Delamination detection in quasi-isotropic CFRP laminates using laser ultrasonic imaging and 2D convolutional neural networks

Delamination detection is a critical challenge in the structural health monitoring of carbon fiber reinforced polymers (CFRPs) used in the aerospace, automotive, and wind energy industries. This thesis investigates the application of 2D Convolutional Neural Networks (CNNs) for automated delamination detection in quasi-isotropic CFRP laminates through ultrasonic guided wave imaging. The research combines laser ultrasonic wavefield acquisition with advanced signal processing techniques based on 3D Fast Fourier Transform (3D-FFT) to filter out noise and isolate defect-sensitive A0 Lamb wave modes. The filtered wavefield data is then used to train a custom 2D-CNN model for detecting delamination in specimens manufactured with lamination in various positions in the thickness. The 2D-CNN model architecture, training procedure, and validation strategies are presented in detail. The findings demonstrated that the model attained accuracy rates of 94% when evaluated on controlled datasets. This study highlights the potential of the proposed deep learning method to automate and enhance the reliability of non-destructive evaluations and techniques (NDE&T) for composite materials, paving the way toward more scalable and intelligent diagnostic systems.

La rilevazione della delaminazione costituisce una delle principali sfide nel monitoraggio della salute strutturale dei polimeri rinforzati con fibra di carbonio (CFRP), materiali ampiamente impiegati nei settori aerospaziale, automobilistico e delle energie rinnovabili. Questa tesi analizza l'impiego delle Reti Neurali Convoluzionali 2D (CNN) per l'identificazione automatizzata della delaminazione in laminati CFRP quasi-isotropi, utilizzando immagini ultrasoniche basate su onde guidate. L'indagine integra l'acquisizione di campi d'onda ultrasonici laser con sofisticate tecniche di elaborazione del segnale, sfruttando la Trasformata di Fourier Veloce 3D (3D-FFT) per ridurre il rumore e isolare le modalità d'onda di Lamb A0, sensibili ai difetti. I dati filtrati vengono successivamente impiegati per addestrare un modello CNN 2D personalizzato, allo scopo di identificare delaminazioni in campioni realizzati con laminazione collocata in diverse posizioni lungo lo spessore. L'architettura del modello, il processo di addestramento e le strategie di validazione sono descritti in dettaglio. I risultati dimostrano che il modello è in grado di raggiungere tassi di accuratezza del 94% su dataset controllati. Questa ricerca evidenzia come l'integrazione di metodi di deep learning possa automatizzare e migliorare l'affidabilità delle tecniche e valutazioni non distruttive (NDE&T) per materiali compositi, aprendo la strada a sistemi diagnostici più intelligenti e scalabili.