Identificación de daño en paneles compuestos utilizando redes neuronales convolucionales y los modos de vibración

Abstract

Los paneles de aluminio compuestos son materiales estructurales con una amplia gama de aplicaciones, desde la construcción de turbinas eólicas hasta equipos de ingeniería aeroespacial. Esto se debe a sus propiedades mecánicas pues permite tener altas resistencias con un muy bajo peso en comparación a otros materiales. Sin embargo, existe un inconveniente a la hora de utilizar estos paneles: Pueden sufrir silenciosamente de delaminación, la cual no se puede detectar a simple vista y afecta severamente en las propiedades mecánicas además de alterar los modos de vibración del panel. Es por esto que es necesario recurrir a ensayos no destructivos para diagnosticar y/o monitorear paneles y evitar que fallen de manera catastrófica. Las redes neuronales arificiales fueron primeramente desarrolladas en los años 40' y sólo recientemente han podido ser utilizadas con facilidad debido al desarrollo de la aceleración por hardware. Estas redes están diseñadas para tratar con grandes cantidades de datos y aprender de los mismos. En este contexto se encuentran las redes neuronales convolucionales, las cuales son especiales para tratar datos que se encuentren ordenados en una configuración matricial. El objetivo de este trabajo consiste en utilizar estas redes neuronales convolucionales para realizar una identificación de daño en paneles compuestos. Para ello se cuenta con un código en Matlab que permite simular la respuesta vibratoria de los paneles estando sanos o dañados, éste programa se utilizará para generar una gran cantidad de datos de paneles dañados y sanos que contengan tanto la ubicación del daño como los modos de vibración. Con ello se entrenarán redes neuronales que aprendan a identificar daño y, finalmente, se hará uso de datos experimentales obtenidos anteriormente en laboratorio para validar las redes entrenadas. El proceso de entrenamiento se realiza mediante una metodología de generación aleatoria de redes neuronales convolucionales que permite una basta exploración de hiperparámetros con el fin de seleccionar la arquitectura con mejores resultados. Finalmente se logra evaluar el desempeño de las redes neuronales en la tarea de identificación de daño en los paneles, obteniendo una mejoría en los resultados en relación a los trabajos anteriormente realizados en la misma linea de investigación. Los resultados finales indican un alto potencial en el método para aplicaciones más complejas.