主要的挑战和未来的发展方向
应用于碳纤维复合材料的超声阵列检测技术在近几十年的发展中取得了很大的进步，且新技术和新手段的出现为该领域带来了新的发展动力和方向。但是，面临不断推出复杂结构的新型碳纤维复合材料，如何高效、可靠、精确地检测并评估出这些材料中各种类型的损伤仍然面临挑战。本节介绍了可能会面临的挑战和未来的发展方向。碳纤维复合材料可以分为树脂基、金属基、陶瓷基和橡胶基这4种常用形式，不同分类的基体材料所具备的性能优势并不相同，而且差异巨大。另外，一些由碳纤维复合材料组成的外形结构也十分复杂，例如L型、T 形、Ω 形等结构。未来的研究方向需要考虑在复杂环境条件下，建立这些不同材料结构的碳纤维复合材料中的声学模型，例如在水或者覆盖冰层中的碳纤维复合材料复杂结构的损伤检测。为了提高超声检测技术的损伤诊断能力，研究超声波与不同损伤类型的作用机理是十分重要的。这些研究内容包括超声波遇到不同的损伤类型的声散射能量和传播模式的变化等。由于碳纤维复合材料的固化工艺与服役工况复杂，状态参数多，单一的传感技术难以获得定量表征复合材料结构状态所需的信息。因此，需要建立多场耦合传感网络。近年来，一些学者将并行计算、GPU 加速、多线程采集、FPGA 等现代计算机科学技术与阵列超声后处理成像技术相融合，初步实现了金属损伤的实时成像。然而，由于碳纤维复合材料的各向异性，其声时计算方法较为复杂，需优化损伤诊断成像算法，实现基于各向异性声学模型的碳纤维复合材料的工业化实时成像。国内外主机厂对碳纤维复合材料平板中的分层等面积型损伤检测，已形成了相应标准，如国外 ASTM E2580和E2533，我国GJB 1038.1和 HB 7825 等。而对于其他类型的损伤检测没有统一标准，主要依赖检测人员的专业水平，从而无法一致地定量评估损伤的类型、大小和形状。随着碳纤维复合材料的大量使用，为节省维修成本和充分利用这些复合材料以达到经济利益最大化，对这些服役材料寿命的评估与预测是具有广阔的市场应用需求的。随着计算机技术的快速发展，使得超声检测技术和成像方法在算法方面，朝向更高精度、更便捷、更高效、更准确的方向去发展。以机器学习为核心的人工智能在近几年高速发展，受到很多领域的广泛关注。在复合材料无损检测领域，先进传感技术与数据挖掘技术相结合是未来发展的一个趋势。传统的无损检测技术对专家经验过度依赖，底层信号特征易受环境因素影响，不同损伤或者条件下的损伤指数不通用。在“大数据”时代，将机器学习应用于无损检测领域，对庞大的数据进行训练，从而提高检测效率、精度和可靠性。应用于无损检测领域的机器学习方法有人工神经网络（ANN）、深度神经网络（DNN）和支持向量机（SVM）等方法。ANN是模仿大脑神经网络结构和功能建立起来的信息处理系统，包含输入层、隐含层和输出层。DNN与ANN类似，通过建立多层隐含层的模型并训练庞大的数据集，以此获取更深层的信息。杨宇等人利用偏斜感知的数据增强方法，建立了分布式时序神经网络模型，成功识别出碳纤维复合材料加筋板的冲击损伤。在缺乏训练数据的情况下，低维空间中建立非线性映射，从而将样本转换为高维空间，SVM具有较强学习能力和泛化能力。此外，高东岳基于随机森林回归模型，建立复合材料结构的损伤识别模型。杨宇等通过多机器学习模型对数据监测，提高了结构损伤识别的泛化能力，建立复合材料结构损伤识别方法。机器学习在超声无损检测技术已经初步表现出准确性高、效率快等优势，但是在检测领域使用机器学习还面临一些挑战：1）监测数据不完备，样本数量不足；2）数据偏斜严重；3）数据的采集和分析没有统一标准。面对这些挑战，在无损检测领域和结构健康监测领域需要做一系列的应对策略，例如建立大数据库，支持数据共享、完善核心算法、统一数据信息化标准等。损伤评估有四层：损伤检测/识别；损伤定位；损伤量化；对结构剩余使用寿命的预测。无损检测/结构健康监测技术目前关注点在损伤评估的前三层，即制造和服役过程中检测到的损伤输出。尽管前三个层次很重要，但是将检测结果输入到结构剩余寿命模型中，从而构建结构状态预测的数字孪生模型，也是未来具有挑战性的工作。
