Bayesian data-driven framework for structural health monitoring of composite structures under limited experimental data

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorUniversidade Federal de Minas Gerais (UFMG)-
Autor(es): dc.contributorUBFC - Université de Bourgogne Franche-Comté-
Autor(es): dc.contributorUniversidade Estadual Paulista (UNESP)-
Autor(es): dc.contributorLusófona University-
Autor(es): dc.contributorUniversidade de Lisboa-
Autor(es): dc.contributorUniversity of Lisbon-
Autor(es): dc.creatorFerreira, Leonardo de Paula S.-
Autor(es): dc.creatorTeloli, Rafael de O.-
Autor(es): dc.creatorda Silva, Samuel-
Autor(es): dc.creatorFigueiredo, Eloi-
Autor(es): dc.creatorMaia, Nuno-
Autor(es): dc.creatorCimini, Carlos A.-
Data de aceite: dc.date.accessioned2025-08-21T19:38:31Z-
Data de disponibilização: dc.date.available2025-08-21T19:38:31Z-
Data de envio: dc.date.issued2025-04-29-
Data de envio: dc.date.issued2025-03-01-
Fonte completa do material: dc.identifierhttp://dx.doi.org/10.1177/14759217241236801-
Fonte completa do material: dc.identifierhttps://hdl.handle.net/11449/298057-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/11449/298057-
Descrição: dc.descriptionUltrasonic-guided waves can be used to monitor the health of thin-walled structures. However, the run of experimental damage tests on materials like carbon fiber-reinforced plastics can be impractical and costly. Instead, numerical models can be used to create hybrid datasets to train machine learning algorithms, integrating data from numerical and experimental tests. This paper presents a Bayesian-driven framework to compensate for limited experimental data regarding Lamb wave propagation in composite plates. Using Bayesian inference, the framework updates a numerical finite element model, considering observed uncertainties by sampling posterior probability density functions for input parameters using Markov–Chain Monte Carlo simulations with the Metropolis-Hastings algorithm. A neural network surrogate model speeds-up these simulations, leading to a model that replicates the uncertain experimental setup. This model then generates data to augment true experimental data. Finally, a one-dimensional convolutional neural network is trained on a three different datasets to analyze Lamb wave signals and assess damage. Comparing training strategies shows the hybrid dataset augmented by samples generated by the updated FE model gives the most accurate damage size predictions.-
Descrição: dc.descriptionFundação de Amparo à Pesquisa do Estado de São Paulo (FAPESP)-
Descrição: dc.descriptionCoordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)-
Descrição: dc.descriptionConselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq)-
Descrição: dc.descriptionUFMG – Universidade Federal de Minas Gerais Faculdade de Engenharia Departamento de Engenharia de Estruturas Belo Horizonte – MG-
Descrição: dc.descriptionSupmicrotech-ENSMM CNRS FEMTO-ST Département Mécanique Appliquée UBFC - Université de Bourgogne Franche-Comté-
Descrição: dc.descriptionUNESP – Universidade Estadual Paulista Faculdade de Engenharia de Ilha Solteira Departamento de Engenharia Mecânica-
Descrição: dc.descriptionFaculty of Engineering Lusófona University-
Descrição: dc.descriptionCERIS Instituto Superior Técnico Universidade de Lisboa-
Descrição: dc.descriptionIDMEC Instituto Superior Técnico University of Lisbon-
Descrição: dc.descriptionUNESP – Universidade Estadual Paulista Faculdade de Engenharia de Ilha Solteira Departamento de Engenharia Mecânica-
Descrição: dc.descriptionFAPESP: 19/19684-3-
Descrição: dc.descriptionCAPES: 2019.00164.CBM-
Descrição: dc.descriptionCNPq: 306526/2019-0-
Descrição: dc.descriptionCAPES: 88887.647575/2021-00-
Descrição: dc.descriptionCAPES: Finance Code 001-
Formato: dc.format738-760-
Idioma: dc.languageen-
Relação: dc.relationStructural Health Monitoring-
???dc.source???: dc.sourceScopus-
Palavras-chave: dc.subjectBayesian calibration-
Palavras-chave: dc.subjectcomposite materials-
Palavras-chave: dc.subjectconvolutional neural networks-
Palavras-chave: dc.subjectmachine learning-
Palavras-chave: dc.subjectStructural health monitoring-
Título: dc.titleBayesian data-driven framework for structural health monitoring of composite structures under limited experimental data-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositório Institucional - Unesp

Não existem arquivos associados a este item.