基于数据融合-知识迁移方法的高温数字图像相关试验应力表征

doi:10.7527/S1000-6893.2025.31574

飞行器数字孪生技术专刊

本期目录 | 过刊浏览 | 高级检索

前一篇 | 后一篇

基于数据融合-知识迁移方法的高温数字图像相关试验应力表征

郭程洁¹^,², 徐典¹^,², 李进宝¹^,², 程超宇¹^,², 郭硕昌¹^,², 李锐¹^,²()

^1.大连理工大学力学与航空航天学院，大连 116024
^2.大连理工大学工业装备结构分析优化与CAE软件全国重点实验室，大连 116024

收稿日期:2024-11-26 修回日期:2024-12-24 接受日期:2025-01-24 出版日期:2025-07-01 发布日期:2025-02-10
通讯作者: 李锐 E-mail:ruili@dlut.edu.cn
基金资助:
国家自然科学基金(12372067);国家自然科学基金(12022209);国防基础科研计划(JCKY2021205B003);辽宁省自然科学基金杰出青年基金(2025JH6/101100005);大连市杰出青年科技人才项目(2024RJ005)

Stress characterization of high-temperature digital image correlation experiments based on a data fusion-knowledge transfer method

Chengjie GUO¹^,², Dian XU¹^,², Jinbao LI¹^,², Chaoyu CHENG¹^,², Shuochang GUO¹^,², Rui LI¹^,²()

^1.School of Mechanics and Aerospace Engineering，Dalian University of Technology，Dalian 116024，China
^2.State Key Laboratory of Structural Analysis，Optimization and CAE Software for Industrial Equipment，Dalian University of Technology，Dalian 116024，China

Received:2024-11-26 Revised:2024-12-24 Accepted:2025-01-24 Online:2025-07-01 Published:2025-02-10
Contact: Rui LI E-mail:ruili@dlut.edu.cn
Supported by:
National Natural Science Foundation of China(12372067);National Defense Basic Scientific Research Program of China(JCKY2021205B003);Liaoning Science Fund for Distinguished Young Scholars(2025JH6/101100005);Dalian Science Fund for Distinguished Young Scholars(2024RJ005)

摘要/Abstract

摘要：

数字图像相关（DIC）试验系统因其能够实现对全场应变的非接触式精确测量，被广泛应用于高温环境下结构的力学性能评估。然而，基于DIC测量技术的试验方法难以直接表征结构应力场，且高温环境下材料参数与温度密切相关，有限元法高度依赖材料参数而导致应力结果精度不足。因此，如何结合高温DIC试验与有限元法实现结构全场应力的精确表征，对理解、测评结构的力学性能具有重要意义。提出了一种高温DIC试验应力表征的数据融合-知识迁移方法，针对航空结构中典型高温钛合金搭建了高温DIC试验系统、高精度有限元模型、迁移学习框架，实现了基于小样本试验数据的高精度应力场表征。首先，基于多层感知机神经网络对大样本仿真数据进行预训练，捕捉复杂高温环境下结构坐标与应力间的映射关系；其次，基于小样本高温DIC试验数据对预训练模型进行微调，表征了高温环境下的结构应力场，将有限元模型中的知识有效迁移至试验数据；最后，利用均方误差、决定系数等指标，验证了所提方法用于结构应力场预测的准确性、适用性，为表征高温环境下的试验应力场提供了一种新思路。

Abstract:

The Digital Image Correlation （DIC） experimental system is widely used for mechanical performance evaluation of structures in high-temperature environments due to its ability to achieve non-contact precise measurements of full-field strain. However， experimental methods based on DIC measurement technology face challenges in directly characterizing the stress field of structures， particularly in high-temperature environments where material parameters are closely related to temperature， and the heavy reliance of the Finite Element Method （FEM） on these parameters leads to insufficient accuracy of stress outcomes. Therefore， it is of great significance to understand and evaluate the mechanical properties of structures by combining high-temperature DIC experiments and FEM to accurately characterize the full-field stress of structures. This paper proposes a data fusion-knowledge transfer method for stress characterization in high-temperature DIC experiments. A high-temperature DIC experimental system， a high-precision FEM model， and a transfer learning framework are developed for typical high-temperature titanium alloys in aerospace structures， achieving accurate characterization of stress fields based on small-sample experimental data. Firstly， a multi-layer perceptron neural network is employed to pre-train large-sample simulation data， capturing the mapping relationship between structural coordinates and stress in complex high-temperature environments. Secondly， based on small-sample high-temperature DIC test data， the pre-trained model is fine-tuned to characterize a structural stress field in high-temperature environments， and effectively transfer knowledge from the finite element model to the experimental data. Finally， the accuracy and applicability of the proposed method for predicting structural stress fields are verified using indicators such as the mean square error and the coefficient of determination， which provides a new approach for characterizing experimental stress fields in high-temperature environments.

