.png){kind=icon}
返回
Defect estimation using surrogate-based Monte Carlo Bayesian optimization
.png){kind=icon}
PRE
AI
DOI：10.1016/j.measurement.2025.117449.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本研究提出了一种新颖的复合人工智能方法，该方法将蒙特卡洛贝叶斯优化与声波传播的快速神经网络代理模型相结合，用于在噪声环境下非破坏性检测（NDT）中估计缺陷的深度和宽度。该代理模型基于有限元仿真训练，可从激励宽度、材料坐标和传播时间等输入预测von Mises应力，其输出速度比直接数值分析快70,000倍以上。通过系统地调整代理模型的输入以匹配任意给定的（目标）输出，优化器能够识别缺陷的深度和宽度，而无需依赖信号处理算法。实验评估表明，即使在低信噪比的挑战性条件下，该方法在估计缺陷深度和宽度方面分别实现了超过98.5%和90%的准确率（误差均小于1 mm）。使用不同相似度指标（R2、r、余弦相似度、反向MSE或反向MAE）的比较评估显示，由R2指标引导的蒙特卡洛贝叶斯优化能够持续提供稳健且稳定的性能，突显了其对高噪声水平的鲁棒性。这些结果支持了实时、高精度超声缺陷检测的潜力，同时降低了计算需求并减少了开发专业领域特定算法的必要性。
Keyword:
Acoustic wave propagation
Surrogate model
Bayesian optimization
Monte Carlo
Defect estimation
Deep neural networks
期刊
IF:
5.6
论文数:
2.0W
被引数:
5.4W
机构
引用论文
Symmetry-informed surrogates with data-free constraint for real-time acoustic wave propagation.png)
APPLIED ACOUSTICS
OAAI
APPLIED ACOUSTICSIF3.6
OAAI分享收藏Efficient Bayesian inference for finite element model updating with surrogate modeling techniques
PREAI
分享收藏Bayesian Optimization for 3D Source Localization from Multi-channel Time-series Signals基于贝叶斯优化的多通道时序信号三维声源定位
PREAI
分享收藏
Probabilistic model updating of civil structures with a decentralized variational inference approach
PREAI
分享收藏分享收藏
查看更多内容