La intersección de la evaluación de daños de materiales compuestos reforzados con fibra con el aprendizaje automático: Una revisión

El aprendizaje automático (AA) ha emergido como una herramienta predictiva útil basada en relaciones matemáticas y estadísticas para diversos problemas de ingeniería. La combinación de monitoreo de salud estructural (MHE) y métodos de evaluación no destructiva (END) con algoritmos de AA ha producido resultados beneficiosos en la evaluación del estado de daño de un material o sistema. Las descripciones del estado de daño abordadas con AA incluyen detectar un mecanismo de daño, localizar un mecanismo, identificar el tipo de mecanismo, evaluar la extensión del mecanismo de daño y estimar la vida útil restante de un material o sistema. La investigación sobre la evaluación de daños de materiales compuestos ha avanzado con el aumento del uso de elementos estructurales compuestos en la industria aeroespacial. Los métodos de END son un candidato viable para combinar con algoritmos de AA para mejorar el monitoreo del estado de daño de materiales compuestos debido a la complejidad asociada con la estructura de los compuestos. Los polímeros reforzados con fibras (PRF), por ejemplo, contienen al menos dos materiales constituyentes: una fibra y un material de matriz, cuyo comportamiento mecánico e interacciones contribuyen al rendimiento de un PRF. A diferencia de los modelos analíticos compuestos convencionales que requieren información explícita sobre los constituyentes y la microestructura de un laminado, un algoritmo de AA puede construir predicciones de evaluación de daños al emplear exclusivamente el rendimiento operacional pasado o datos de un método de MHE o END. Un investigador determina el tipo de datos seleccionados al aplicar un modelo de AA para análisis de tendencias, detección de anomalías o realización de predicciones. Sin embargo, no se requiere una característica de entrada específica para utilizar un modelo de AA, y los ejemplos de posibles características de datos incluyen propiedades del material, dimensiones físicas y datos de evaluación recopilados. En la presente revisión, se discuten aplicaciones de AA combinadas con la evaluación del estado de daño de materiales compuestos, examinando particularmente los PRF, para demostrar las capacidades predictivas del AA y su viabilidad para aplicaciones futuras, especialmente en entornos industriales, para minimizar costos y mejorar las tasas de detección de daños.