Monitoramento e diagnóstico de falhas em estruturas de compósito utilizando abordagens de aprendizado de máquina

Abstract

Devido suas características físico-mecânicas, como alta resistência, rigidez, peso e resistência à corrosão, a utilização de materiais compósitos de polímero reforçado com fibra de carbono (CFRP - carbon fiber reinforced polymer) vem se ampliando nas últimas décadas, com destaque para aplicações críticas como a aeroespacial e civil. Entretanto, a utilização deste tipo de material apresenta desafios quanto a mecânica dos danos sofridos por estas estruturas, devido à natureza heterogênea e anisotrópica do material. Os compósitos sofrem, principalmente, dois tipos de danos, as fissuras e a delaminação. Neste cenário, o monitoramento da integridade estrutural (SHM – structural health monitoring) deste material se apresenta de forma extremamente necessária para garantir os níveis de segurança, confiabilidade e qualidade requeridos por estas indústrias. Na presente pesquisa, foi proposta uma nova abordagem para detecção e avaliação de danos em estruturas CFRP tendo como base o emprego de algoritmos de deep learning em conjunto a técnicas de interpretabilidade (XAI – explainable artificial intelligence). A análise experimental consistiu no emprego da metodologia proposta para avaliação de diferentes tipos de falhas, como delaminação e fissuras, em corpos de prova de CFRP em configuração comumente utilizada pela indústria aeronáutica. O conjunto de dados utilizado constitui-se de sinais detectados por transdutores piezelétricos fixados na estrutura sob inspeção a partir do método de transmissão-recepção de ondas Lamb. Os sinais adquiridos durante a inspeção dos perfis de CFRP foram rotulados com auxílio das imagens de raio-x das amostras e transformados em representações tempo-frequência utilizando a distribuição de Wigner-Ville. Estas representações tempo-frequência foram utilizadas para o treinamento de diferentes arquiteturas de redes neurais convolucionais. Os modelos devidamente otimizados alcançaram um resultado médio de 0,963 de precisão e 0,984 de sensibilidade. As principais regiões utilizadas pelos modelos para a atribuição da classe das amostras foram analisadas utilizando algoritmos de XAI e técnicas de processamento de sinais para a validação dos classificadores. Os resultados obtidos demonstram a factibilidade do método proposto para o desenvolvimento de soluções auditáveis de SHM em estruturas de compósitos utilizando algoritmos de visão computacional.

Due to their physical-mechanical characteristics, such as high strength, stiffness, weight, and corrosion resistance, the use of carbon fiber-reinforced polymer (CFRP) composite materials has increased in recent decades, especially in critical applications such as aerospace and civil engineering. However, the use of this type of material presents challenges in terms of the mechanics of the damage suffered by these structures, due to the heterogeneous and anisotropic nature of the material. Composites suffer mainly from two types of damage: cracks and delamination. In this scenario, structural health monitoring (SHM) of this material is extremely necessary to ensure the safety, reliability, and quality levels required by these industries. In this research, a new approach was proposed for detecting and assessing damage in CFRP structures, based on the use of deep learning algorithms in conjunction with interpretability techniques (XAI - explainable artificial intelligence). The experimental analysis consisted of using the proposed methodology to assess different types of failure, such as delamination and cracks, affecting CFRP specimens in a configuration commonly used by the aeronautical industry. The data set used consisted of signals detected by piezoelectric transducers fixed to the structure under inspection using the Lamb wave transmission-reception method. The signals acquired during the CFRP profile inspection were labeled using X-ray images and transformed into time-frequency representations using the Wigner-Ville distribution. These timefrequency representations were used to train different architectures of convolutional neural networks. The properly optimized models achieved an average result of 0.963 accuracy and 0.984 sensitivity. The main regions used by the models to classify the samples were analyzed using XAI algorithms and signal processing techniques to validate the classifiers. The results obtained demonstrate the feasibility of the proposed method for developing auditable SHM solutions in composite structures using computer vision algorithms.