Key words: high-temperature digital image correlation, data fusion, transfer learning, stress characterization, multilayer perception neural network

中图分类号:

V214.3

郭程洁, 徐典, 李进宝, 程超宇, 郭硕昌, 李锐. 基于数据融合-知识迁移方法的高温数字图像相关试验应力表征[J]. 航空学报, 2025, 46(19): 531574.

Chengjie GUO, Dian XU, Jinbao LI, Chaoyu CHENG, Shuochang GUO, Rui LI. Stress characterization of high-temperature digital image correlation experiments based on a data fusion-knowledge transfer method[J]. Acta Aeronautica et Astronautica Sinica, 2025, 46(19): 531574.

图/表 9

图 1

图 2

表1

图 3

表2

450 ℃下3种方法在不同位移下的预测精度对比

位移/mm	方法	$R 2$	MSE
0.125	有限元分析	0.884 2	0.122 0
	冻结+重新训练	0.993 1	0.013 3
	全模型微调	0.996 8	0.002 5
0.250	有限元分析	0.838 8	0.160 9
	冻结+重新训练	0.993 9	0.066 1
	全模型微调	0.994 5	0.005 5
1.250	有限元分析	0.890 6	0.107 8
	冻结+重新训练	0.983 3	0.016 4
	全模型微调	0.999 4	0.005 9

表2

图 4

表3

图 5

表4

500~800 ℃下3种方法在不同位移下的预测精度对比

位移/mm	方法	$R 2$	MSE
0.125	有限元分析	0.847 7	0.119 3
	冻结+重新训练	0.983 1	0.015 3
	全模型微调	0.998 9	0.002 9
0.250	有限元分析	0.820 4	0.140 1
	冻结+重新训练	0.983 8	0.014 3
	全模型微调	0.993 0	0.007 4
1.250	有限元分析	0.879 2	0.132 8
	冻结+重新训练	0.987 2	0.012 8
	全模型微调	0.997 1	0.005 4

