Machine learning techniques in ultrasonics-based defect detection and material characterization: A comprehensive review

科学家总结基于超声技术的缺陷检测与材料表征中的机器学习方法

韩国国立昌原大学Jaesun Lee团队总结基于超声技术的缺陷检测与材料表征中的机器学习方法。相关论文于2025年6月18日发表在国际学术期刊《机械工程的进展》上。

研究人员表示，无损检测（NDE）和结构健康监测（SHM）在保障工程结构和材料的安全性、可靠性及使用寿命方面发挥着至关重要的作用。在众多无损检测技术中，超声方法因其高灵敏度和多功能性，被广泛认为是损伤检测和材料表征中最为有效的技术之一。然而，传统超声方法在分析复杂信号时面临挑战，在某些应用中限制了其准确性和效率。机器学习（ML）的出现通过利用先进的数据挖掘和模式识别能力，对复杂信号模式进行解码，从而革新了超声数据分析。

研究人员全面概述了机器学习技术在基于超声的损伤检测和材料表征中的应用，包括数据预处理和特征工程等关键过程。研究人员重点介绍了案例研究和实际应用，突出了机器学习在缺陷检测、定位以及材料性能评估中的作用。此外，研究人员还讨论了关键挑战、局限性及未来发展方向，为机器学习在超声无损检测和结构健康监测中的变革性潜力提供了见解。

Advances in Mechanical Engineering

本刊是本经过同行评审的开放获取期刊。面向机械工程各个领域出版原创论文以及综述文章，欢迎来自基础及应用领域的原创研究并鼓励具有新颖和创新见解的投稿。

期刊优势

影响因子：2.0

期刊分区：JCR Q3, ENGINEERING, MECHANICAL; THERMODYNAMICS

期刊网址: 

https://uk.sagepub.com/en-gb/chi/journal/advances-mechanical-engineering?utm_source=wechat&utm_medium=china_social&utm_campaign=sciencenet_ade_260116

往期研究:

https://sage.cnpereading.com/search//openoa/adea?utm_source=wechat&utm_medium=china_social&utm_campaign=sciencenet_ade_260116

投稿网址:

https://mc.manuscriptcentral.com/aime?utm_source=wechat&utm_medium=china_social&utm_campaign=sciencenet_ade_260116

如您希望投稿至本刊，欢迎扫码关注Sage学术，申请开放获取期刊文章处理费9折折扣。