近日，我院张立军教授团队在声发射源定位方面取得重要进展，相关研究成果《多模态融合卷积物理信息神经网络：一种提高声发射源平面定位准确性和鲁棒性的方法》（MFC-PINN: A Method to Improve the Accuracy and Robustness of Acoustic Emission Source Planar Localization）发表在《Measurement》。《Measurement》一本专注于测量和仪器科学与技术领域的国际顶级学术期刊，专业认可度很高，目前影响因子为5.6（SCI二区Top）。第一作者与通讯作者为张立军教授，共同通讯作者为博士生王杭，论文第二作者为2023级硕士（本研一体化）学生李科伟，中国石油大学（华东）为第一完成单位，该研究得到相关项目的资助。
论文首页
在航空航天工业中，结构疲劳失效缺陷可能会造成严重后果，造成重大人员伤亡和经济损失。利用声发射技术可以监测航空航天中使用的铝合金是否出现裂纹，从而确保结构安全。用于航空航天铝合金板材缺陷声发射源平面定位的方法分为数据驱动、物理驱动与混合驱动三类。目前主要有以卷积神经网络为代表的数据驱动模型，以三角时差为代表的物理驱动模型，以物理模型约束的多层感知机为代表的混合驱动模型，但存在以下问题：①单卷积神经网络的数据驱动模型依赖大量数据，预测未知数据的能力较低。②仅有时差数据输入的传统物理模型在受到噪声影响时精度较低。③涉及声发射源定位的混合驱动模型研究较少，技术尚不成熟。
所提多模态融合卷积物理信息神经网络模型
子采样交叉验证
为解决这些问题，本文提出了一种基于物理信息神经网络和卷积神经网络的多模态融合卷积物理信息神经网络（MFC-PINN），利用模态声发射和三角测量法结合的人工神经网络实现更准确、对噪声更鲁棒的声发射源平面定位。本文的主要构建多层感知机和卷积神经网络的多模态融合模型，并利用物理方程指导该模型的训练。本文还旨在模拟真实世界的条件，根据数据量的稀缺性、数据的完整性和噪声条件制作不同的数据集，并评估所提出模型的定位性能。根据不同条件下的定位结果，所提模型解决了卷积神经网络模型在铝合金板材缺陷声发射源平面定位中在数据量有限和未知数据预测情况下性能不足、传统物理模型受噪声干扰大等问题，从而显著提高了定位精度和鲁棒性。
论文链接：https://www.sciencedirect.com/science/article/pii/S0263224124008807
