论文部分内容阅读
树脂基碳纤维复合材料以其优异的性能广泛应用于航空航天领域,随着对材料在复杂条件下载荷能力要求的提高,对复合材料缺陷特别是孔隙的控制也越来越重视。目前树脂基碳纤维复合材料孔隙测量广泛使用超声波衰减法,但实际应用中由于复合材料的复杂性,这种方法很难保证数据一致性。如果可以应用数据挖掘手段提高超声无损测量碳纤维复合材料的孔隙的准确性,将会促进复合材料可靠性评价的快速发展。本文通过对纺织碳纤维层压板和单向纤维层压板两种复合材料进行对金相解剖分析,应用ImageJ软件自编金相分析程序进行组织参数分析,提取孔隙的特征参数孔隙率、孔隙形貌(孔隙长短轴比、孔隙分形维数)。通过水浸超声自动扫描对碳纤维复合材料采集超声信号,分别获得超声特征参数声速、衰减、非线性系数、背散射信号功率,研究各个超声参数与孔隙率和孔隙形貌的相关性,并且拟合成对应的一元线性关系。然后结合因子分析方法,挖掘复合材料孔隙率、孔隙形貌和超声波声速、衰减、非线性系数、背散射信号功率的多元对应关系。根据因子分析结果,结合AdaBoost算法进行神经网络学习,进一步采用大数据融合的方法对孔隙率、孔隙形貌进行预测。最后对不同超声信号特征数据处理方法测量结果进行对比分析。研究结果表明:声速、衰减系数、非线性系数、背散射信号功率与对应碳纤维复合材料的孔隙率、孔隙形貌有对应的显著相关性,并且可以得到拟合度较高的一元对应关系。其中纺织碳纤维层压板孔隙长短轴比越大,声速越小;孔隙分形维数越大,声速越大;其孔隙率越大,衰减系数越大,背散射信号功率越大。单向碳纤维层压板孔隙率越大,衰减系数越大,背散射信号功率越大。对各个特征参数经过因子分析,得到纺织碳纤维孔隙分形维数的主要影响成分因子为非线性系数、衰减系数,单向碳纤维孔隙率的主要影响成分因子为背散射信号功率、衰减系数,并且推导出超声特征量和孔隙特征量对应的多元线性关系。对各个超声参数经过基于因子分析,结合AdaBoost算法进行神经网络学习,通过对孔隙率、孔隙形貌的准确预测,得到孔隙率0.1%~1.2%范围内神经网络测量相对误差不超过15%。在长短轴比1.7~2.73范围内神经网络测量孔隙长短轴比相对误差不超过10%,在分形维数1.9~1.93范围内神经网络测量孔隙分形维数相对误差不超过2%,数据融合测量结果远远高于其他线性测量方法的准确度。