聲發射技術作為一種重要的無損檢測方法，廣泛用于材料內部缺陷和結構完整性的評估。AI工作站使用了GPU加速，提高海量數據的訓練效率，同時可以自帶清誠開發的5大AI工具，滿足不同領域的需求。

5大AI工具

AI工作站集成了深度學習技術與強大的硬件配置，采用NVIDIA RTX4090，搭載CUDA12.4系統軟件，大幅度縮短訓練時間。

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

2TB M2大容量固態硬盤，NVM額 PCIe4.0×4高速讀寫通道，讀取速度3500MB/s，寫入速度2800MB/s，迅速讀寫，顯著提升系統工作效率。

RTX4090配合CUDA軟件實現超高效率運算。CUDA是用于GPU計算的開發環境，它是一個全新的軟硬件架構，可以將GPU視為一個并行數據計算的設備，對所進行的計算進行分配和管理，提高數據訓練效率。

1、基于AI深度學習的復雜結構聲源定位人工神經網絡模型

傳統聲發射定位方法在復雜結構、各向異性、材料的不均勻、邊界條件復雜等中面臨精度受限的問題。為了解決這一挑戰，我們提出了一種新的方法——基于AI深度學習的復雜結構聲源定位人工神經網絡模型。

算法流程圖

AI定位跟傳統時差定位的準確率對比，錯誤率為0%。

•  學習率、訓練周期輪數、訓練輪數提供界面自定義數值。當loss值小于輸入時，停止訓練；當Accuracy值大于輸入數值時，停止訓練

•  loss值：損失函數是用來估量模型的預測值f(x)與真實值Y的不一致程度，損失函數越小，模型的魯棒性就越好。

•  Accuracy值：精確率是指模型預測為正類的樣本中，實際為正類的比例。

•  PC端配備GPU硬件，結合CUDA軟件加速模型訓練，提升訓練效率。

•  訓練完成后生成模型，用于復雜結構的聲源定位。

模型訓練過程

2、基于聲發射參數的模式識別

模式識別采用人工神經網絡，它由多個神經元組成，每個神經元接收多個輸入信號，通過加權和和激活函數進行計算，產生一個輸出信號，作為下一層神經元的輸入信號。神經元之間的連接權重可以通過訓練來調整，以達到優等的計算效果。

人工神經網絡模型：

原理：采用人工神經網絡，通過加權和與激活函數對輸入信號進行計算，生成識別模型。

模型保存

模型調用

參數模式識別結果圖

3、基于聲發射波形的模式識別

模型訓練過程圖

數據訓練完成后，得出訓練和驗證的準確率、波形識別分類結果。

訓練得出的模型可靠性結果圖

選擇需要波形模式識別的數據進行識別后，AI模型分析得出的波形類別可能性結果。

AI模型分析得出的波形類別可能性結果圖

模型下載

模型調用

4、基于聲發射參數的聚類識別功能

使用聲發射參數進行聚類，結果以二維圖的形式展示，不同的類別用不同的顏色代替，從圖上可以大體看出相同類別的數據點都在一起，可以明顯分開不同的類別。

參數聚類結果分布圖

類別分布結果

5、基于聲發射波形的聚類識別功能

聲發射波形進行聚類，結果以二維圖的形式展示，不同的類別用不同的顏色代替，從圖上可以大體看出相同類別的數據點都在一起，可以明顯分開不同的類別。

參數聚類結果分布圖

類別分布結果

聚類的詳細結果