Detección de daño en una placa compuesta utilizando variational autoencoders (VAE)

Abstract

Para cada nuevo proyecto de ingeniería, siempre existirá la duda sobre que materiales son los más aptos para cumplir los requerimientos de este, buscando la mayor confiabilidad y propiedades mecánicas al menor peso. Muchas veces el peso es algo que debe sacrificarse, teniendo estructuras más pesadas y robustas de lo deseado originalmente, pero en industrias donde el peso es algo fundamental como lo es la aeronáutica, la industria aeroespacial o la automotriz, el peso del producto es de los parámetros más importantes a la hora de evaluar su desempeño. Los materiales compuestos son aquellos materiales formados por la unión de uno o más materiales diferentes, para conseguir propiedades mecánicas que no era posible con los materiales originales. En el caso de las placas compuestas tipo sándwich del presente estudio, estas placas corresponden a una unión entre dos capas de fibra de carbono, con un núcleo Nomex tipo panal de abeja y una resina epóxica como adhesivo entre las partes. Las placas compuestas tipo sándwich tienen buenas propiedades mecánicas a un muy bajo peso. Sin embargo, por temas de manufactura poseen muchas veces defectos denominados delaminación. La delaminación se define como la perdida de adherencia entre el núcleo y las capas. Existe una gran dificultad en dar cuenta cuando existe esta falla, debido a que normalmente no es visualmente inspeccionable. Es por esto que se desarrollan herramientas computacionales para poder identificarlas de forma automática. En el presente documento, se investiga una forma de detectar el daño en una placa compuesta, utilizando una red neuronal denominada Variational Autoencoders (VAE), redes de clasificación binaria de fallas y clasificación de fallas por niveles. La entrada a esta red serán imágenes de índices de daño sobre la superficie de las placas. Las que se obtienen mediante un método de elementos finitos basado en la curvatura de los modos de vibración. La primera parte de este trabajo corresponde a una revisión bibliográfica sobre los métodos de aprendizaje supervisado de máquinas utilizados para resolver este tipo de problemas. Luego, se realiza un ordenamiento y preprocesamiento de los datos para dividirlos en los conjuntos de entrenamiento, prueba y validación. Con los datos se procede a la fase de entrenamiento y puesta a punto de las diferentes redes neuronales utilizadas, para luego analizar los resultados de las diferentes arquitecturas y modelos probados. Se concluye que el VAE es un algoritmo no supervisado útil para la clasificación de las placas con daño, teniendo una efectividad de hasta un 86.89%. Sin embargo también se proponen métodos de clasificación binaria con resultados de hasta un 92.84% de efectividad, y luego métodos de clasificación multiclase según tamaño de daño con efectividad de un 75.44%.