Vibration-Based Structural Health Monitoring of Composites Using Neural Networks
- Promovendus/a
- Shirazi, Muhammad Irfan
- Faculteit
- Faculteit Ingenieurswetenschappen en Architectuur
- Vakgroep
- Vakgroep Elektromechanica, Systeem- en Metaalengineering
- Curriculum
- Master of Science in Mechanical Engineering, Universiti Teknologi Petronas, Maleisië, 2015
- Academische graad
- Doctor in de ingenieurswetenschappen: werktuigkunde-elektrotechniek
- Taal proefschrift
- Engels
- Promotor(en)
- prof. Magd Abdel Wahab, vakgroep Elektromechanica, Systeem- en Metaalengineering
- Examencommissie
- voorzitter prof. Joris Degroote (ondervoorzitter Facultaire Doctoraatscommissie) - prof. Guy De Tré (vakgroep Telecommunicatie en Informatieverwerking) - dr. Viet Long Ho (University of Transport and Communications, Vietnam) - prof. Mathias Kersemans (vakgroep Materialen, Textiel en Chemische Proceskunde) - prof. Hung Nguyen-Xuan (Ho Chi Minh City University of Technology, Vietnam) - prof. Magd Abdel Wahab (vakgroep Elektromechanica, Systeem- en Metaalengineering)
Korte beschrijving
Composieten vertonen richtingsafhankelijk gedrag, wat de voorspelling van schade bemoeilijkt en de structurele veiligheid beïnvloedt. Om deze uitdaging aan te pakken, zijn systemen voor Structurele Gezondheidsmonitoring (SGM) ontwikkeld, die structuren continu monitoren via trillingen of vervormingen om schade te detecteren en te evalueren. Vibratieanalyses, met name gegevens van lagere frequentiemodaliteiten, zijn cruciaal voor het beoordelen van de structurele gezondheid, waarbij schade massa, stijfheid en dempingsverhoudingen beïnvloedt. Hoewel SGM-methoden op basis van sensorgegevens real-time detectie bieden, missen ze een gedetailleerde ernstanalyse, en modelgebaseerde methoden bieden gedetailleerde beoordelingen, maar zijn minder geschikt voor real-time evaluatie. Om deze beperkingen te overwinnen, wordt een hybride benadering voorgesteld. Op sensorgegevens gebaseerde methoden maken gebruik van een 1D-CNN voor kenmerkextractie, waardoor zowel de lokalisatie als de kwantificatie van schade mogelijk is. Op modellen gebaseerde methoden gebruiken de modale spanningsenergieverhouding voor lokalisatie en optimalisatiealgoritmen in kunstmatige neurale netwerken voor ernstbeoordeling. Resultaten tonen de effectiviteit van 1D-CNN's in het identificeren van scheuren en van het YUKI-algoritme voor efficiënte ernstvoorspelling. Over het geheel genomen belicht de studie het potentieel van beide technieken in SGM en suggereert het richtingen voor toekomstig onderzoek.
Praktisch
- Datum
- Woensdag 22 mei 2024, 10:00
- Locatie
- auditorium 1, iGent, eerste verdieping, Technologiepark Zwijnaarde 126, 9052 Zwijnaarde
- Livestream
- Volg online
Meer info
- Contact
- doctoraat.ea@UGent.be