TOPOLOGICAL DATA ANALYSIS FOR LAMB WAVES BASED SHM METHOD IN OPERATIONAL CONDITIONS
Notice bibliographique
Résumé
Structural Health Monitoring (SHM) based on Lamb wave propagation is a promising solution to optimize maintenance, safety and enlarge service life of aeronautical structures.However, it remains a significant challenge to solve requirements for performance and accuracy.In this paper, an original method based on Topological Data Analysis (TDA) is introduced.TDA is a multi-dimensional method which can extract the topological features from time series and point cloud.First, the TDA tool is applied to raw 1D data in order to detect damages.Then, specific pre-processing of the measured time-series based on slicing is developed to improve the persistence homology perception and to leverage topological descriptors to classify different damages.Using a Lamb wave based SHM approach, it is shown that with specific pre-processing of the measured time-series data, the topological analysis (persistent homology) for damage detection and classification can be greatly improved.The temperature of the material has an impact on wave propagation and attenuation properties.It is important to ensure the capacity to detect and classify the damages on material on operational conditions of aerospace structures.The proposed approach enables to consider a priori physical information and provides another way to categorize damages than the traditional approaches.This work aims to characterize the temperature influence on the TDA performance to cluster damages.Finally, a strategy robust to temperature evolution is suggested to classify the plate health state.The dataset used to apply both methods comes from experimental campaigns performed on aeronautical composite plates with embedded piezoelectric transducers where different damage types have been investigated such as delamination and different impacts.In summary, this paper demonstrates that manipulating the topological the features of time-series signals using TDA provides an efficient mean to separate and classify the damage natures.It opens the way for further developments on the use of TDA in SHM.
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 | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».