Hybrid one-dimensional neural networks and guided waves for damage monitoring in composite laminates

Fiber-reinforced polymer (FRP) laminates are extensively used in aerospace, energy, automotive, and civil infrastructure due to their high strength-to-weight and stiffness-to-weight ratios, toughness, and chemical stability. Despite these advantages, FRP structures are susceptible to various damage mechanisms, ranging from microstructural defects to macroscopic failures, which can occur during manufacturing or service. Ultrasonic guided waves (UGWs) are widely used for structural health monitoring (SHM) of FRP composites due to their long-range propagation and sensitivity to damage. However, traditional UGW diagnostics rely on expert-crafted signal processing and feature extraction pipelines that are time-consuming, operator-dependent, and difficult to scale. Deep learning (DL) offers a powerful alternative through end-to-end feature learning from raw data; yet, most DL models require large, labeled datasets and are computationally intensive, limiting their use on resource-constrained hardware. To address these challenges, this dissertation presents a unified framework for developing scalable, data-efficient, and lightweight one-dimensional deep neural networks (1D-DNNs) for detecting, classifying, and characterizing damage—specifically delamination—in FRP laminates under varying label availability. By aligning model dimensionality with the inherent one-dimensional structure of UGW signals, the proposed approach improves computational efficiency, reduces overfitting, and supports training with limited data, enabling real-time deployment on low-resource platforms. To support this framework, ten cross-ply carbon fiber-reinforced polymer (CFRP) laminates were fabricated—one undamaged and nine with artificial delaminations of varying size and depth. Laser-generated UGWs were recorded over spatial grids in three propagation directions to capture direction-dependent wavefield variations, yielding a dataset of 2,281,500 raw 1D waveforms. Building on this dataset, the proposed framework encompasses fully supervised, semi-supervised, and fully unsupervised learning paradigms. In the fully supervised setting, a lightweight 1D Convolutional Neural Network (1D-CNN) was optimized using global sensitivity analysis and Bayesian hyperparameter tuning to classify 30 damage classes. Despite its compact size and exclusive use of time-domain data, the model consistently achieved over 99.9% accuracy, precision, recall, and F1-score without manual feature engineering. In the semi-supervised setting, where exhaustive labeling is impractical, the 1D-CNN is pre-trained on 10% of the dataset and repurposed as a feature encoder. Latent embeddings are then clustered using standard algorithms and compared to the proposed Probabilistic CNN–Fuzzy Clustering (PCFC) method, which combines Softmax-derived probabilities with fuzzy membership functions. Results show that limited pre-training enhances feature space interpretability, and PCFC consistently yields more coherent and spatially consistent cluster assignments than existing methods. In the fully unsupervised regime, damage detection is performed using a hierarchy of 1D Autoencoder (1D-AE) models with increasing representational capacity: a convolutional AE (C-AE), a Bi-LSTM-enhanced variant (CB-AE), and a convolutional-attention hybrid (CBM-AE). Among these, CBM-AE achieves the best performance, producing more precise, less noisy reconstruction error maps and reducing mean squared error by 6% compared to C-AE. These results highlight its sensitivity to subtle damage and robustness to signal variability. Overall, the results demonstrate that 1D-DNNs effectively extract damage-sensitive features directly from raw UGW signals, removing the need for extensive preprocessing and enabling generalization across diverse SHM scenarios. The framework provides a seamless transition from supervised to unsupervised learning and supports real-time deployment in safety-critical systems, offering a versatile and effective toolkit for delamination detection, classification, and characterization in composite laminates.

