An acoustic emission approach for identifying fracture modes in adhesively bonded joints under mode I fatigue loading

This thesis investigates whether post-processing of acoustic emission data can discriminate fracture modes in adhesively bonded joints subjected to Mode I fatigue loading. Acoustic emission datasets from double cantilever beam specimens were analysed using a workflow that combines data filtering, unsupervised clustering (k-means on duration, energy, and frequency), waveform inspection, and statistical inference (distribution fitting, bootstrapping and confidence intervals). Three nominally identical specimens were studied: S1 which failed adhesively, and S2 and S3, which failed cohesively. Clustering separated transient, damage-related hits from continuous/noise signals, with waveform validation required to assign labels. Amplitude and duration proved to be the most discriminant acoustic emission descriptors for distinguishing fracture modes. At the specimen level, cohesive failures generated more hits and higher cumulative energy than the adhesive failure. Statistical analysis (lognormal fits and confidence intervals) confirmed that S1 differs significantly from S2–S3, supporting the feasibility of distinguishing adhesive from cohesive failure via acoustic emission post-processing. Moreover, it showed that S2 and S3 are characterized by a common cohesive acoustic emission signature, clearly distinct from S1.

Questa tesi indaga se il post-processing dei dati di emissione acustica possa discriminare le modalità di cedimento in giunti incollati sottoposti a prove di fatica in modo I. I dataset di emissione acustica provenienti da provini double cantilever beam sono stati analizzati mediante un flusso operativo che combina filtraggio dei dati, clustering non supervisionato (k-means su durata, energia e frequenza), ispezione delle forme d’onda e inferenza statistica (distribution fitting, bootstrap e intervalli di confidenza). Sono stati studiati tre provini nominalmente identici: S1 che ha ceduto per via adesiva, e S2 e S3, che hanno ceduto in maniera coesiva. Il clustering ha separato gli eventi transitori, legati al danno, dai segnali continui/rumore, con la validazione delle forme d’onda necessaria per assegnare le etichette. L’ampiezza e la durata si sono rivelati i descrittori di emissione acustica più discriminanti nel distinguere le modalità di cedimento. Per ciascun provino, i cedimenti coesivi hanno generato un numero maggiore di eventi e un’energia cumulativa superiore rispetto al cedimento adesivo. L’analisi statistica (fit lognormali e intervalli di confidenza) ha confermato che S1 differisce in modo significativo da S2–S3, supportando la fattibilità di distinguere fratture adesive da fratture coesive tramite post-processing di emissione acustica. Inoltre, ha mostrato che S2 e S3 sono caratterizzati da una caratteristica di emissione acustica coesiva comune, nettamente distinta da S1.