Modal Strain Energy and Convolutional Neural Network-Based Damage Identification in Plate-Like Structures

Dieses Kapitel untersucht die innovative Kombination von modaler Stammenergie (MSE) und konvolutionalen neuronalen Netzwerken (CNN) zur Identifizierung von Schäden in plattenartigen Strukturen. Die Studie führt einen einstufigen Prozess ein, der die Empfindlichkeit von MSE gegenüber strukturellen Schäden und die Robustheit von CNN-Algorithmen wirksam nutzt. Mittels Finite-Elemente-Analyse wird die MSE einer Aluminiumplatte bestimmt, wobei die Schwere der Schäden als Prozentsatz der Dickenreduzierung gemessen wird. Die vorgeschlagene CNN-Architektur mit 2D-Faltungsschichten und dichten Schichten basiert auf einem Datensatz zufälliger Schadensszenarien. Die Ergebnisse zeigen die hohe Genauigkeit der Methode bei der Identifizierung einzelner und mehrerer Schäden, wobei die Indikatoren für die Identifizierungskapazität 80% übersteigen. Die Studie untersucht auch die Effektivität der Kombination von MSE-Daten aus sechs Biegemodus-Formen, wodurch die Vorhersageleistung weiter verbessert wird. Diese Forschung unterstreicht das Potenzial der Integration von Deep Learning mit traditionellen strukturellen Gesundheitstechniken und bietet einen vielversprechenden Ansatz zur effizienten und präzisen Identifizierung von Schäden in plattenartigen Strukturen.