Localização de Danos Baseada em Vibração em Estruturas Compostas: Integrando CNNs, Modos de Vibração e Correlação Digital de Imagem
Estruturas sanduíche, Modos de vibração, Monitoramento da integridade estrutural, Aprendizado de máquina, Classificação de danos, Localização de danos.
Os materiais compósitos, conhecidos pelas suas elevadas relações resistência-peso e rigidez-peso, são extensivamente utilizados em diversas indústrias. Apesar das suas propriedades vantajosas, estes materiais são propensos a mecanismos de falha complexos que são difíceis de detectar visualmente. Este estudo propõe um framework de deep learning baseado em Redes Neurais Convolucionais (CNN) para a detecção e localização de danos em estruturas sanduíche de compósitos utilizando imagens de modos de vibração. A abordagem utiliza uma estratégia híbrida, combinando simulações pelo Método dos Elementos Finitos (MEF) para treinamento com validação experimental usando Correlação Digital de Imagem (DIC) para preencher a lacuna entre o comportamento estrutural numérico e o do mundo real. Na primeira etapa, um modelo de classificação binária foi otimizado utilizando métodos Bayesianos para distinguir entre condições com e sem danos. O modelo foi treinado nos primeiros cinco modos de vibração não nulos gerados numericamente e alcançou precisão perfeita em dados simulados e 90% de precisão em medições experimentais. Na segunda etapa, uma CNN baseada em regressão foi desenvolvida para localizar e quantificar as características do dano. Embora treinado apenas com dados simulados, o modelo demonstrou forte capacidade de generalização, prevendo com precisão a localização do dano (coordenadas X, Y) em corpos de prova experimentais. Embora a estimativa do tamanho do defeito tenha apresentado maior variabilidade para defeitos menores, o framework demonstra efetivamente a viabilidade do uso de simulações de alta fidelidade e visão computacional para o Monitoramento da Integridade Estrutural (SHM) de estruturas de compósitos do mundo real.