Machine learning driven structural health monitoring

Abstract

Η παρούσα διπλωματική εργασία στοχεύει στην κατασκευή μιας γενικευμένης μεθοδολογίας που αξιοποιεί γνώσεις μηχανικής για την πρόβλεψη βλαβών σε σύνθετα υλικά για αεροναυπηγικές κατασκευές. Ειδικότερα, εφαρμόζονται αλγόριθμοι μηχανικής μάθησης και βαθιάς μάθησης για την πρόβλεψη του είδους αστοχίας αλλά και για τη σοβαρότητά τους, υπό ρεαλιστικές συνθήκες και με λίγα δεδομένα. Η εργασία ξεκινά με την ανάλυση του θεωρητικού υπόβαθρου της παρακολούθησης της υγείας κατασκευών και με τους τρόπους που μπορεί να επωφεληθεί από τη μηχανική μάθηση και γίνεται αναφορά στις προσομοιώσεις που έγιναν σε πλάκες από σύνθετα υλικά καθώς και τα φυσικά

φαινόμενα που τις διέπουν. Οι προσομοιώσεις αυτές γίνονται με σκοπό τη συλλογή δεδομένων και παρέχουν σήματα που διέρχονται μέσα από τις πλάκες που έχουν υποστεί ζημία, τα οποία σήματα είναι τα δεδομένα εκπαίδευσης των αλγορίθμων, αλλά και παρέχουν τις τιμές της ποσότητας και το είδος της βλάβης, οι οποίες είναι οι τιμές που προβλέπουν οι αλγόριθμοι. Στη συνέχεια αναλύονται οι μέθοδοι επεξεργασίας δεδομένων αλλά και οι τεχνικές εξαγωγής των χρησιμότερων χαρακτηριστικών που βασίζονται σε γνώσεις μηχανικής και αναδεικνύεται η συμβολή τους ιδιαιτέρως στις περιπτώσεις λίγων δεδομένων. Σε αυτό το σημείο, εφαρμόζονται συνήθεις αλγόριθμοι παλινδρόμησης, για την πρόβλεψη της σοβαρότητας της ζημιάς και ταξινόμησης για την πρόβλεψη του είδους της. Παράλληλα, έχουν προστεθεί παράγοντες που προσθέτουν δυσκολίες που συναντώνται στην πράξη, ώστε τα πειράματα να είναι αρκετά ρεαλιστικά. Τέλος, παρουσιάζονται τα αποτελέσματα των πειραμάτων μηχανικής μάθησης, τα οποία είναι γενικώς θετικά, ενώ πιο συγκεκριμένα τα αποτελέσματα των απλών αλγορίθμων υπερτερούν των πιο σύνθετων, αποδεικνύοντας ότι η εφαρμογή γνώσης ενισχύει την προβλεπτική ικανότητα. Η εργασία επιβεβαιώνει ότι η παρακολούθηση της υγείας σε συνδυασμό με τη μηχανική μάθηση προσφέρει χρήσιμες λύσεις, χωρίς την ανάγκη μεγάλου όγκου δεδομένων και σύνθετων αλγορίθμων.