随着工业技术的飞速发展,金属材料广泛地应用在各行各业。金属材料在制造和服役过程中因高温、高压等恶劣环境的影响,容易在材料内部产生微小缺陷,如果不能及时识别并采取有效措施加以防范,隐蔽损伤将逐渐扩展引发材料的断裂或失效,导致严重的安全事故,因此对金属材料实施快速有效的检测是至关重要的。激光超声技术是无损检测领域常用的检测方法,具有非接触,高精度,可在高温、高压、高辐射等恶劣环境下工作的优势。本文主要采用有限元仿真和实验研究的方法,探究激光激励超声波与材料近表面缺陷的相互作用,通过结合信号处理方法和机器学习算法实现近表面缺陷的定量评估。本文具体研究内容及创新点如下:(1)介绍了激光激励超声波的理论基础和有限元方法,建立了基于热弹效应的激光超声有限元仿真模型,模拟激光在航空铝合金材料2024铝板中激发产生表面波以及表面波与不同尺寸近表面缺陷的相互作用。仿真结果表明,表面波信号中包含近表面缺陷信息,波形的幅值、相位与近表面缺陷的宽度有关。(2)详细分析了激光超声实验系统的基本构成和工作原理,搭建了非接触式激光超声缺陷检测系统,以2024铝板作为实验对象,开展近表面缺陷检测的实验研究。制备了一系列不同尺寸近表面缺陷的2024铝板试块,得到激光在不同试块中产生的超声波时域信号。实验结果验证了激光激励超声波检测近表面缺陷有限元仿真模型的正确性,从实验方面证实了表面波信号中包含近表面缺陷信息,其幅值、相位与近表面缺陷的宽度有关。(3)结合信号处理方法和机器学习算法实现近表面缺陷的定量评估。采用BP神经网络和遗传算法相结合的方法,建立了基于GA-BP神经网络的近表面缺陷定量评估模型。利用信号处理方法对检测到的超声波信号进行时域分析和频域分析,提取超声波信号的时域特征参数和频域特征参数,构造用于GA-BP神经网络训练与测试的特征参数数据集。GA-BP神经网络输出的预测值与实际值之间的相对误差均在6%以内,平均误差为2.15%,这些结果表明利用GA-BP神经网络定量评估材料近表面缺陷的方法是可行的、可靠的。