Beurteilung von Stoßbelastungen in hochleistungsfähigen CFK-Verbundstrukturen für Structural Health Monitoring (SHM)

Projekttitel: Beurteilung von Stoßbelastungen in hochleistungsfähigen CFK-Verbundstrukturen für Structural Health Monitoring (SHM) unter Verwendung eingebetteter Sensoren und Aktoren

Forschungsbereich: Ingenieurwesen und Betriebswirtschaft

Kohlenstofffaserverstärkte Kunststoff-(CFK)-Verbundwerkstoffe finden aufgrund ihrer außergewöhnlichen Eigenschaften umfangreiche Anwendungen in verschiedenen Branchen, einschließlich der Luftfahrtindustrie und des Automobilsektors. Intelligente CFK-Strukturen können Wartungskosten und Umweltbelastungen erheblich reduzieren, indem sie Selbstüberwachungsfunktionen durch maßgeschneiderte einbettbare Sensor-Aktor-Schichten (TEmSAL) bereitstellen. Diese Arbeit setzt Machine-Learning-Methoden für die hochpräzise Lokalisierung von Einschlägen und die Bestimmung von Stoßkräften ein. Sie wird das Potenzial von Machine-Learning- und Echtzeit-Datennachverarbeitungstechniken demonstrieren, um eine state-of-the-art-Genauigkeit bei der Erkennung, Lokalisierung und Kraftmessung von Einschlägen zu erreichen.

Ziel

• Evaluation und Analyse von Stoßdaten aus eingebetteten Sensor-Aktor-Arrays in intelligenten CFK-Verbundwerkstoffen
• Einführung von Selbstüberwachungsfähigkeiten für intelligente Strukturen mittels:
• Hochauflösender Lokalisierung des Stoßereignisses
• Hochpräziser Schätzung der Stoßkraft
• Erheblicher Reduktion von Wartungs- und Überwachungskosten
• Optimierung des Sensor-Array-Setups
• Methodik für autonomes selbstsensierendes SHM
• Entwicklung einer Strukturmodellierungsumgebung unter Verwendung der FEM zur Generierung virtueller Ground-Truth-Datensätze zur Bewertung komplexer Geometrien

Problemstellung

Die Integrität von Verbundstrukturen kann durch Schäden erheblich beeinträchtigt werden, was manchmal zu katastrophalem Versagen führt. Dies unterstreicht die kritische Bedeutung der Überwachung zur Früherkennung und Prävention. Allerdings sind bestehende Methoden zur Echtzeit-, Kontinuierlichen- und Fernüberwachung für CFK-basierte Verbundkomponenten kostspielig und ineffizient. Daher müssen Selbstüberwachungsansätze entwickelt werden, die entscheidend sind, um die Integrität des Materials bei reduzierten Überwachungskosten sicherzustellen.

Praktisches Beispiel

Wir haben einen laborgeeigneten Aufbau für Platten-Stoßtests eingerichtet, um experimentelle Sensordaten bereitzustellen. Dieser ermöglicht die Erzeugung reproduzierbarer Stoßereignisse mit hoher Genauigkeit hinsichtlich Stoßort und -energie. Zur Durchführung der experimentellen Kampagne wurde ein Probenpanel mit mehreren integrierten Sensoren gefertigt. Bis heute stehen Daten aus über 100 Stoßexperimenten zur Verfügung.

Technologie

Eingebettete piezoelektrische Elemente in CFK-Verbundstrukturen werden verwendet. Das technologische Konzept der maßgeschneiderten einbettbaren Sensor-Aktor-Schichten (TEmSAL) ermöglicht die Herstellung und Vormontage funktionaler Schichten mit Aktor-Sensor-Netzwerken und deren Integration in beliebige Verbundstrukturen. Dies erlaubt die Messung von Stoßereignissen. Die gesammelten Daten durchlaufen Vorverarbeitungsschritte, um ihre Integrität, Kohärenz und Rauschreduktion sicherzustellen. Die bereinigten Daten werden sowohl als Abtastdaten als auch als Zeitreihen verarbeitet. Für Letzteres wird ein gestapeltes Netzwerk aus Long Short-Term Memory (LSTM) trainiert. Ein maßgeschneidertes tiefes neuronales Netzwerk wird unter Verwendung der Abtastdaten trainiert, und schließlich wird ein klassischer Random-Forest-Ansatz als Baseline verwendet. Darüber hinaus wird bei der Zeitreihenanalyse ein Mehrheitsvotierungsmechanismus verwendet, der die Genauigkeit der Stoßlokalisierung erheblich erhöht.

Ausblick

Aktueller Status

• State of the Art bei der Stoßlokalisierung mittels TEmSAL in intelligenten CFK-Verbundwerkstoffen
• Ermöglichung einer präzisen Schätzung von Ort und Kraft mit minimalem Trainingsdatenumfang
• Nahe-Echtzeit-Selbstüberwachung

Zukünftige Arbeiten

• Simulationen zur Ersetzung physikalischer Tests und zur Synthese von Trainingsdaten
• Optimierung des Sensor-Array-Layouts in TEmSAL
• Feinabstimmung der ML-Modelle für komplexe Geometrien
• Synthese von Daten, z. B. mittels Generative Adversarial Networks (GANs)
• Erkundung der capabilities von Graph Neural Networks (GNNs) zur Leistungsoptimierung
• Erforschung von Selbstsensierungsfähigkeiten im Hinblick auf eine integrierte Anregung und Messung

Publikationen

• Hornig, A., Frohberg, R., Bätzel, T., Gude, M., & Modler, N. (2022). Embedded sensing and actuating in CFRP composite structures—concept and technology demonstration for tailored embeddable sensor-actuator layers (TEmSAL). Smart Materials and Structures, 31(9), Artikel 095007. https://doi.org/10.1088/1361-665X/ac7d23
• Bätzel, T., Böhm, H., Hornig, A., & Gude, M. (2023). Active SHM and impact sensing for composite aerospace structures based on the TEmSAL technology – demonstration on a generic aircraft engine containment segment. In Proceedings of the 10th ECCOMAS Thematic Conference on Smart Structures and Materials (Smart 2023) (S. 477–488). https://doi.org/10.7712/150123.9802.444217
• Hornig, A., Winkler, A., Bauerfeind, E., Gude, M., & Modler, N. (2021). Delamination behaviour of embedded polymeric sensor and actuator carrier layers in epoxy based CFRP laminates—a study of energy release rates. Polymers, 13(22), Artikel 3926. https://doi.org/10.3390/polym13223926
• Cuomo, S., Bätzel, T., Modler, N., Hornig, A., & Meo, M. (2022). High velocity impact on generic CFRP blade specimen: Baseline free method for impact localisation and damage assessment on complex structures. Smart Materials and Structures, 31(6), Artikel 065024. https://doi.org/10.1088/1361-665X/ac6d90

Team

Teamleitung

• Prof. Dr. Maik Gude
• Dr. Andreas Hornig

Teammitglieder

• Dr. Siavash Ghiasvand
• Johannes Gerritzen

Partner

Institut für Leichtbau und Kunststofftechnik – Technische Universität Dresden (TUD)