Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Giám sát hư hỏng định lượng của các vật liệu composite cuộn sợi bằng cách sử dụng các kỹ thuật dựa trên học máy
Springer Science and Business Media LLC - Trang 1-25 - 2023
Tóm tắt
Cấu trúc composite trong ngành giao thông vận tải đã thu hút sự chú ý đáng kể do những đặc điểm độc đáo của chúng, bao gồm khả năng hấp thụ năng lượng cao. Các phương pháp thử nghiệm không phá hủy kết hợp với các kỹ thuật học máy cung cấp cái nhìn quý giá về cơ chế hư hỏng bằng cách phân tích các tham số cơ bản. Trong nghiên cứu này, các công nghệ giám sát hư hỏng cho các ống composite trải qua hư hỏng tiến triển đã được điều tra. Những thách thức liên quan đến giám sát hư hỏng định lượng đã được giải quyết, và các phương pháp thuật toán K-means di truyền, phân cụm phân cấp và mạng nơron nhân tạo (ANN) đã được áp dụng cùng với ba phương pháp thay thế khác. Các đặc tính tác động và cơ chế hư hỏng của các ống composite dưới tải nén trục đã được đánh giá bằng cách sử dụng giám sát Phát xạ Âm thanh (AE) và học máy. Nhiều chế độ hư hỏng như nứt ma trận, tách lớp, tách lớp và đứt sợi đã được gây ra bởi sự uốn cong của lớp. Sự gia tăng tách biệt giữa sợi/ma trận và đứt sợi đã được quan sát thấy với các chế độ hư hỏng thay đổi, trong khi nứt ma trận giảm. Phân loại tín hiệu được thực hiện bằng cách sử dụng phương pháp phân cụm phân cấp và K-means di truyền, cung cấp cái nhìn về các phạm vi tần suất chế độ hư hỏng và các phạm vi biên độ tương ứng. Mô hình ANN, được huấn luyện với dữ liệu được gán nhãn, cho thấy độ chính xác cao trong việc phân loại dữ liệu và xác định các cơ chế hư hỏng cụ thể. Phân tích so sánh tiết lộ rằng mô hình Rừng Ngẫu nhiên liên tục vượt trội hơn mô hình ANN và SVM, thể hiện độ chính xác dự đoán và phân loại vượt trội sử dụng các chỉ số ACC, MCC và F1-Score. Hơn nữa, đánh giá của chúng tôi nhấn mạnh tỷ lệ dương tính thực sự cao hơn và tỷ lệ dương tính giả thấp hơn của mô hình Rừng Ngẫu nhiên. Tổng thể, nghiên cứu này đóng góp vào sự hiểu biết về việc lựa chọn mô hình, đánh giá hiệu suất trong học máy và phát hiện hư hỏng trong các cấu trúc composite.
Từ khóa
#cấu trúc composite #giám sát hư hỏng #học máy #phân cụm K-means #mạng nơron nhân tạo #phát xạ âm thanhTài liệu tham khảo
Thirumavalavan, K., Sarukasan, D.: Experimental investigation on multi-layered filament wound basalt/E-glass hybrid fiber composite tubes. Mater. Res. Express. 9(4), (2022)
Bani Mohammad Ali, A., Alimirzaei, S., Ahmadi Najafabadi, M.: Evaluation of damage of filament wound composite tubes under lateral loading by acoustic emission method and finite element simulation. Modares. Mech. Eng. 22(11), 647–655 (2022)
Mohamad, F., Hossein, H., Farzad, P., Ahmadi Najaf Abadi, M.: Composite materials damage characterization under quasi-static 3-point bending test using fuzzy C-means clustering. Appl. Mech. Mater. Trans. Tech. Publ. 1221–1228 (2012)
Ameur, M.B., El Mahi, A., Rebiere, J.-L., Gimenez, I., Beyaoui, M., Abdennadher, M., Haddar, M.: Investigation and identification of damage mechanisms of unidirectional carbon/flax hybrid composites using acoustic emission. Eng. Fract. Mech. 216, 106511 (2019)
Beheshtizadeh, N., Mostafapour, A., Davoodi, S.: Three point bending test of glass/epoxy composite health monitoring by acoustic emission. Alex. Eng. J. 58(2), 567–578 (2019)
Jung, K.-C., Chang, S.-H.: Advanced deep learning model-based impact characterization method for composite laminates. Compos. Sci. Technol. 207, 108713 (2021)
