估材料损伤，但在正解和反解非线性超声参数以表征晶粒度分布时都会遇到问题。正解的问题是缺乏非线性超声-晶粒动力学模型，而反解的难题则是用单一参数反演空间多维晶粒分布所导致的求解困难。此外，线性和非线性超声响应对晶粒分布的敏感区间不同且模糊，而现有公式无法反映不同晶粒区间的敏感度差异。因此，利用非线性超声波技术准确表征晶粒分布仍然具有挑战性。
技术实现思路
1、本专利技术的目的就是为了克服上述现有技术存在
2、本专利技术的目的可以通过以下技术方案来实现：
3、一种基于非线性lamb波的多晶材料晶粒度分布检测方法，包括以下步骤：
4、采集被测对象在非线性超声激励信号下的响应信号，作为接收信号，所述接收信号为非线性lamb信号；
5、对所述接收信号进行短时傅里叶变换，生成stft图像；
6、将所述stft图像输入到预先训练好的晶粒分布预测模型中，获得被测对象的晶粒尺寸分布；
7、其中，所述晶粒分布预测模型基于卷积神经网络构建，在stft图像上对卷积核进行滑动卷积计算，基于卷积计算得到的多维信息预测获得所述晶粒尺寸分布。
8、进一步地，所述晶粒分布预测模型训练时采用的训练数据集基于金相观察实验构建。
9、进一步地，进行所述晶粒分布预测模型训练时，将训练数据集的样本数据转化为符合正态分布的无量纲数值。
10、进一步地，进行所述晶粒分布预测模型训练时，打乱数据集内样本次序后再对训练数据集进行训练集、测试集和验证集的划分。
11、进一步地，所述激励信号为10周期汉宁窗调制的正弦波时域脉冲信号。
12、进一步地，所述多维信息包括时域信息、频域信息、基频信息和二次谐波信息。
13、进一步地，所述晶粒尺寸分布包括平均晶粒尺寸和对数正态分布的期望和方差。
14、进一步地，所述对数正态分布的概率密度函数定义为：
15、
16、其中，d是单个晶粒的直径；p(d)是对数正态分布的概率密度函数；σ和μ分别是对数正态分布的标准差和期望。
17、进一步地，所述卷积神经网络为二维卷积神经网络。
18、本专利技术还提供一种计算机可读存储介质，包括供电子设备的一个或多个处理器执行的一个或多个程序，所述一个或多个程序包括用于执行如上所述基于非线性lamb波的多晶材料晶粒度分布检测方法的指令。
19、与现有技术相比，本专利技术具有以下有益效果：
20、1、本专利技术首次提出基于非线性lamb波的数据驱动时频分析表征多晶材料晶粒度分布的方法，结合线性和非线性超声响应，能够通过测量材料的非线性lamb波信号快速、便捷的获得材料的晶粒尺寸分布用于评估材料微观组织状态。
21、2、与传统的cnn网络人工选择特征量相比，本专利技术使用非线性超声lamb信号的stft图像作为神经网络的输入，能给卷积过程提供多维信息：时域、频域、基频(线性)和二次谐波(非线性)信息，通过多维度的卷积可以智能捕捉感受野上的局部特征量，减少人工选择特征所带来的误差，提高晶粒尺寸分布预测的准确性。
22、3、本专利技术采用深度神经网络预测对数正态分布的期望和方差来表征材料的晶粒尺寸分布，比传统的平均晶粒尺寸参数更加接近真实的多晶材料晶粒分布实际情况。
23、4、利用本专利技术可更准确表征晶粒尺寸分布，为多尺度微结构和多参数复杂耦合微损伤的自动化无损表征提供了一种潜在的解决方案，同时也为解决异种结构的材料性能退化评估问题提供了一种新的研究思路。
本文档来自技高网...【技术保护点】
1.一种基于非线性Lamb波的多晶材料晶粒度分布检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于非线性Lamb波的多晶材料晶粒度分布检测方法，其特征在于，所述晶粒分布预测模型训练时采用的训练数据集基于金相观察实验构建。
3.根据权利要求1所述的基于非线性Lamb波的多晶材料晶粒度分布检测方法，其特征在于，进行所述晶粒分布预测模型训练时，将训练数据集的样本数据转化为符合正态分布的无量纲数值。
4.根据权利要求1所述的基于非线性Lamb波的多晶材料晶粒度分布检测方法，其特征在于，进行所述晶粒分布预测模型训练时，打乱数据集内样本次序后再对训练数据集进行训练集、测试集和验证集的划分。
5.根据权利要求1所述的基于非线性Lamb波的多晶材料晶粒度分布检测方法，其特征在于，所述激励信号为10周期汉宁窗调制的正弦波时域脉冲信号。
6.根据权利要求1所述的基于非线性Lamb波的多晶材料晶粒度分布检测方法，其特征在于，所述多维信息包括时域信息、频域信息、基频信息和二次谐波信息。
7.根据权利要求1所述的基于非
8.根据权利要求7所述的基于非线性Lamb波的多晶材料晶粒度分布检测方法，其特征在于，所述对数正态分布的概率密度函数定义为：
9.根据权利要求1所述的基于非线性Lamb波的多晶材料晶粒度分布检测方法，其特征在于，所述卷积神经网络为二维卷积神经网络。
10.一种计算机可读存储介质，其特征在于，包括供电子设备的一个或多个处理器执行的一个或多个程序，所述一个或多个程序包括用于执行如权利要求1-9任一所述基于非线性Lamb波的多晶材料晶粒度分布检测方法的指令。
...【技术特征摘要】
1.一种基于非线性lamb波的多晶材料晶粒度分布检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于非线性lamb波的多晶材料晶粒度分布检测方法，其特征在于，所述晶粒分布预测模型训练时采用的训练数据集基于金相观察实验构建。
3.根据权利要求1所述的基于非线性lamb波的多晶材料晶粒度分布检测方法，其特征在于，进行所述晶粒分布预测模型训练时，将训练数据集的样本数据转化为符合正态分布的无量纲数值。
4.根据权利要求1所述的基于非线性lamb波的多晶材料晶粒度分布检测方法，其特征在于，进行所述晶粒分布预测模型训练时，打乱数据集内样本次序后再对训练数据集进行训练集、测试集和验证集的划分。
5.根据权利要求1所述的基于非线性lamb波的多晶材料晶粒度分布检测方法，其特征在于，所述激励信号为10周期汉宁窗调制的正弦波时域脉冲信号。
【专利技术属性】
技术研发人员：刘立帅，项延训，吴芃，轩福贞，
申请(专利权)人：华东理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。