Automated Impact Damage Detection Technique for Composites Based on Thermographic Image Processing and Machine Learning Classification
Notice bibliographique
Résumé
Composite materials are one of the primary structural components in most current transportation applications, such as the aerospace industry. Composite material diagnostics is a promising area in the fight against structural damage in aircraft and spaceships. Detection and diagnostic technologies often provide analysts with a valuable and rapid mechanism to monitor the health and safety of composite materials. Although many attempts have been made to develop damage detection techniques and make operations more efficient, there is still a need to develop/improve existing methods. Pulsed thermography (PT) technology was used in this study to obtain healthy and defective data sets from custom-designed composite samples having similar dimensions but different thicknesses (1.6 and 3.8). Ten carbon fibre-reinforced plastic (CFRP) panels were tested. The samples were subjected to impact damage of various energy levels, ranging from 4 to 12 J. Two different methods have been applied to detect and classify the damage to the composite structures. The first applied method is the statistical analysis, where seven different statistical criteria have been calculated. The final results have proved the possibility of detecting the damaged area in most cases. However, for a more accurate detection technique, a machine learning method was applied to thermal images; specifically, the Cube Support Vector Machine (SVM) algorithm was selected. The prediction accuracy of the proposed classification models was calculated within a confusion matrix based on the dataset patterns representing the healthy and defective areas. The classification results ranged from 78.7% to 93.5%, and these promising results are paving the way to develop an automated model to efficiently evaluate the damage to composite materials based on the non-distractive testing (NDT) technique.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| 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 ».