Azizian, M., Almeida, J.H.S., Jr.: Stochastic, probabilistic and reliability analyses of internally-pressurised filament wound composite tubes using artificial neural network metamodels. Mater. Today Commun. 31, 103627 (2022)
Šofer, M., Cienciala, J., Fusek, M., Pavlíček, P., Moravec, R.: Damage analysis of composite CFRP tubes using acoustic emission monitoring and pattern recognition approach. Materials 14(4), 786 (2021)
Park, D., Jung, J., Gu, G.X., Ryu, S.: A Generalizable and Interpretable Deep Learning Model to Improve the Prediction Accuracy of Strain Fields in Grid Composites. Mater. Des. 111192 (2022)
Cui, R., Azuara, G., Lanza di Scalea, F., Barrera, E.: Damage imaging in skin-stringer composite aircraft panel by ultrasonic-guided waves using deep learning with convolutional neural network. Struct. Health Monit. 21(3), 1123–1138 (2022)
Kinga, D., Baadam, J.: A method for stochastic optimization, vol. 5, p. 6. International conference on learning representations (ICLR) (2015)
Seventekidis, P., Giagopoulos, D.: A combined finite element and hierarchical Deep learning approach for structural health monitoring: Test on a pin-joint composite truss structure. Mech. Syst. Signal Process. 157, 107735 (2021)
Lyu, J., Akhavan, J., Manoochehri, S.: Image-based dataset of artifact surfaces fabricated by additive manufacturing with applications in machine learning. Data Brief 41, 107852 (2022)
Lyu, J., Akhavan Taheri Boroujeni, J., Manoochehri, S.: In-situ laser-based process monitoring and in-plane surface anomaly identification for additive manufacturing using point cloud and machine learning, International Design Engineering Technical Conferences and Computers and Information in Engineering Conference. Ame. Soc. Mech. Eng. V002T02A030 (2021)
Azimirad, V., Sotubadi, S.V., Nasirlou, A.: Vision-based Learning: a novel machine learning method based on convolutional neural networks and spiking neural networks, 2021 9th RSI International Conference on Robotics and Mechatronics (ICRoM). IEEE. 192–197 (2021)
Zhao, Y., Noori, M., Altabey, W.A., Ghiasi, R., Wu, Z.: Deep learning-based damage, load and support identification for a composite pipeline by extracting modal macro strains from dynamic excitations. Appl. Sci. 8(12), 2564 (2018)
Alimirzaei, S., Najafabadi, M.A., Nikbakht, A., Pahlavan, L.: Damage mechanism characterization of ±35° and ±55° FW composite tubes using acoustic emission method. 10567895221095603 (2022)
Alimirzaei, S., Ahmadi Najafabadi, M., Nikbakht, A., Pahlavan, L.: Investigation of energy absorption capacity of 3D filament wound composite tubes: experimental evaluation, numerical simulation, and acoustic emission monitoring. Mech. Adv. Mater. Struct. 1–16 (2023)
Saeedifar, M., Zarouchas, D.: Damage characterization of laminated composites using acoustic emission: A review. Compos. B Eng. 195, 108039 (2020)
Yousefi, J., Najfabadi, M.A., Toudeshky, H.H., Akhlaghi, M.: Damage evaluation of laminated composite material using a new acoustic emission Lamb-based and finite element techniques. Appl. Compos. Mater. 25, 1021–1040 (2018)
Fotouhi, M., Suwarta, P., Jalalvand, M., Czel, G., Wisnom, M.R.: Detection of fibre fracture and ply fragmentation in thin-ply UD carbon/glass hybrid laminates using acoustic emission. Compos. A Appl. Sci. Manuf. 86, 66–76 (2016)
