无损评估 (Non-destructive evaluation；NDE) 技术是复合材料中空隙检测各种应用中不可或缺的一部分。红外热成像 (Infrared thermography；IRT) 是一种流行的 NDE 技术，它利用逆向传热原理通过分析温度分布来推断缺陷特性。本研究使用有限元分析 (FEA) 在有缺陷（硬币形缺陷）的复合材料中进行模拟，通过该模拟对传热通量进行建模。总共执行了 2100 次具有各种缺陷位置和尺寸（深度、尺寸和厚度）的模拟，并提取了相应的表面温度与时间和距离的关系图。FEA 输出为开发可解释的人工智能 (explainable artificial intelligence；XAI) 模型以估计缺陷特性提供了充足的输入数据。开发了基于决策树的可解释机器学习 (machine Learning；ML) 模型，该模型具有基于派生特征的透明决策路径，用于预测缺陷的深度、大小和厚度。ML 模型的结果表明，在所有三个缺陷特征上都具有极高的准确度（R2 = 0.92 至 0.99）。所提供的工作流程为包括健康监测在内的一系列领域设定了基准。

一、引言

复合材料因其优异的力学性能、轻质特性和多功能性，在航空航天等领域得到广泛应用。然而，制造过程中产生的缺陷会显著降低其力学性能，因此需要有效的NDE技术来识别和排除缺陷。IRT 是一种常见的 NDE 技术，通过分析温度分布来推断缺陷特征。然而，IRT 的逆问题缺乏唯一性，导致解的不唯一。现有研究主要集中在预测缺陷的深度或尺寸，缺乏对缺陷厚度和三维定位的全面分析。

近日，国际知名期刊《Composites Science and Technology》发表了一篇由美国德克萨斯 A&M 大学航空航天工程系的研究团队完成的有关基于可解释人工智能的复合材料缺陷表征预测的研究成果。该研究通过引入 XAI 模型，提高了缺陷预测的精度和可解释性，为复合材料健康监测提供了新的思路和方法。论文标题为“Explainable artificial intelligence prediction of defect characterization in composite materials”。

二、研究内容及方法

1.用于XAI算法训练的IRT合成数据生成

研究使用 ABAQUS 软件模拟了不同尺寸、深度和厚度的缺陷对复合材料温度分布的影响。模拟过程中，考虑了复合材料的材料属性、边界条件和初始温度等参数。生成的红外热成像数据包括温度随时间和距离变化的曲线，这些数据用于特征工程和机器学习模型的训练，以实现缺陷的准确预测。

图 1. 可解释的人工智能方法检测复合材料缺陷位置和尺寸的工作流程。

2.机器学习在缺陷检测中的实现

特征工程是构建机器学习（ML）任务特征矩阵的一个关键步骤。文中评估了四种不同的方法：直接使用原始特征、基于相关性分析的特征选择、基于主成分分析的特征降维，以及通过数学变换和特征组合创建新的衍生特征。这些方法为后续机器学习模型的训练提供了丰富的特征数据，并通过XAI技术提高了模型的透明度和可解释性。

图 2. 复合材料的三维视图和侧视图，其中存在空隙缺陷。复合材料内部封装了一个硬币形缺陷。缺陷属性包括：d，表示缺陷直径或尺寸（范围从 10 到 30 毫米）；h，表示从复合材料顶面到缺陷中心测量的缺陷深度（范围从 1.5 到 2 毫米）；t，表示缺陷厚度（范围从 1.2 到 1.9 毫米）。

决策树是一种监督学习算法，它通过一系列的问题将数据分类或回归到其相应的类别或值。决策树的优势有易于可视化、可解释性强等。为了克服单个决策树容易过拟合的问题，文章采用了集成学习方法，这些方法通过构建多个决策树并进行集成，可以提高模型的泛化能力和预测精度。还讨论了k折交叉验证 (k-fold CV) 和集成学习方法在缓解过拟合方面的区别，并解释了XGBoost算法的原理和优势。

图 3. 数据集的 Pearson 相关性分析热图。

图 4. Boosting 集成建模示意图。

3.结果和讨论

文章描述了如何使用有限元分析软件 ABAQUS 生成用于训练可解释人工智能模型的合成数据。介绍了模拟的复合材料板尺寸、初始温度和施加的表面热通量，以模拟红外热成像测试。还说明了有限元模型中设置的边界条件，包括上下表面的对流边界条件和其余四个表面的无通量和无对流边界条件。通过这些模拟，能够生成大量数据，用于训练和验证XAI模型，以预测复合材料中的缺陷特性。

图 5. (a) 受表面热流影响的复合板的有限元数值模拟。 (b) 呈现了一种常见的三维视角，展示了具有中心硬币形缺陷的复合材料的温度分布 。

该研究通过FEA模拟了具有已知缺陷特征（深度、大小和厚度）的复合材料的IRT响应。讨论了特征选择的重要性，并通过皮尔逊相关分析来评估不同特征之间的相关性，以去除冗余特征。此外，还介绍了使用主成分分析进行特征转换的方法，以及如何通过数学变换创建衍生特征，以揭示数据中潜在的模式并提高模型的预测能力。

研究使用了基于决策树的 XGBoost 回归模型来预测缺陷的尺寸、厚度和深度。将数据集分为训练集和测试集，并使用 XGBoost 回归模型进行训练和测试。结果表明，XGBoost 回归模型在预测缺陷尺寸和深度方面表现出色，R2 值分别达到 0.99 和 0.98，但在预测缺陷厚度方面表现略差。此外，使用 XGBoost 模型的特征重要性分析来解释模型的决策过程，揭示了哪些特征对预测结果影响最大。

三、 小结

该研究成功开发了基于 XAI 的复合材料缺陷预测模型，实现了对缺陷三维特征的准确预测，并通过 XAI 提高了模型的可解释性。该研究为复合材料健康监测提供了新的技术手段，具有广泛的应用前景。

原始文献：

Daghigh, V., Bakhtiari Ramezani, S., Daghigh, H., & Lacy, T. E. Jr. (2024). Explainable artificial intelligence prediction of defect characterization in composite materials. Composites Science and Technology, 256, 110759.

原文链接：

https://doi.org/10.1016/j.compscitech.2024.110759