[发明专利]一种基于声发射特性判别微观开裂模式的机器学习算法

说明书

本发明公开了一种基于声发射特性判别微观开裂模式的机器学习算法，首先，利用试验监测到的声发射平均频率(记为AF)与仰角余切(记为RA)形成初始无标记数据集。其次，根据开裂模式类别构造权重向量，并迭代计算得到数据聚类的中心点，进而对数据集之中的向量进行标记。然后，求出数据集所对应的拉格朗日乘子向量，再计算得到数据集的线性聚类方程，最终得到开裂模式的线性判别标准。本发明适用于声发射判别开裂模式特性能够成立的所有材料，适用于材料、构件和结构的力学试验(包括静力、动力、疲劳、冲击、耐久性试验)，相比于现有技术更具有客观性与普适性。

技术领域

本发明涉及到固体力学、材料力学、微观开裂模式以及机器学习领域，具体涉及一种根据声发射特性判别材料微观开裂模式的机器学习算法。

背景技术

材料微观开裂模式的判别，对于正确分析材料微观损伤机制、建立合理的材料本构模型、分析构件/结构的力学特性具有重要的作用。目前，声发射是一种被广泛认可的能够判别材料微观开裂模式的无损监测技术，具有监测数据量庞大、数据监测稳定的优点。声发射波形特征与开裂模式相关[JCMS-IIIB5706.Japan Construction MaterialStandards.Monitoring Method for Active Cracks in Concrete by AcousticEmission.Japan:The Federation ofConstructionMaterial Industries,2003]，即声发射平均频率(记为AF)与仰角余切值(记为RA)的比值如果较大则对应受拉开裂模式，如果较小则对应剪切开裂模式[Ohno K,Ohtsu M.Crack classification in concrete based onacoustic emission.Construction and Building Materials,2010,24(12):2339-2346]。然而，现有技术大多依据经验给出判别开裂模式的AF/RA临界值，具有主观性，降低了判别结果的可靠性[Yue J.G.,Kunnath S.K.,Xiao Y.Uniaxial concrete tension damageevolution using acoustic emissionmonitoring.Construction andBuildingMaterials,2020,232:117281]。机器学习算法综合利用数学原理，对海量数据进行训练，挖掘数据内在规律，在数据的客观、科学分类方面具有强大优势。

发明内容

本发明的目的是根据声发射判别开裂模式的特性，提供一种能够分析处理大量声发射监测数据的机器学习算法，用以科学、客观地判别开裂模式。

本发明采用的技术方案：一种基于声发射特性判别微观开裂模式的机器学习算法，包括以下步骤：

1)形成初始数据集：从同组试验监测得到的声发射结果中，提取所有声发射撞击的平均频率值(记为AF)与仰角余切值(记为RA)。第i次撞击的AF、RA形成向量[AF_i RA_i]。以随机的方式，将全部向量[AF_i RA_i]合并成初始数据集AR₀，即AR₀＝[AF_i RA_i]_n，其中i＝1,…,n，n为声发射撞击总数。声发射监测结果来源于所有用于监测的声发射传感器。

2)相应于开裂模式的数据聚类：根据需要判别的开裂模式的类别，结合数据集向量在欧式几何空间中的分布特点，确定权重向量的构成和初始值，通过迭代更新权重向量，得到数据聚类的中心点，从而对数据集AR₀之中的所有向量进行标记；

相应于开裂模式的数据聚类的具体实施步骤如下：

(i)将初始数据集AR₀中的每个向量[AF_i RA_i]按以下方式进行归一化：