聲發(fā)射技術(shù)作為一種重要的無(wú)損檢測(cè)方法，廣泛用于材料內(nèi)部缺陷和結(jié)構(gòu)完整性的評(píng)估。AI工作站使用了GPU加速，提高海量數(shù)據(jù)的訓(xùn)練效率，同時(shí)可以自帶清誠(chéng)開(kāi)發(fā)的5大AI工具，滿(mǎn)足不同領(lǐng)域的需求。

5大AI工具

AI工作站集成了深度學(xué)習(xí)技術(shù)與強(qiáng)大的硬件配置，采用NVIDIA RTX4090，搭載CUDA12.4系統(tǒng)軟件，大幅度縮短訓(xùn)練時(shí)間。

服務(wù)器采用i9-14900K處理器及DDR5高頻內(nèi)存，24核心32線程，3.2GHz主頻，工作站至高支持192G DDR5 5200MHz高頻內(nèi)存，充分釋放系統(tǒng)潛能，減少因內(nèi)存不足引起的卡頓。

2TB M2大容量固態(tài)硬盤(pán)，NVM額 PCIe4.0×4高速讀寫(xiě)通道，讀取速度3500MB/s，寫(xiě)入速度2800MB/s，迅速讀寫(xiě)，顯著提升系統(tǒng)工作效率。

RTX4090配合CUDA軟件實(shí)現(xiàn)超高效率運(yùn)算。CUDA是用于GPU計(jì)算的開(kāi)發(fā)環(huán)境，它是一個(gè)全新的軟硬件架構(gòu)，可以將GPU視為一個(gè)并行數(shù)據(jù)計(jì)算的設(shè)備，對(duì)所進(jìn)行的計(jì)算進(jìn)行分配和管理，提高數(shù)據(jù)訓(xùn)練效率。

1、基于AI深度學(xué)習(xí)的復(fù)雜結(jié)構(gòu)聲源定位人工神經(jīng)網(wǎng)絡(luò)模型

傳統(tǒng)聲發(fā)射定位方法在復(fù)雜結(jié)構(gòu)、各向異性、材料的不均勻、邊界條件復(fù)雜等中面臨精度受限的問(wèn)題。為了解決這一挑戰(zhàn)，我們提出了一種新的方法——基于AI深度學(xué)習(xí)的復(fù)雜結(jié)構(gòu)聲源定位人工神經(jīng)網(wǎng)絡(luò)模型。

算法流程圖

AI定位跟傳統(tǒng)時(shí)差定位的準(zhǔn)確率對(duì)比，錯(cuò)誤率為0%。

•  學(xué)習(xí)率、訓(xùn)練周期輪數(shù)、訓(xùn)練輪數(shù)提供界面自定義數(shù)值。當(dāng)loss值小于輸入時(shí)，停止訓(xùn)練；當(dāng)Accuracy值大于輸入數(shù)值時(shí)，停止訓(xùn)練

•  loss值：損失函數(shù)是用來(lái)估量模型的預(yù)測(cè)值f(x)與真實(shí)值Y的不一致程度，損失函數(shù)越小，模型的魯棒性就越好。

•  Accuracy值：精確率是指模型預(yù)測(cè)為正類(lèi)的樣本中，實(shí)際為正類(lèi)的比例。

•  PC端配備GPU硬件，結(jié)合CUDA軟件加速模型訓(xùn)練，提升訓(xùn)練效率。

•  訓(xùn)練完成后生成模型，用于復(fù)雜結(jié)構(gòu)的聲源定位。

模型訓(xùn)練過(guò)程

2、基于聲發(fā)射參數(shù)的模式識(shí)別

模式識(shí)別采用人工神經(jīng)網(wǎng)絡(luò)，它由多個(gè)神經(jīng)元組成，每個(gè)神經(jīng)元接收多個(gè)輸入信號(hào)，通過(guò)加權(quán)和和激活函數(shù)進(jìn)行計(jì)算，產(chǎn)生一個(gè)輸出信號(hào)，作為下一層神經(jīng)元的輸入信號(hào)。神經(jīng)元之間的連接權(quán)重可以通過(guò)訓(xùn)練來(lái)調(diào)整，以達(dá)到優(yōu)等的計(jì)算效果。

人工神經(jīng)網(wǎng)絡(luò)模型：

原理：采用人工神經(jīng)網(wǎng)絡(luò)，通過(guò)加權(quán)和與激活函數(shù)對(duì)輸入信號(hào)進(jìn)行計(jì)算，生成識(shí)別模型。

模型保存

模型調(diào)用

參數(shù)模式識(shí)別結(jié)果圖

3、基于聲發(fā)射波形的模式識(shí)別

模型訓(xùn)練過(guò)程圖

數(shù)據(jù)訓(xùn)練完成后，得出訓(xùn)練和驗(yàn)證的準(zhǔn)確率、波形識(shí)別分類(lèi)結(jié)果。

訓(xùn)練得出的模型可靠性結(jié)果圖

選擇需要波形模式識(shí)別的數(shù)據(jù)進(jìn)行識(shí)別后，AI模型分析得出的波形類(lèi)別可能性結(jié)果。

AI模型分析得出的波形類(lèi)別可能性結(jié)果圖

模型下載

模型調(diào)用

4、基于聲發(fā)射參數(shù)的聚類(lèi)識(shí)別功能

使用聲發(fā)射參數(shù)進(jìn)行聚類(lèi)，結(jié)果以二維圖的形式展示，不同的類(lèi)別用不同的顏色代替，從圖上可以大體看出相同類(lèi)別的數(shù)據(jù)點(diǎn)都在一起，可以明顯分開(kāi)不同的類(lèi)別。

參數(shù)聚類(lèi)結(jié)果分布圖

類(lèi)別分布結(jié)果

5、基于聲發(fā)射波形的聚類(lèi)識(shí)別功能

聲發(fā)射波形進(jìn)行聚類(lèi)，結(jié)果以二維圖的形式展示，不同的類(lèi)別用不同的顏色代替，從圖上可以大體看出相同類(lèi)別的數(shù)據(jù)點(diǎn)都在一起，可以明顯分開(kāi)不同的類(lèi)別。

參數(shù)聚類(lèi)結(jié)果分布圖

類(lèi)別分布結(jié)果

聚類(lèi)的詳細(xì)結(jié)果