Signatures dynamiques et statistiques pour le contrôle santé de poutres composites intelligentes utilisant des approches directes et inverse par réseaux de neurones

Dynamic and static signatures for health monitoring of smart composite beams using direct and inverse neural networks approaches

• Auteur / Autrice : Vijayakumar Sahadevan
• Direction : Ayech Benjeddou
• Type : Thèse de doctorat
• Discipline(s) : Mécanique des structures
• Date : Soutenance en 2006
• Etablissement(s) : Châtenay-Malabry, Ecole centrale de Paris

Mots clés

Mots clés contrôlés

Capteurs (technologie)

Réseaux neuronaux (informatique)

Poutres

Mots clés libres

Composite stratifié

Endomagement

Résumé

Cette thèse présente le contrôle santé de poutres compsites stratifiées avec des pastilles piezo-céramiques en utilisant des signatures dynamiques et statiques. Les approches directes par interface graphique utilisateur (GUI) et inverse par réseaux neurones artificielles (ANN) sont démontrées. Pour les simulations par éléments finis, les dommages présumés sont modélisés par enlèvement de matière et par réduction du module de Young relativement à l'intensité des dommages. En utilisant l'approche GUI, la variation de courbure modale, rotation et courbure statique sont explorées. Les résultats obtenus ont montré que l'approche GUI est capable de bien détecter et mesurer l'endroit et la longueur du dommage pour toutes les conditions limites avec des niveaux d’erreur acceptables. ANN multicouches sont développés après des analyses paramétriques sur le nombre de couches cachées et de neurones par couche. Les ANN proposés sont capables de prédire l'endroit, la longueur et la profondeur des dommages par des signatures dynamiques (variations des déplacements modaux, de courbure modale, de fonctions de réponse d'impulsion et en fréquence et de coefficient de couplage électromécanique) et statiques (variations de flèche et de courbure) comme entrées. L’algorithme de Levenberg-Marquardt est employé pour entraîner les ANN. Les résultats obtenus ont montré qu'une seule couche cachée avec plus d'une neurone est assez bonne pour simuler les données qualifiées avec une convergence plus rapide. Pour les signatures dynamiques, les prévisions basées sur la courbure modale semblent être meilleures que sur les FRF. Les résultats obtenus avec EMCC sont également en bon accord.

This thesis presents the health monitoring of composite beams with piezo-ceramics using dynamic and static signatures. Direct Graphical User Interface (GUI) and Inverse Artificial Neural Networks (ANN) approaches are demonstrated. During finite element simulations, the presumed damages are modelled as material removal and as a reduction in Young modulus relative to the intensity of damage. Using GUI approach, modal curvature change, static bending rotation change and curvature change are explored for health monitoring. The obtained results proved that the GUI approach is able to detect and quantify well the damage location and length for all the boundary conditions within acceptable error levels. Multi-layer ANN are developed based on parametric analyses on number of hidden layers and neurons. The proposed networks are able to predict not only damage location, but also damage length and depth by taking dynamic (modal displacements changes, modal curvature changes, impulse and frequency response function changes and electromechanical coupling coefficient (EMCC)) and static (bending rotation and curvature changes) signatures as inputs. The Levenberg-Marquardt algorithm is used for training the networks. The obtained results proved that a single hidden layer with more than three neurons is good enough to simulate the trained data with faster convergence. For the dynamic signatures, predictions based on modal curvature performed better than FRF and modal displacements. The obtained results using EMCC are also in good agreement. The predictions using the static curvature change are better than the bending rotation change for both direct and inverse ANN approaches.