Structural health monitoring with acoustic emission and neural networks

Acoustic Emission is a Non Destructive Technique based on the energy release by materials during damage under the form of elastic waves. It has potential for being employed as a Structural Health Monitoring technique for engineering structures; it has also benefits in material evaluation, in particular for monitoring damage evolution during tests. The current state of the art includes some techniques for classifying the Acoustic Emission data, i.e. to determine if a certain group of signals can be associated to a precise damage mode; however these techniques require constant user input, tuning and expert evaluation. In this thesis, a Neural Network based, non-supervised technique for classifying Acoustic Emission data is proposed and evaluated against a number of experimental works. The experiments were planned to obtain informations about the use of Acoustic Emission within a range of different materials, different loading conditions and different geometries. Glass fibre and carbon fibre reinforced polymers were considered, alongside with a test on a full-scale metallic railway axle. The geometries ranged from specimen-size to full panels, loaded in pure tension, compression, bending, fatigue; Acoustic Emission of impact damaged materials was studied and compared to undamaged samples as well. The results show that the Neural Network based classification technique can aid in the interpretation of Acoustic Emission data, to the point that it could be used, in conjunction with other methods and algorithms, for the continuous on-line monitoring of structures minimizing the need of external inputs and user experience.

L'Emissione Acustica è una tecnica non distruttiva basata sul rilascio di energia sotto forma di onde elastiche che avviene durante il danneggiamento dei materiali. Ha potenzialità per venire utilizzata come tecnica di monitoraggio strutturale; inoltre, è utile durante l'investigazione dei materiali, in particolare per monitorare l'evoluzione del danneggiamento durante le prove di caratterizzazione. Lo stato dell'arte comprende alcune tecniche per classificare i dati di Emissione Acustica, ovvero per stabilire se un certo gruppo di segnali può venire associato ad una modalità di danneggiamento; tuttavia, queste tecniche necessitano di una costante supervisione e aggiustamento da parte di utenti esperti. In questa tesi, una tecnica basata su reti neurali e che non necessita di supervisione viene proposta e validata tramite una serie di prove sperimentali. Gli esperimenti sono stati pianificati in modo da ottenere informazioni sull'utilizzo dell'emissione acustica per una varietà di materiali differenti, condizioni di carico e geometrie. Sono stati considerati materiali compositi in fibra di carbonio e vetro, assieme ad un test in scala reale su di un assile ferroviario in acciaio. Le geometrie variano da provini a pannelli interi, caricati in tensione, compressione, flessione e fatica; è stata inoltre studiata l'emissione acustica di materiali danneggiati tramite impatto, e confrontata con i corrispettivi materiali non danneggiati. I risultati hanno mostrato che la classificazione basata su reti neurali può aiutare nell'interpretazione dei dati di emissione acustica, fino al punto di renderla utilizzabile, supportata da altri algoritmi, per il monitoraggio continuo in linea di strutture, minimizzando la necessità di interventi esterni di utenti esperti.