A DBscan clustering approach of acoustic emission signals of adhesively bonded joints under mode I fatigue loading

The purpose of this master's thesis is to verify the clustering capabilities of the DBSCAN algorithm for data from structural health monitoring by acoustic emission of a adhesive bonded joint. Bonded joints are chosen for light weight, bonding of different materials, and uniform load distribution in structural applications. The data analyzed are from double cantilever beam (DCB) specimen. Acoustic Emission (AE) was used for its ability to detect the signal from a damage source located inside the DCB beam joint. Given the large amount of data acquired through AE, Machine Learning algorithms were chosen for efficient and timely analysis of incoming data. The selected Machine Learning algorithm is the Density-Based Spatial Clustering of Applications with Noise (DBSCAN), a highly promising choice for data clustering, as it has several advantages over better known algorithms: ability to recognize noise, the need to not define the number of clusters a priori as well as the ability to form clusters regardless of shape. However, the methods in literature are based on a limited amount of data. To adjust the two parameters of the algorithm (the minimum number of points, minPts, and the cluster radius, eps), an approach was adopted that reduced the unknowns to be defined (eps as a function of minPts). Next, a method was developed in which, initially, a minimum number of points is assumed, eps is calculated as a function of the minimum number of points chosen, and finally minPts is reevaluated. The resulting clustering reflected expectations and was subsequently verified by waveform representation.

Lo scopo di questa tesi magistrale è verificare le capacità di clusterizzazione dell'algoritmo DBSCAN per dati provenienti da monitoraggio strutturale tramite emissione acustica di un giunto incollato. I giunti incollati sono stati scelti per la leggerezza, l'unione di materiali diversi e la distribuzione uniforme del carico nelle applicazioni strutturali. I dati analizzati provengono da provino di doppia trave a sbalzo (DCB). L'Acoustic Emission (AE) è stata utilizzata per la sua capacità di rilevare il segnale proveniente da difettologia situata all'interno del giunto della trave DCB. A fronte dell'ingente quantità di dati acquisita tramite AE, è stato scelto di adottare algoritmi di Machine Learning per un'analisi efficiente e tempestiva dei dati in ingresso. L'algoritmo di Machine Learning selezionato è il Density-Based Spatial Clustering of Applications with Noise (DBSCAN), una scelta altamente promettente per la clusterizzazione dei dati, poiché presenta diversi vantaggi rispetto agli algoritmi più conosciuti: capacità di riconoscere il rumore, la necessità di non definire a priori il numero di cluster oltre che la capacità di formare cluster indipendentemente dalla forma. Tuttavia, i metodi presenti in letteratura si basano su una quantità limitata di dati. Per adeguare i due parametri dell'algoritmo (il numero minimo di punti, minPts, e il raggio del cluster, eps), è stato adottato un approccio che ha ridotto le incognite da definire (eps in funzione del minPts). Successivamente, è stato sviluppato un metodo in cui, inizialmente, si ipotizza un numero minimo di punti, si calcola eps in funzione del numero minimo di punti scelto, e infine si rivaluta minPts. La clusterizzazione risultante ha rispecchiato le aspettative ed è stata successivamente verificata tramite la rappresentazione di forme d'onda.