.png){kind=icon}
返回
A data-lean machine learning approach for damage extent estimation and classification in composite structures under multiple failure modes
.png){kind=icon}
OA
AI
DOI：10.1088/2632-2153/adfb20.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本研究针对在数据稀缺和传感器受限条件下对复合材料结构进行精确结构诊断的关键挑战，该挑战是许多现有结构健康监测（SHM）框架中的已知局限性。我们提出了一种新颖的、数据精简的仿真-机器学习（ML）方法，该方法将高保真数值建模与轻量级ML算法相结合，以同时进行损伤程度估计和失效模式分类。开发了一种时域谱有限元模型，该模型集成了基于物理建模的压电作动器/传感器和混合阶分层力学（包括线性和非线性），用于模拟具有多种并发失效机制的复合材料层合板的电机械行为，具体包括纤维断裂、基体开裂和分层。构建了一系列代表性损伤场景，结合了贯穿层合板厚度的层内和层间失效。这些场景通过调谐-捕获配置进行模拟，其中施加高斯脉冲，并从三个空间分布的传感器收集响应。产生的含噪声数据集用于训练ML模型，以进行回归（损伤程度）和分类（失效模式），在一个利用可解释特征表示的统一学习管道内进行。研究还探讨了数据表示策略的影响，并通过交叉验证评估模型性能。初步结果表明了强大的预测能力，突显了仿真增强、ML赋能的SHM系统在复杂复合材料结构中进行鲁棒诊断的潜力，即使在极小数据和仪器约束条件下也是如此。
期刊
M
IF:
4.6
论文数:
1.1K
被引数:
3.4K
机构
引用论文
.png){kind=icon}
分享收藏分享收藏Delamination identification in sandwich composite structures using machine learning techniques使用机器学习技术在夹层复合材料结构中的分层识别
PREAI
分享收藏
查看更多内容