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

• Autor(a) principal: Monson, Paulo Monteiro de Carvalho
• Data de Publicação: 2023
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Institucional da UNESP
• Texto Completo: https://hdl.handle.net/11449/252258
• topic: SHM; CFRP; Redes neurais convolucionais; Deep learning; Explainable IA

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.