Application of deep learning to classification of acoustic emission (ae) measurements for damage detection in composites
Kompozitlerdeki hasar teşhisi için akustik emisyon (AE) sınıflandırmasında derin öğrenmenin uygulanması
- Tez No: 675757
- Danışmanlar: PROF. DR. AYŞE SAİDE SARIGÜL
- Tez Türü: Yüksek Lisans
- Konular: Mühendislik Bilimleri, Engineering Sciences
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2021
- Dil: İngilizce
- Üniversite: Dokuz Eylül Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Makine Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 94
Özet
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.
Özet (Çeviri)
Composites offer high strength and stiffness with lightweight, making them attractive for a wide range of engineering applications. However, complex fracture mechanics of composites leading high maintenance costs and safety concerns especially in safety-critical applications. In particular, some of damage modes such as matrix cracking, delamination and fiber breakage may cause critical failures in specific applications. Therefore, development of effective and reliable Structural Health Monitoring (SHM) systems which are capable of detecting and identifying damage is necessary. Acoustic Emission (AE) is particularly suitable to be used in SHM systems due to its passive nature which enables in-situ and in real-time monitoring. Additionally, deep learning-based methods such as Convolutional Neural Networks (CNN) improved the state-of-the-art in image classification tasks and are used in different domains successfully. In contrast, a little attention has been paid to apply this method on characterization of damage in composites. In this study, CNN based classification scheme is used to classify AE measurements and dependence of classification performance on different propagation distances is investigated experimentally. Different damage modes are represented by the dominant fundamental Lamb wave modes which are generated using artificial AE source. The generated labelled waveforms are measured by sensors mounted at different distances to AE source. Two different architectures of CNN model are used to classify AE measurements and the performance of CNN models is evaluated. Finally, investigation of transfer learning concept for the sensors mounted at different positions is conducted.
Benzer Tezler
- Yapay zekâ ve sinyal işleme yöntemleri ile rulmanlarda taşlama yanığı hatasının tespiti
Detection of grinding burn defect in bearings with artificial intelligence and signal processing methods
NURDOĞAN CEYLAN
Doktora
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya Uygulamalı Bilimler ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. SEZGİN KAÇAR
- İnsansız Hava Aracı tespiti ve sınıflandırılması için derin öğrenme tabanlı tekniklerin geliştirilmesi
Development of deep learning based techniques for Unmanned Aerial Vehicle detection and classification
EMRULLAH KIZILAY
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiSavunma Teknolojileri Ana Bilim Dalı
DOÇ. DR. İLHAN AYDIN
- Acoustic event classification using deep neural networks
Başlık çevirisi yok
OĞUZHAN GENÇOĞLU
Yüksek Lisans
İngilizce
2014
Bilgi ve Belge YönetimiTampereen Teknillinen Yliopisto (Tampere University of Technology)Bilişim Teknolojileri Ana Bilim Dalı
PROF. TUOMAS VIRTANEN
DR. HEIKKI HUTTUNEN
- Akustik özellikler kullanan müzik öneri sistemi
Music recommendation system using acoustic features
AHMET ELBİR
Doktora
Türkçe
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. NİZAMETTİN AYDIN
- Elektrik iletim hatlarındaki izolatör hasarlarının derin öğrenme (deep learning) yöntemi ile tespiti
Determination of isolator failures on the electricity transmission lines by deep learning method
AHMET TURFANDA
Yüksek Lisans
Türkçe
2019
Elektrik ve Elektronik MühendisliğiKaradeniz Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ FATİH MEHMET NUROĞLU