Development of a strain field database for a helicopter fuselage panel under double crack damage for machine learning-based applications

The analysis of multiple-site damage in the tolerance design of aerospace systems is crucial for the development of accurate and reliable structural health monitoring methods. Currently, with the aid of artificial neural networks, various successful methods have been developed for the diagnosis and prognosis of single crack damage in aeronautical panels. However, there is limited research on the creation of diagnosis algorithms that allow detecting, localizating, and quantifying multiple cracks on such components and that analyze their effect on the remaining life of the panels. In this thesis, a strain field database is built based on finite element simulations of a helicopter panel under double crack damage. Moreover, an automatization function taken from previous work is optimized to develop a database with different damage scenarios, which includes 5346 strain samples. The database is further employed as a training dataset to train, validate and test an artificial neural network to perform basic tasks of damage detection and localization.

L'analisi del danno su più siti nella progettazione della tolleranza dei sistemi aerospaziali è fondamentale per lo sviluppo di metodi di monitoraggio della salute strutturale accurati e affidabili. Attualmente, con l'ausilio di reti neurali artificiali, sono stati sviluppati diversi metodi di successo per la diagnosi e la prognosi del danno da singola fessura nei pannelli aeronautici. Tuttavia, c'è una ricerca limitata sulla creazione di algoritmi di diagnosi che consentono di rilevare, localizzare e quantificare più crepe su tali componenti e che analizzano il loro effetto sulla vita residua dei pannelli. In questa tesi, viene costruito un database del campo di deformazione basato su simulazioni agli elementi finiti di un pannello di elicotteri con danni da doppia fessura. Inoltre, una funzione di automatizzazione tratta dal lavoro precedente è ottimizzata per sviluppare un database con diversi scenari di danno, che include 5346 campioni di ceppo. Il database viene inoltre utilizzato come set di dati di addestramento per addestrare, convalidare e testare una rete neurale artificiale per eseguire attività di base di rilevamento e localizzazione dei danni.