Machine learning on thermographic images for the detection and classification of damage on composites
Notice bibliographique
Résumé
Composite materials unarguably represent the important structure parts in most modern transport applications such as the aerospace sector. One area that shows great potential in the battle against aircraft structural damage and the diagnosis of composite materials. Very often, detection and diagnosis tools offer a valuable and quick mechanism to the analysts and assist them in the monitoring of the health integrity of the composite materials. Although numerous initiatives to develop damage detection techniques and make operations more efficient were launched, there is still an on-going need to develop/improve upon the existing methods. In this work, Pulsed Thermography (PT) technique was used to acquire healthy and faulty datasets from specially designed composite samples of the same dimensions (300 mm x 300 mm x 2 mm) with three different geometries (planar, curved and trapezoidal). Three plates from carbon fibre-reinforced plastic (CFRP) were tested. The same defects distribution was first introduced to the different samples and the variation of surface temperature over time, and the flow of transient heat generated through an energy stimulus in the samples were then monitored. A machine learning (A Cubic Spine Support Vector Machine) based technique was applied to the resulting thermographic images in order to detect and classify damage on composite structures. The proposed classification model was evaluated for its performance using the common metrics such as the overall accuracy, sensitivity, precision, specificity, etc. It was concluded that the classification approach could provide a reliable estimate of composite material conditions and eventually could lead to 'go / no-go' decisions.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».