Innovatieve methoden voor de gezondheidsmonitoring van composieten

(13-06-2024) Muhammad Irfan Shirazi heeft een hybride systeem ontwikkeld voor de gezondheidsmonitoring van composieten, dat realtime schadedetectie combineert met gedetailleerde ernstbeoordeling, wat bijdraagt aan veiligere en efficiëntere structuren.

Composietmaterialen, die veel worden gebruikt in de luchtvaart en andere hightechindustrieën, vertonen een complex gedrag afhankelijk van de richting van de krachten die erop inwerken. Dit maakt het voorspellen van schade moeilijk en heeft gevolgen op de structurele veiligheid. Om deze uitdagingen te overwinnen, heeft Muhammad Irfan Shirazi een geavanceerd systeem voor structurele gezondheidsmonitoring (SHM) ontwikkeld.

SGM-systemen monitoren continu de structuren van composieten door middel van trillingen om eventuele schade te detecteren en te evalueren. "Trillingsanalyses, vooral de gegevens van lagere frequenties, zijn essentieel voor het beoordelen van de structurele gezondheid van composieten," legt Shirazi uit. "Schade beïnvloedt namelijk de stijfheid en dempingsverhoudingen van het materiaal."

Er zijn twee hoofdmethoden in gebruik: op sensorgegevens gebaseerde methoden en op modellen gebaseerde methoden. Beide hebben echter hun beperkingen. Shirazi vertelt: "Sensorgebaseerde SGM-methoden bieden realtime detectie, maar missen vaak gedetailleerde ernstanalyse. Aan de andere kant bieden modelgebaseerde methoden wel gedetailleerde beoordelingen, maar zijn ze minder geschikt voor realtime evaluatie."

Om deze beperkingen te overwinnen, heeft Muhammad Irfan Shirazi een hybride benadering voorgesteld. "Ik combineer het beste van beide werelden," zegt Shirazi. "Onze sensorgebaseerde methode maakt gebruik van een 1D-CNN voor kenmerkextractie, wat zowel de lokalisatie als de kwantificatie van schade mogelijk maakt." Dit betekent dat scheuren en andere schade snel en nauwkeurig kunnen worden geïdentificeerd.

Daarnaast maakt de modelgebaseerde methode gebruik van de modale spanningsenergieverhouding voor de lokalisatie van schade en optimalisatiealgoritmen in kunstmatige neurale netwerken voor de ernstbeoordeling. "De resultaten tonen de effectiviteit van 1D-CNN's in het identificeren van scheuren en van het YUKI-algoritme voor efficiënte ernstvoorspelling," aldus Shirazi.

De studie benadrukt het potentieel van beide technieken in SHM en suggereert richtingen voor toekomstig onderzoek. "We hebben aangetoond dat deze hybride aanpak niet alleen nauwkeurig en snel is, maar ook veelbelovend voor toekomstige toepassingen," concludeert Shirazi. "Dit onderzoek kan de weg vrijmaken voor nog veiligere en efficiëntere manieren om de integriteit van composietmaterialen te waarborgen."

Lees het volledige doctoraat

--

Titel doctoraat: Trillingsgebaseerde structurele gezondheidsbewaking van composieten met behulp van neurale netwerken

Promotoren: Magd Abdel Wahab