表4

参考文献 21

[1]	许璐瑶，辛朝阳，王丽明. 航空内燃机用TB6钛合金高温压缩成形特性分析［J］. 锻压装备与制造技术， 2024， 59（4）： 144-146.
	XU L Y， XIN C Y， WANG L M. High temperature compression molding characteristics of TB6 titanium alloy for aviation internal combustion engine［J］. China Metalforming Equipment & Manufacturing Technology， 2024， 59（4）： 144-146 （in Chinese）.
[2]	LAKSHMANAN P， SAKTHIVEL E. Examining the superplastic behavior of （Al-Si-Mg）/SiC metal matrix nanocomposites［J］. Materials Today： Proceedings， 2022， 62： 962-966.
[3]	CAI Y C， HO H W， LI S X， et al. Structural metals after exposure to high temperatures： residual mechanical properties and predictions［J］. Steel Research International， 2025， 96（7）： 2400610.
[4]	GERDES L， BERGER S， SAELZER J， et al. Application-oriented digital image correlation for the high-speed deformation and fracture analysis of AISI 1045 and Ti6Al4V materials［J］. Applied Mechanics， 2022， 3（4）： 1190-1205.
[5]	ROWLEY L J， THAI T Q， DABB A， et al. High speed ultraviolet digital image correlation （UV-DIC） for dynamic strains at extreme temperatures［J］. Review of Scientific Instruments， 2022， 93（8）： 084903.
[6]	LIU C Z， GUAN H， TAI Q G， et al. Microstructure， texture and mechanical studies of an inconspicuous shear band formed during hot compression of Ti-6Al-4V alloy［J］. Materials Science and Engineering： A， 2017， 698： 18-26.
[7]	LIU B， LAN S Z， LI J Q， et al. Digital image correlation in extreme conditions［J］. Thin-Walled Structures， 2024， 205： 112589.
[8]	FEDERICO C. A review of data fusion techniques［J］. The Scientific World Journal， 2013， 2013： 704504.
[9]	MENG T， JING X Y， YAN Z， et al. A survey on machine learning for data fusion［J］. Information Fusion， 2020， 57： 115-129.
[10]	ZHANG J Q， ZHANG J W， TENG S， et al. Structural damage detection based on vibration signal fusion and deep learning［J］. Journal of Vibration Engineering & Technologies， 2022， 10（4）： 1205-1220.
[11]	温志辉，夏桂锁，刘芳，等. 飞机蒙皮接缝特征的数据融合算法［J］. 传感技术学报， 2024， 37（4）： 629-638.
	WEN Z H， XIA G S， LIU F， et al. Research on a data fusion technology for aircraft skin seam features［J］. Chinese Journal of Sensors and Actuators， 2024， 37（4）： 629-638 （in Chinese）.
[12]	杨华，陈树生，高正红，等. 基于贝叶斯框架的旋翼气动力数据融合［J］. 航空学报， 2024， 45（8）： 128960.
	YANG H， CHEN S S， GAO Z H， et al. Rotor aerodynamic data fusion based on Bayesian framework［J］. Acta Aeronautica et Astronautica Sinica， 2024， 45（8）： 128960 （in Chinese）.
[13]	刘涵，刘勤明，叶春明，等. 多源数据融合的航空发动机轴承智能故障诊断［J］. 计算机集成制造系统， 2024， doi： 10.13196/j.cims.2024.0457 .
	LIU H， LIU Q M， YE C M， et al. Intelligent fault diagnosis of aero-engine bearings through multi-source data fusion［J］. Computer Integrated Manufacturing Systems， 2024， doi：10.13196/j.cims.2024.0457 （in Chinese）.
[14]	KHALEGHI B， KHAMIS A， KARRAY F O， et al. Multisensor data fusion： a review of the state-of-the-art［J］. Information Fusion， 2013， 14（1）： 28-44.
[15]	ZHENG Y. Methodologies for cross-domain data fusion： an overview［J］. IEEE Transactions on Big Data， 2015， 1（1）： 16-34.
[16]	CHANDRA R， KAPOOR A. Bayesian neural multi-source transfer learning［J］. Neurocomputing， 2020， 378： 54-64.
[17]	崔榕峰，李鸿岩，王祥云，等. 基于迁移学习的飞行器高低阶精度数据融合方法［J］. 飞行力学， 2024， 42（4）： 7-12， 20.
	CUI R F， LI H Y， WANG X Y， et al. High and low order precision data fusion method for aircraft based on transfer learning［J］. Flight Dynamics， 2024， 42（4）： 7-12， 20 （in Chinese）.
[18]	ZHUANG Y， WANG S Y， SHANG Y， et al. Virtual-real fusion-based transfer learning with limited data for gearbox fault diagnosis［J］. IEEE Sensors Journal， 2024， 24（3）： 3420-3430.
[19]	ZHANG Y， YAN X X， XIAO P， et al. A fault diagnosis method for bearings and gears in rotating machinery based on data fusion and transfer learning［J］. Measurement Science and Technology， 2025， 36（1）： 016104.
[20]	WANG B， LI Z C， XU Z Y， et al. Digital twin modeling for structural strength monitoring via transfer learning-based multi-source data fusion［J］. Mechanical Systems and Signal Processing， 2023， 200： 110625.
[21]	LI J M， WANG Y， JIANG S W， et al. Correction of the constitutive model and analysis of chip formation in cryogenic machining of TA15 titanium alloy［J］. Journal of Manufacturing Processes， 2024， 113： 16-33.

