Identifiant pérenne de la notice : 256181209
Notice de type
Notice de regroupement
Note publique d'information : Les dommages structurels des matériaux composites utilisés dans l'aéronautique et
l'aérospatiale ont attiré une attention croissante. Des systèmes efficaces et fiables
de surveillance de l'état de la structure (SHM) sont nécessaires pour fournir une
interprétation probabiliste des diagnostics. Ce travail est un sujet spécial de la
surveillance et le suivi de l’état des matériaux composites, dont le but est de développer
une méthodologie automatisée d'évolution des défauts basée sur des approches d'apprentissage
automatique.La recherche est réalisée sur la base de l'état sain et endommagé d'un
panneau sandwich composite à âme en nid d'abeille modélisé dans ANSYS. Des réponses
aux vibrations sont obtenues par l’analyse des éléments finis dans les deux états.
Une méthode d'apprentissage automatique classique Processus Gaussien (GP) avec la
technique d'extraction de caractéristiques la transformation en ondelettes discrète
(DWT) est proposée pour détecter l'apparition des dommages. Ensuite, un algorithme
d'apprentissage profond le Réseau de Neurones Convolutifs (CNN) avec la transformation
en ondelettes continue (CWT) est proposé pour prédire l'apparition et l'emplacement
des dommages potentiels de type fissure. De plus, l'applicabilité de la méthode CNN
à différentes structures et différents types de données est étudiée.La méthode basée
sur la GP est efficace pour la détection des dommages de type fissure dans la structure
sandwich composite étudiée, tandis que la méthode basée sur CNN est capable de détecter
l'apparition de dommages et son emplacement potentiel. En outre, il est proposé que
les types de données appropriés puissent aider à obtenir une performance optimale
en utilisant la méthode basée sur CNN. On s'attend à ce que les méthodes proposées
conviennent pour la détection des dommages de structures plus complexes.
Note publique d'information : Structural damage of composite materials used in aeronautics and aerospace has attracted
increasing attention. Efficient and reliable Structural Health Monitoring (SHM) systems
are required to provide a probabilistic interpretation of diagnostics. This work is
a special issue of the health monitoring of composite materials. The goal of the study
is to develop an automated methodology evolution of defects based on machine learning
approaches.The investigation is carried out based on healthy and damaged status of
a composite sandwich panel with a honeycomb core modeled in ANSYS. Vibration responses
are obtained by finite element analysis in both statuses. A conventional machine learning
method Gaussian Process (GP) with feature extraction techniques Discrete Wavelet Transform
(DWT) is proposed to detect the damage occurrence, and a deep learning algorithm Convolutional
Neural Network (CNN) with Continuous Wavelet Transform (CWT) is then proposed to predict
the occurrence and location of potential damages. In addition, the applicability of
the CNN method to different structures and different types of data is studied.The
proposed GP-based method is effective for crack-type damage detection in the studied
composite sandwich structure while CNN-based method is capable of detecting crack
damage occurrence and its potential location. Besides, it is proposed that the appropriate
data types can be selected according to different situations to obtain an optimal
performance using the CNN-based method. It is expected that the proposed methods are
suitable for damage detection of more complex structures.
paprika.idref.fr
data.idref.fr
Documentation
