.png){kind=icon}
返回
Flaw classification in bonded joints using multivariate statistical analysis and artificial intelligence
.png){kind=icon}
PRE
AI
DOI：10.1016/j.ijadhadh.2025.104032.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
胶粘剂在多个行业中发挥着重要作用，为各种应用提供多样化的粘接解决方案。然而，由于存在潜在的性能退化风险，它们在安全至关重要的结构中的应用一直受到质疑。为解决这一担忧，本研究引入了一种模式识别方法，旨在通过声学信号分析自动识别胶粘接头的损伤。该方法在由铝基板和丙烯酸胶粘剂粘接的实验样品上进行测试。样品中人为制造的缺陷与粘接表面的百分比相关。受损样品的粘接表面分别为25%、50%或75%，而健康样品的粘接表面为100%。实验包括在样品一端施加脉冲载荷，并使用位于另一端的话筒记录响应载荷产生的声学信号。评估了两种分类算法以区分样品的损伤程度。首先，多元统计分析从声学信号中提取基频，创建了一个分类准确率达到95%的模型。其次，使用从声压级（SPL）信号中提取的特征训练并验证了一个人工神经网络（ANN）模型，在9折交叉验证中获得了平均97.1%的准确率。结果表明，该提出的方法有进一步探索的潜力，可开发出能够自动检测粘接接头损伤的稳健系统。未来的工作将探讨分类技术对检测其他与缺乏粘附力和固化时间不足相关的缺陷的性能。
Keyword:
Artificial intelligent
Bonded joints
Flaw detection
Neural networks
Acoustic signals
期刊
IF:
3.5
论文数:
3.9K
被引数:
9.6K
机构
引用论文
Data-Driven Fault Diagnosis Using Deep Canonical Variate Analysis and Fisher Discriminant Analysis
PREAI
分享收藏Failure load prediction of adhesively bonded GFRP composite joints using artificial neural networks使用人工神经网络预测胶接GFRP复合材料接头的破坏载荷
OAAI
OAAI分享收藏Identifying Weak Adhesion in Single-Lap Joints Using Lamb Wave Data and Artificial Intelligence Algorithms使用拉姆波数据和人工智能算法识别单搭接接头的弱粘附
OAAI
OAAI分享收藏The Use of Neural Networks in the Analysis of Dual Adhesive Single Lap Joints Subjected to Uniaxial Tensile Test.png)
MATERIALSOAAI
MATERIALSIF3.2
OAAI分享收藏
查看更多内容