Ultrasonic Monitoring of Fiber Metal Laminates using Integrated Sensors : Model-based Damage Analysis
Structural health monitoring (SHM) with in-situ piezoelectric sensing elements based on guided ultrasonic waves (GUW) is an international research object. However, SHM approaches are hardly addressed for fiber metal laminates (FML). This research presents a model-based damage analysis using GUW and methodologies to localize, characterize and quantify damage parameters in FML. In this work, a two-dimensional elasticity-based finite element model for GUW excitation and sensing has been developed for various damage configurations and validated through numerical experiments. The damage detection by GUW measurements is an inverse problem, with questions of solvability, uniqueness of solution, and sensitivity to measurement disturbances. Strong regularizers can help with certain ill-posed problems, but they only provide a point estimate of the damage parameter. Due to the inherent uncertainties in the application, this research followed a broader approach of Bayesian inference that offers the solution for an inverse problem by modeling the unknown parameters as a random variable and describing it by means of its probability distribution. The damage identification procedure involves the computation of the underlying high fidelity (HiFi) model several thousand times making the simulation cost prohibitively high. Therefore, an efficient adaptive parametric model order reduction method that accelerated the underlying HiFi model by several folds was employed. The resulting reduced-order models that could swiftly simulate the wave propagation with a close approximation of the HiFi solution are further exploited by the Bayesian inference methods to identify different damage configurations of the FML. A very limited amount of in-situ sensor measurements is required to estimate the damage parameters of FML. The algorithms are capable of inferring the position, length and stiffness of the damage parameters along with their associated uncertainties.
Structural Health Monitoring (SHM) mit in-situ piezoelektrischen Sensorelementen basierend auf geführten Ultraschallwellen (GUW) ist ein internationaler Forschungsgegenstand. Allerdings werden SHM-Ansätze für Faser-Metall-Laminate (FML) kaum berücksichtigt. In dieser Arbeit werden eine modellbasierte Schadensanalyse mit GUW und Methoden zur Lokalisierung, Charakterisierung und Quantifizierung von Schadensparametern in FML vorgestellt. In dieser Arbeit wurde ein zweidimensionales, auf Elastizität basierendes Finite-Elemente-Modell für GUW-Anregung und -Sensorik für verschiedene Schadenskonfigurationen entwickelt und durch numerische Experimente validiert. Die Schadenserkennung durch GUW-Messungen ist ein inverses Problem, bei dem sich Fragen der Lösbarkeit, der Eindeutigkeit der Lösung und der Empfindlichkeit gegenüber Messstörungen stellen. Starke Regularisierer können bei bestimmten schlecht gestellten Problemen helfen, aber sie liefern nur eine Punktschätzung des Schadensparameters. Aufgrund der inhärenten Unsicherheiten in der Anwendung verfolgte diese Forschung einen breiteren Ansatz der Bayes'schen Inferenz, der die Lösung für ein inverses Problem bietet, indem er die unbekannten Parameter als Zufallsvariable modelliert und sie durch ihre Wahrscheinlichkeitsverteilung beschreibt. Bei der Schadensidentifizierung muss das zugrunde liegende High-Fidelity-Modell (HiFi) mehrere tausend Mal berechnet werden, was die Simulationskosten prohibitiv hoch macht. Daher wurde ein effizientes adaptives parametrisches Modellordnungsreduktionsverfahren eingesetzt, das das zugrunde liegende HiFi-Modell um ein Vielfaches beschleunigt. Die daraus resultierenden Modelle mit reduzierter Ordnung, die die Wellenausbreitung mit einer guten Annäherung an die HiFi-Lösung schnell simulieren können, werden von den Bayes'schen Schlussfolgerungsmethoden weiter genutzt, um verschiedene Schadenskonfigurationen der FML zu identifizieren. Für die Schätzung der Schadensparameter von FML ist eine sehr begrenzte Anzahl von In-situ-Sensormessungen erforderlich. Die Algorithmen sind in der Lage, die Position, Länge und Steifigkeit der Schädigungsparameter zusammen mit den zugehörigen Unsicherheiten abzuleiten.
Preview
Cite
Access Statistic
Rights
Use and reproduction:
