Detección de daños en una placa de material compuesto tipo panal de abeja mediante métodos de aprendizaje supervisado

Abstract

El objetivo de esta investigación es desarrollar un algoritmo capaz de detectar, cuantificar y localizar daño en tiempo real en estructuras de material compuesto tipo panal de abeja, buscando delaminaciones entre las paredes y el núcleo. Para llevar a cabo este objetivo es necesario recopilar datos experimentales de frecuencias naturales y modos de vibración de placas con y sin delaminación, los que servirán para validar un modelo numérico de la estructura. El modelo numérico se construye en MATLAB. La estructura compuesta se modela con tres paneles unidos por resortes que representan a la capa de adhesivo. La delaminación se introduce como una disminución de rigidez local en los resortes. Las características mecánicas del modelo numérico son obtenidas mediante un método de ajuste de modelos que utiliza los datos experimentales de las placas con y sin delaminación. Con este modelo, se generó una base de datos de placas con distintos escenarios de delaminación que sirvieron para los métodos de identificación de daño evaluados. Se proponen dos métodos de aprendizaje supervisado para la identificación de daño, las redes neuronales artificiales y un método de interpolación lineal basado en el principio de máxima entropía. Ambos métodos de identificación de daño fueron evaluados por separado para así determinar cuál es el que identifica de mejor manera la existencia, magnitud y ubicación del daño. Para evaluar los métodos de identificación de daño, se realizó un estudio para determinar cuál es el o los parámetros que mejor determinan la delaminación. Los resultados indican que es necesario combinar la información de las frecuencias naturales y de los modos de vibración de la estructura. Para evaluar el método basado en redes neuronales, primero se estudió cual era la mejor configuración en cuanto a funciones de transferencia y porcentaje de utilización de datos para entrenamiento y validación de la red entre 12 posibles opciones. Luego de encontrada la configuración óptima se estudió cuál es el número de neuronas de la capa oculta que entrega mejores resultados. Se encontró que la mejor configuración correspondía a: 80 neuronas en la capa oculta, una proporción de casos de la base de datos para entrenamiento y validación de 90/10, función de transferencia entre el input y la capa oculta de Logsig y función de transferencia entre la capa oculta y output de Satlins. Se determinó que el entrenamiento de redes es un proceso que requiere de altos recursos computacionales y sin embargo no entrega resultados confiables. Por otra parte se trabajó con un algoritmo de aproximación lineal basado en el principio de máxima entropía, que utiliza la misma base de datos que las redes neuronales pero no requiere entrenamiento y que entrega resultados con la misma velocidad que las redes. Se obtuvo que este algoritmo permite encontrar con bastante exactitud el sector de la placa que se encuentra delaminado, con hasta un 10,5% de error en la ubicación y un 22,9% de error en el tamaño de la delaminación. Además, contrario a los resultados obtenido con las redes neuronales, el método de aproximación lineal no detecta delaminaciones en lugares que no corresponden (falsos positivos). Se decide entonces optar por el algoritmo de aproximación lineal basado en el principio de máxima entropía para la detección de daño ya que utiliza menos recursos, entrega información más acertada que las redes neuronales artificiales, y se detecta el daño con bastante precisión.