Graph neural networks as surrogate models for analyzing the propagation of elastic waves in thin-walled structures.

Maintenance services constitute an essential part of an aircraft's life cycle. They are necessary for ensuring that aircraft operate in a serviceable and reliable state, and they also represent a significant portion of operational costs that must be reduced to improve airline revenue. Therefore, adopting a proper maintenance approach is crucial for the aircraft industry. Nowadays, condition-based maintenance can ensure reduced operational costs by basing maintenance schedules on data gained through structural health monitoring systems. Specifically referring to thin-walled structures, different techniques have been developed to identify and characterize damages for diagnostic purposes. Among these, deep learning approaches such as convolutional neural networks offer satisfactory diagnostic performances through the analysis of signals generated by Lamb waves propagating inside the structures. However, some drawbacks limit the adoption of these approaches. The main limitation relies on the need for a huge amount of data to train the neural networks. This data are typically extracted from a great number of numerical simulations on Lamb waves propagation, which implies very high computational costs. A possible solution to this issue is represented by the development of more efficient computational methods that can enhance or even replace the traditional numerical simulations. To this purpose, the potentialities of Graph Neural Networks (GNNs) as surrogate models of finite element simulations are here analyzed. Specifically, the aim of this work is to investigate whether GNNs can simulate Lamb wave signals propagating inside either metallic or composite plate structures. The results obtained can prove that: (i) GNNs can satisfactorily be trained to reproduce the Lamb wave signals, and (ii) the trained GNNs can potentially simulate the Lamb wave motion in a lower computational time with respect to traditional finite element simulations.

I servizi di manutenzione costituiscono una parte essenziale del ciclo di vita di un aeromobile. Sono necessari per garantire che gli aeromobili operino in uno stato idoneo e affidabile e rappresentano anche una parte significativa dei costi operativi che devono essere ridotti per migliorare il fatturato delle compagnie aeree. Pertanto, adottare un approccio adeguato alla manutenzione è cruciale per l'industria aeronautica. Ad oggi, la manutenzione condition-based può garantire una riduzione dei costi operativi basando gli intervalli di manutenzione sui dati acquisiti attraverso i sistemi di monitoraggio strutturale. Specificatamente riferendosi alle strutture a parete sottile, diverse tecniche sono state sviluppate per identificare e caratterizzare i danni a scopo diagnostico. Tra queste, gli approcci di apprendimento profondo come le reti neurali convoluzionali offrono prestazioni diagnostiche soddisfacenti attraverso l'analisi di segnali generati dalla propagazione di onde di Lamb all'interno delle strutture. Tuttavia, alcuni svantaggi limitano l'adozione di questi approcci. Il principale limite risiede nella necessità di una grande quantità di dati per addestrare le reti neurali. Questi dati sono tipicamente estratti da un gran numero di simulazioni numeriche sulla propagazione delle onde Lamb, il che implica costi computazionali molto elevati. Una possibile soluzione a questo problema è rappresentata dallo sviluppo di metodi computazionali più efficienti che possano migliorare o addirittura sostituire le tradizionali simulazioni numeriche. A questo scopo, le potenzialità delle reti neurali a grafo come modelli surrogati delle simulazioni agli elementi finiti vengono qui analizzate. In particolare, l'obiettivo di questo lavoro è quello di indagare se tali reti possano simulare onde Lamb che si propagano all'interno di strutture a piastra metalliche o composite. I risultati ottenuti possono dimostrare che: (i) le reti neurali a grafo possono essere addestrate in modo soddisfacente per riprodurre i segnali generati dalle onde Lamb, e (ii) le reti neurali a grafo, una volta addestrate, possono potenzialmente simulare il movimento delle onde Lamb in un tempo computazionale inferiore rispetto alle tradizionali simulazioni agli elementi finiti.