近日，中国石油大学（华东）智能传感与无损检测团队在结构缺陷电磁检测与量化方法研究中取得重要进展。团队提出了一种创新的“基于物理特征的1D-AE-PINN裂纹量化网络”（1D-AE-PINN Crack Quantification Network），成功解决了交流电场测量技术（ACFM）在检测覆层下裂纹时因提离效应导致的信号干扰难题，实现了复杂工况下裂纹长度与深度的精准量化。该研究成果以《A 1D-AE-PINN Crack Quantification Network Inspired by a Novel Physical Feature of ACFM》（受一种ACFM新型物理特征启发的1D-AE-PINN裂纹量化网络）发表于工业信息领域顶级期刊《IEEE Transactions on Industrial Informatics》（最新影响因子11.7，中科院大类分区1区TOP）。论文第一作者为丁建喜博士，通讯作者为袁新安教授和李伟教授，中国石油大学（华东）为第一署名单位和通讯单位。研究得到了国家自然科学基金、中央高校基本科研业务费专项资金等多个项目的支持。
图1 论文首页
针对传统ACFM技术依赖多信号（Bx与Bz）且易受提离干扰的瓶颈，团队提出两大创新：
物理特征新发现：首次揭示了Bx信号中隐含的裂纹长度与深度量化特征，通过理论建模构建了仅需Bx信号的物理量化方法，突破了传统依赖Bz信号的局限。
图1 提出的Bx新特征与传统Bz信号的对比
1D-AE-PINN网络：将物理量化模型嵌入自编码器（AE）的损失函数中，形成物理信息约束的神经网络（PINN），显著提升了关键特征点（如波谷位置与幅值）的提取精度。
图2 1D-AE-PINN网络结构
提出的1D-AE-PINN网络可有效应对涂层、附着物等引起的固定与随机提离噪声，在强干扰下仍保持高灵敏度。团队构建了包含6000组数据的实验系统，覆盖5-30 mm长度、1-5 mm深度的裂纹及1-5 mm提离干扰。结果显示： 1D-AE-PINN网络重构信号的峰值信噪比（PSNR）达61.65 dB，较传统滤波算法（如维纳滤波、小波滤波）提升超30 dB。裂纹长度与深度的均方误差（MSE）分别为0.66 mm²和0.39 mm²，决定系数（R²）达0.86和0.84，较未引入物理约束的1D-AE网络误差降低约30%。
该技术为海洋平台、石油管道等关键结构的裂纹检测提供了高精度解决方案，尤其适用于涂层、锈蚀等复杂工况下的在线检测评估。团队未来将进一步扩展真实工程场景数据集，并探索金属结构（如焊缝余高）引起的提离干扰优化。
论文链接：https://ieeexplore.ieee.org/document/11099538