I laminati in polimero rinforzato con fibre (FRP) trovano ampia applicazione nei settori aerospaziale, energetico, automobilistico e delle infrastrutture civili, grazie agli elevati rapporti resistenza/peso e rigidezza/peso, alla buona tenacità e alla stabilità chimica. Nonostante tali vantaggi, le strutture in FRP risultano suscettibili a diversi meccanismi di danneggiamento, che spaziano da difetti microstrutturali fino a cedimenti macroscopici, potenzialmente insorgenti sia durante la fase produttiva che nel corso del servizio. Le onde ultrasoniche guidate (UGW) sono ampiamente impiegate nel monitoraggio strutturale (SHM) dei materiali compositi FRP, in virtù della loro capacità di propagarsi su lunghe distanze e dell’elevata sensibilità alla presenza di difetti. Tuttavia, le tecniche diagnostiche convenzionali basate su UGW richiedono l’intervento di operatori esperti per l’elaborazione e l’interpretazione dei segnali, comportando procedure onerose in termini di tempo, fortemente dipendenti dall’operatore e difficilmente scalabili. In questo contesto, il Deep Learning (DL) si configura come un’alternativa promettente, grazie alla capacità dei modelli di apprendere direttamente dai dati grezzi, riducendo o eliminando la necessità di pre-elaborazione manuale. Ciononostante, i modelli DL richiedono tipicamente grandi volumi di dati etichettati e risorse computazionali significative, rendendone complessa l’implementazione su dispositivi a bassa potenza. Per affrontare tali criticità, questa tesi di dottorato propone una strategia unificata per lo sviluppo di reti neurali profonde monodimensionali (1D-DNN) che siano leggere, scalabili ed efficienti dal punto di vista dell’utilizzo dei dati, finalizzate al rilevamento, alla classificazione e alla caratterizzazione dei danni—con particolare attenzione alla delaminazione—nei laminati compositi. L’allineamento tra la dimensionalità dei modelli 1D-DNN e quella dei segnali UGW consente di migliorare l’efficienza computazionale, ridurre il rischio di overfitting e favorire l’addestramento anche con dataset limitati, facilitando così l’implementazione in tempo reale su piattaforme a ridotte capacità computazionali. A supporto dello studio sono stati realizzati dieci laminati in polimero rinforzato con fibra di carbonio (CFRP), di cui uno integro e nove contenenti delaminazioni artificiali con variazioni in dimensione e profondità. Le UGW, generate mediante sorgente laser, sono state acquisite su una griglia spaziale lungo tre direzioni di propagazione differenti, al fine di catturare gli effetti dell’anisotropia del materiale. Ne risulta un dataset costituito da 2.281.500 segnali monodimensionali. A partire da questo dataset, la strategia proposta esplora tre paradigmi distinti di apprendimento per modelli DL: (i) completamente supervisionato, (ii) semi-supervisionato e (iii) completamente non supervisionato. Nel regime supervisionato, è stata sviluppata una rete neurale convoluzionale 1D leggera (1D-CNN), ottimizzata mediante analisi di sensibilità globale e ottimizzazione bayesiana degli iperparametri, per la classificazione di 30 differenti classi di danneggiamento. Pur mantenendo una struttura compatta e operando esclusivamente nel dominio temporale, il modello ha raggiunto prestazioni eccellenti, con valori di precisione, accuratezza, richiamo e F1-score superiori al 99,9%, senza necessità di estrazione o selezione manuale delle caratteristiche. Nel contesto semi-supervisionato, in cui l’etichettatura completa del dataset non è fattibile, la rete 1D-CNN viene inizialmente pre-addestrata su una porzione pari al 10% dei dati, per poi essere utilizzata come estrattore di caratteristiche astratte. Le rappresentazioni ottenute nello spazio latente sono quindi raggruppate mediante algoritmi di clustering standard e confrontate con una nuova metodologia proposta, denominata Probabilistic CNN–Fuzzy Clustering (PCFC), che combina le probabilità fornite dalla funzione Softmax con gradi di appartenenza fuzzy. I risultati evidenziano che una pre-formazione anche parziale migliora la strutturazione dello spazio delle caratteristiche e che il metodo PCFC garantisce assegnazioni di cluster più coerenti e stabili rispetto agli approcci tradizionali. Nel regime completamente non supervisionato, il rilevamento dei danni è stato affrontato mediante una serie di Autoencoder 1D (1D-AE) con capacità rappresentazionali crescenti: un autoencoder convoluzionale (C-AE), una variante estesa con Bi-LSTM (CB-AE) e un modello ibrido convoluzionale-attention (CBM-AE). Tra questi, il CBM-AE ha evidenziato le migliori prestazioni, generando mappe di errore di ricostruzione più accurate e meno rumorose, con una riduzione dell’errore quadratico medio del 6% rispetto al C-AE. Tali risultati confermano la sensibilità del modello ai danni di piccola entità e la sua robustezza nei confronti della variabilità intrinseca dei segnali. Nel complesso, i risultati ottenuti dimostrano come le reti 1D-DNN siano efficaci nell’estrazione automatica di caratteristiche sensibili al danno direttamente dai segnali UGW grezzi, eliminando la necessità di una complessa pre-elaborazione e garantendo una buona generalizzazione in scenari SHM eterogenei. Il framework proposto consente una transizione fluida tra i vari paradigmi di apprendimento e supporta l’implementazione in tempo reale in sistemi critici per la sicurezza, costituendo un toolkit versatile ed efficiente per la rilevazione, classificazione e caratterizzazione della delaminazione nei laminati compositi.