[pt] Recentemente, ondas guiadas por ultrassom têm mostrado grande potencial
para ensaios não destrutivos e monitoramento de integridade estrutural
(SHM) em um cenário de avaliação de danos. As medições obtidas por
meio de ondas elásticas são particularmente úteis devido a sua capacidade de
se propagarem em diferentes materiais, como meios sólidos e fluidos e, também,
a capacidade de abrangerem áreas amplas. Ao possuir suficientes medições
oriundas de ondas guiadas, técnicas avançadas baseadas em dados, como
aprendizado de máquina, podem ser aplicadas ao problema, tornando o procedimento
de avaliação de danos ainda mais poderoso e robusto. Com base
nessas circunstâncias, o presente trabalho trata da aplicação de modelos de
aprendizado de máquina para fornecer inferências de avaliação de falhas baseadas
em informações de ondas guiadas por ultrassom. Dois principais estudos
de caso são abordados. Primeiramente, uma placa de polímero reforçado com
fibra de carbono (PRFC) é avaliada, utilizando dados da literatura de sinais de
onda guiada do tipo Lamb na detecção de defeitos pontuais. Os resultados demonstraram
que uma abordagem que utiliza um sinal de referência foi capaz
de obter excelentes acurácias ao usar a extração de características baseadas
em técnicas de identificação de sistemas. Em um segundo momento, defeitos
semelhantes à corrosão em uma placa de alumínio são classificados de acordo
com sua gravidade. A metodologia é auxiliada por um esquema de separação
de modos em sinais de ondas guiadas do tipo SH pré-adquiridos. Os resultados
obtidos mostraram que a adoção da separação de modos pode, de fato,
melhorar os resultados do aprendizado de máquina. / [en] Recently ultrasonic guided waves have shown great potential for nondestructive
testing and structural health monitoring (SHM) in a damage evaluation
scenario. Measurements utilizing elastic waves are particularly useful due
to their capability to propagate in different materials such as solid and fluid
bounded media, and, also, the ability to cover broad areas. When enough guided
waves measurements are available and advanced data-driven techniques
such as machine learning can be applied to the problem, the damage evaluation
procedure becomes then even more powerful and robust. Based on these
circumstances, the present work deals with the application of machine learning
models to provide fault evaluation inferences based on ultrasonic guided waves
information. Two main case studies are tackled in the mentioned subject.
Firstly, a carbon fiber reinforced polymer (CFRP) plate is assessed using open
data of Lamb guided wave signals in the detection of dot type defects. Results
demonstrated that a baseline dependent approach can obtain excellent results
when using system identification feature extraction. Secondly, corrosion-like
defects in an aluminium plate are classified according to their severity. The
methodology is assisted by a mode separation scheme of SH guided waves
signals of pre-acquired data. Results have shown that the adoption of mode
separation can in fact improve the machine learning results.
| Identifer | oai:union.ndltd.org:puc-rio.br/oai:MAXWELL.puc-rio.br:51574 |
| Date | 25 February 2021 |
| Creators | MATEUS GHEORGHE DE CASTRO RIBEIRO |
| Contributors | HELON VICENTE HULTMANN AYALA |
| Publisher | MAXWELL |
| Source Sets | PUC Rio |
| Language | English |
| Detected Language | Portuguese |
| Type | TEXTO |
Page generated in 0.003 seconds