E-mail：hkxb@buaa.edu.cn

关于我们

期刊社服务

专业学科

封面文章

友情链接

主管单位：中国科学技术协会主办单位：中国航空学会北京航空航天大学

温度/℃	弹性模量/GPa	泊松比
450	79	0.34
500	65	0.34
550	55	0.34
600	36	0.34
650	30	0.34
700	23	0.34
750	13	0.34
800	8	0.34

位移/mm	编号	应力/MPa
位移/mm	编号	试验	有限元分析	冻结+ 重新训练	全模型微调
0.125	01	422.282	589.770	565.973	415.170
	02	422.282	590.661	565.953	412.541
	03	422.281	588.766	565.843	416.678
	04	422.281	588.656	565.845	413.171
	05	401.257	386.881	397.655	401.264
	06	401.257	385.341	397.426	401.095
0.250	01	684.393	676.008	680.533	684.383
	02	684.393	676.008	681.958	684.362
	03	684.382	674.683	682.163	683.963
	04	684.383	674.683	680.301	683.930
	05	634.106	632.951	634.858	634.383
	06	634.187	632.951	634.866	634.264
1.250	01	715.121	704.393	711.269	716.121
	02	714.978	704.393	708.163	713.931
	03	715.012	704.385	714.217	716.002
	04	715.191	704.385	712.273	715.115
	05	683.613	689.194	687.152	679.952
	06	683.607	689.190	680.141	680.076

基于数据融合-知识迁移方法的高温数字图像相关试验应力表征

Stress characterization of high-temperature digital image correlation experiments based on a data fusion-knowledge transfer method

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 9

参考文献 21

相关文章 15

编辑推荐

Metrics

本文评价

[1]	李荣祖, 刘莉, 杨盾. 基于多源域融合代理模型的氢能无人机优化设计[J]. 航空学报, 2025, 46(9): 630979-630979.
[2]	焦阳, 陆雨婷, 许拔, 欧阳键. 基于时空相关性的卫星流量迁移预测[J]. 航空学报, 2025, 46(4): 330938-330938.
[3]	施英杰, 刘斌超, 鲁嵩嵩, 陈亮, 尚海, 鲍蕊. 融合试验-仿真标定数据的机翼应变载荷关系神经网络模型[J]. 航空学报, 2025, 46(19): 530921-530921.
[4]	黄熠玮, 耿一斌, 高天贺, 胡轩玮, 王圆, 马红艳, 田阔. 数字孪生驱动的结构全场变形高精度反演方法[J]. 航空学报, 2025, 46(19): 530967-530967.
[5]	王鹏飞, 曾丽芳, 邵雪明, 黎军. 基于预训练微调的机翼气动载荷多源数据融合建模方法[J]. 航空学报, 2025, 46(19): 532297-532297.
[6]	李立功, 张超, 苏婧婷. 面向多源着舰引导信息的分布式融合技术[J]. 航空学报, 2025, 46(13): 531461-531461.
[7]	孟宪超, 陶俊. 基于目标检验条件生成对抗网络的翼型反设计方法[J]. 航空学报, 2025, 46(10): 631182-631182.
[8]	胡登峰, 向渝, 张骏, 杨佳辰, 汪文勇. 基于径向基生成式对抗网络的多源数据融合方法[J]. 航空学报, 2025, 46(10): 631478-631478.
[9]	刘子超, 王江, 王鹏, 林德福, 何智川. 时间约束多导弹协同制导律[J]. 航空学报, 2024, 45(S1): 730607-730607.
[10]	杨华, 陈树生, 高正红, 姜权峰, 张伟. 基于贝叶斯框架的旋翼气动力数据融合[J]. 航空学报, 2024, 45(8): 128960-128960.
[11]	田阔, 孙志勇, 李增聪. 面向结构静力试验监测的高精度数字孪生方法[J]. 航空学报, 2024, 45(7): 429134-429134.
[12]	宋海浪, 张建东, 史国庆, 杨啟明, 张耀中. 航空火控系统试飞综合评估技术与方法探讨[J]. 航空学报, 2024, 45(5): 529687-529687.
[13]	崔江, 周凡, 陈永凡, 于立, 张卓然. 一种基于GAMF-CNN的航空发电机整流器故障诊断技术[J]. 航空学报, 2024, 45(24): 330398-330398.
[14]	张帆, 丛玮, 田润操, 王鹏. 基于双层变权的异构数据融合及可靠性分析[J]. 航空学报, 2024, 45(22): 230297-230297.
[15]	顾兆军, 赵欢, 王家亮, 聂留阳. 基于马尔可夫决策的四轴飞行器自动着陆方法[J]. 航空学报, 2024, 45(15): 329652-329652.