Kumar, C.S., Arumugam, V., Sajith, S., Dhakal, H.N., John, R.: Acoustic emission characterisation of failure modes in hemp/epoxy and glass/epoxy composite laminates. J. Nondestr. Eval. 34, 1–11 (2015)
Woo, S.-C., Kim, T.-W.: High-strain-rate impact in Kevlar-woven composites and fracture analysis using acoustic emission. Compos. B Eng. 60, 125–136 (2014)
Nimdum, P., Renard, J.: Use of acoustic emission to discriminate damage modes in carbon fibre reinforced epoxy laminate during tensile and buckling loading, ECCM 15–15th European Conference on Composite Mater. 8 (2012)
Ni, Q.-Q., Iwamoto, M.: Wavelet transform of acoustic emission signals in failure of model composites. Eng. Fract. Mech. 69(6), 717–728 (2002)
Saeedifar, M., Najafabadi, M.A., Zarouchas, D., Toudeshky, H.H., Jalalvand, M.: Clustering of interlaminar and intralaminar damages in laminated composites under indentation loading using Acoustic Emission. Compos. B Eng. 144, 206–219 (2018)
Gutkin, R., Green, C., Vangrattanachai, S., Pinho, S., Robinson, P., Curtis, P.: On acoustic emission for failure investigation in CFRP: Pattern recognition and peak frequency analyses. Mech. Syst. Signal Process. 25(4), 1393–1407 (2011)
Chou, H.-Y., Mouritz, A., Bannister, M., Bunsell, A.R.: Acoustic emission analysis of composite pressure vessels under constant and cyclic pressure. Compos. A Appl. Sci. Manuf. 70, 111–120 (2015)
De Groot, P.J., Wijnen, P.A., Janssen, R.B.: Real-time frequency determination of acoustic emission for different fracture mechanisms in carbon/epoxy composites. Compos. Sci. Technol. 55(4), 405–412 (1995)
Liu, P., Chu, J., Liu, Y., Zheng, J.: A study on the failure mechanisms of carbon fiber/epoxy composite laminates using acoustic emission. Mater. Des. 37, 228–235 (2012)
Ceysson, O., Salvia, M., Vincent, L.: Damage mechanisms characterization of carbon fiber/epoxy composite laminates by both electrical resistance measurements and acoustic emission analysis. Scripta. Materialia. 34(8), (1996)
Bourchak, M., Farrow, I., Bond, I., Rowland, C., Menan, F.: Acoustic emission energy as a fatigue damage parameter for CFRP composites. Int. J. Fatigue 29(3), 457–470 (2007)
Morissette, L., Chartier, S.: The k-means clustering technique: General considerations and implementation in Mathematica. Tutorials in Quantitative Methods for Psychology 9(1), 15–24 (2013)
Hartigan, J.A., Wong, M.A.: Algorithm AS 136: A k-means clustering algorithm. J. R. Stat. Soc. Ser. C Appl. Stat. 28(1), 100–108 (1979)
Murtagh, F.: A survey of recent advances in hierarchical clustering algorithms. Comput. J. 26(4), 354–359 (1983)
Alimirzaei, S., Najafabadi, M.A., Ali, A.B.M.: Investigation of Failure Mechanism of the Composite Tubes Made by Filament Winding Process by Acoustic Emission Method. Amirkabir J. Mech. Eng. 54(6), 1357–1372 (2022)
Boominathan, R., Arumugam, V., Santulli, C., Sidharth, A.A.P., Sankar, R.A., Sridhar, B.: Acoustic emission characterization of the temperature effect on falling weight impact damage in carbon/epoxy laminates. Compos. B Eng. 56, 591–598 (2014)
Mohammadi, M., Saidi, A.R., Jomehzadeh, E.: A novel analytical approach for the buckling analysis of moderately thick functionally graded rectangular plates with two simply-supported opposite edges. Proc. Inst. Mech. Eng. C J. Mech. Eng. Sci. 224(9), 1831–1841 (2010)
Lee, K., Booth, D., Alam, P.: A comparison of supervised and unsupervised neural networks in predicting bankruptcy of Korean firms. Expert Syst. Appl. 29(1), 1–16 (2005)