Structural health monitoring through computational and experimental methods as a generic approach to the damage detection problem

Abstract

Detecting damage or changes in structures by monitoring their response has emerged as a field in engineering known as Structural Health Monitoring (SHM). A majority of applications in SHM involve vibration measurements and processing of signals to detect changes in the dynamics related to damage or degradation. The primary points of attention are found, first in the data processing and decision system and second in the data availability for building reliable health prediction models. In the proposed thesis, both problems are tackled in an innovative framework by combining Machine Learning (ML) damage detection and Finite Element (FE) simulations for the necessary training data of ML models. Focus is given on the increasingly popular Artificial Neural Networks (ANN) applied in Deep Learning (DL) form. DL models are able to process and classify signals with little to no pre-processing making them ideal for vibration based SHM tasks. FE models on the other hand can provide arbitrary amounts of simulated vibration responses and generate labelled training data. This is especially useful in cases where access to data of damaged states is not available but may be simulated with an accurate numerical model updated on the experimental intact state. The proposed methodology of FE data generation, DL training on the simulated responses and final validation on corresponding experimental health statuses is tested on three different structures of increasing complexity. The goal of the framework can be summarized in studying the phenomenon of generalizing damage information or patterns in FE simulated signals to the real structures. For the tested cases, detailed studies are presented on how DL model architecture, damage identification problem formulation and FE model error affect the final experimental generalization capability of the proposed SHM framework.

Η ανίχνευση βλαβών ή ανωμαλιών σε κατασκευές μέσω παρακολούθησης της απόκρισής τους είναι ένας αναπτυσσόμενος κλάδος της μηχανικής γνωστός ως Structural Health Monitoring (SHM) ή αλλιώς Παρακολούθηση της Δομικής Ακεραιότητας. Η πλειονότητα των εφαρμογών SHM αφορά τη μέτρηση της απόκρισης μέσω ταλαντωτικών σημάτων και την επεξεργασία των δεδομένων για την ανίχνευση δομικών σφαλμάτων. Τα σημεία ενδιαφέροντος εντοπίζονται, πρώτον στη μέθοδο επεξεργασίας σημάτων και στο σύστημα αποφάσεων και δεύτερον στη διαθεσιμότητα των απαραίτητων δεδομένων. Στην προτεινόμενη διατριβή τα προβλήματα αυτά αντιμετωπίζονται με μια καινοτόμα μεθοδολογία που συνδυάζει ανίχνευση βλαβών μέσω μηχανικής μάθησης (Machine Learning-ML) και μοντέλα πεπερασμένων στοιχείων (Finite Element-FE) για την παραγωγή δεδομένων. Στο κομμάτι του ML χρησιμοποιούνται τεχνητά νευρωνικά δίκτυα (Artificial Neural Networks-ANN) σε μορφή βαθιάς μάθησης (Deep Learning-DL). Τα μοντέλα DL μπορούν να επεξεργαστούν και να κατηγοριοποιήσουν σήματα με μικρή ή και καθόλου προ επεξεργασία, κάτι το οποίο τα καθιστά ιδανικά για εφαρμογές SHM. Τα μοντέλα FE επίσης, μπορούν να παράγουν πλήθος ταλαντωτικών δεδομένων χωρίς περιορισμούς και να δημιουργήσουν επαρκή δεδομένα για την εκπαίδευση των DL. Αυτό μπορεί να αποδειχθεί ιδιαίτερα χρήσιμο για περιπτώσεις όπου η πειραματική μέτρηση αποκρίσεων με βλάβες είναι αδύνατη, αλλά μπορεί να προσομοιωθεί με αριθμητικά μοντέλα που έχουν βελτιστοποιηθεί στην υγιή κατάσταση. Η προτεινόμενη μεθοδολογία της παραγωγής αριθμητικών δεδομένων με FE, εκπαίδευση μοντέλων DL στις προσομοιωμένες αποκρίσεις και τελική επιβεβαίωση με αναγνώριση αντίστοιχων πειραματικών βλαβών, εξετάζεται σε τρεις κατασκευές διαφορετικής πολυπλοκότητας. Στόχος είναι η μελέτη του φαινομένου γενίκευσης πληροφορίας και μοτίβων από την προσομοιωμένη ταλαντωτική απόκριση στην πραγματική κατασκευή. Για τις εξεταζόμενες κατασκευές και την προτεινόμενη μεθοδολογία SHM, μελετάται, η επίδραση της αρχιτεκτονικής των μοντέλων DL, τα ζητούμενα του προβλήματος ανίχνευσης βλαβών και το σφάλμα των μοντέλων FE στην τελική γενίκευση στην πραγματική κατασκευή.