Application of deep learning to classification of acoustic emission (ae) measurements for damage detection in composites

Kompozitler sahip oldukları yüksek mukavemet ve rijitlikten ötürü birçok mühendislik uygulamasında tercih edilmektedir. Fakat aynı malzemelerde görülen kompleks hasar mekaniği, güvenlik tehlikesi taşıyan uygulamalarda yüksek bakım masrafları ve fonksiyonel güvenlik endişelerinide beraberinde getirmektedir. Özellikle matris kırığı, delaminasyon ve fiber kopması gibi farklı hasar mekanizmalarından bazıları uygulama tipine göre ciddi olumsuz sonuçlar doğurabildiğinden, bu hasar modlarını anlık olarak tespit edebilen etkili ve güvenilir yapısal durum izleme sistemlerine ihtiyaç duyulmaktadır. Akustik emisyon yöntemi, yerinde ve gerçek zamanlı tespite imkan veren yapısı gereği yapısal durum izleme sistemlerinde kullanılmaya elverişlidir. Bunun yanında, resim tanıma-sınıflandırma görevlerinde çitayı oldukça yükseltmiş olan konvolüsyonel sinir ağları (CNN) gibi derin-öğrenme yöntemleri farklı disiplinlerde başarıyla kullanılmaktadır. Buna karşın, bu metodun kompozitlerdeki hasar modlarının tespitinde kullanılmasına dönük fazlaca bir çalışma bulunmamaktadır. Bu çalışmada akustik emisyon ölçümleri konvolüsyonel sinir ağları ile sınıflandırmaya tabi tutulmuş ve sınıflandırma performansının farklı yayılım uzaklıklarından nasıl etkileneceği deneysel olarak kompozit plaka üzerinde incelenmiştir. Farklı hasar tiplerini temsilen yapay akustik emisyon kaynakları olarak temel Lamb dalga modları kullanılmıştır. Üretilen ve sınıfları belirli olan dalgalar kaynaktan farklı uzaklıklıklarda ölçülerek iki farklı mimariye sahip konvolüsyonel sinir ağı modeli tarafından sınıflandırmaya tabi tutulmuştur. Modellerin sınıflandırma performansı dalga yayılım etkileri gözönünde bulundurularak değerlendirilmiştir. Son olarak farklı pozisyonlarda bulunan sensörler için öğrenme transferi konseptinin uygulanması araştırılmıştır.