基于图神经网络的碳纤维复合材料三维缺陷定位技术导读

本文介绍面向WCCM/ECCOMAS 2026会议的研究项目，结合有限元分析（FEA）与图神经网络（GAT/GATv2），实现带孔碳纤维复合材料（CFRP）段间结构的三维缺陷定位，采用差分归一化DSPSS方法，为非破坏性检测提供智能解决方案。 原作者/维护者: keisuke58 来源平台: GitHub 原始标题: wccm2026-cfrp-gnn 原始链接: https://github.com/keisuke58/wccm2026-cfrp-gnn 发布时间: 2026年6月7日 相关论文: Nishioka et al., Frontiers in Materials 12, 1652484 (2025), DOI:10.3389/fmats.2025.1652484

研究背景与问题定义

碳纤维增强复合材料（CFRP）因优异比强度和刚度广泛应用于航空航天、汽车制造等领域，但制造和使用中易产生分层、脱粘等内部缺陷，影响结构安全。传统无损检测难以精确定位缺陷三维空间位置。 本研究针对带孔CFRP段间结构（火箭、飞机关键承力部件，孔洞周围应力集中易生缺陷），核心挑战是仅用表面应力测量数据（模拟红外应力测量）推断内部缺陷位置和深度。

核心技术方法与路线

有限元分析（FEA）数据生成

通过FEA模拟带孔CFRP结构在不同缺陷配置（位置、深度、形状）下的力学响应，生成大量标注数据，避免昂贵物理实验。

图神经网络架构

采用GAT/GATv2：将CFRP表面离散为图节点，特征为差分正交剪应力（DSPSS）测量值，边表示空间邻接关系；自注意力机制可学习位置相关性、处理非均匀应力场、捕捉缺陷局部影响。

差分归一化策略

• 差分归一化: 测量应力与无缺陷基准差值做z-score标准化，抵消孔洞应力集中，突出缺陷扰动；
• 原始归一化: 直接对DSPSS数据标准化，无需基准（更贴近工程应用）； 实验显示差分归一化精度更高，原始归一化结合几何特征（r,θ）可作为替代。

模型架构与训练优化策略

分类任务定义

缺陷定位为19类分类问题：1类无缺陷，18类对应不同深度层（2层）和面内区域的缺陷位置，将连续空间定位转化为分类任务。

网络变体与扩展

比较多种GNN架构：GAT/GATv2、MeshGraphNet（编码-处理-解码，边更新）、Transformer、SAGE等。

几何特征增强

引入径向距离r=√(x²+y²)、角度θ，帮助模型理解孔洞几何影响，提升定位精度。

训练正则化技术

• DropEdge：随机删边防过拟合；
• 训练噪声注入：添加高斯噪声模拟测量误差；
• 噪声课程学习：逐渐增加噪声强度；
• 标签平滑：处理相邻层误分类；
• 镜像增强：左右翻转扩充数据解决区域不对称。

实验结果与性能分析

基线性能

验证集预训练模型Macro F1=0.730，测试集约0.66，存在过拟合，泛化能力需提升。

与先前工作比较

对比Frontiers论文（无孔试件、无差分归一化，Macro F1=0.61，TDPS=0.70），本研究针对带孔复杂场景，采用更先进归一化和架构。

消融实验

验证各组件贡献：差分vs原始归一化、几何特征影响、不同GNN架构性能、噪声注入与课程学习效果。

工程应用前景与研究展望

工程应用前景

• 无损检测集成: 与红外热应力测量集成，通过表面应力推断内部缺陷，避免X射线或超声C扫描的高昂成本；
• 实际部署考虑: 差分方法需无缺陷基准，原始归一化无需；噪声注入提升鲁棒性；GNN前向传播快适合在线检测。

研究局限与未来方向

• 局限: 训练数据仅来自FEA模拟，未验证真实实验数据；测试集性能与验证集差距大；缺陷形状假设简化；
• 未来: 集成实验红外数据验证；复杂缺陷几何建模；不确定性量化；扩展到其他复合材料和结构。

研究总结与展望

本研究结合物理模拟（FEA）与深度学习（GNN），实现仅用表面应力测量的CFRP内部缺陷三维定位，提高检测自动化程度，为实时健康监测提供技术基础。随着深度学习成熟和计算资源普及，这类智能检测技术有望在航空航天、风电叶片监测等领域发挥重要作用。