Clasificación de impactos en placas de material compuesto de fibra de carbono (CFRP) utilizando Inteligencia Artificial basada en el análisis en frecuencia de señales de emisión acústica

Abstract

[ES] En el presente trabajo se expone el proceso para la detección y clasificación de impactos sobre una placa de polímero reforzada con fibras de carbono unidireccionales (CFRP, por sus siglas en inglés) utilizando inteligencia artificial (AI) y señales de emisión acústica (AE). Se ha desarrollado un modelo basado en el algoritmo de bosques aleatorios que utiliza características del contenido en frecuencia, que han demostrado un alto poder discriminativo para este tipo de aplicaciones.

En primer lugar, se lleva a cabo una revisión exhaustiva del estado del arte y de los fundamentos teóricos para comprender la situación actual de este campo de investigación. Se analiza la propagación de ondas de emisión acústica en materiales compuestos, las características que se pueden extraer de estas señales, así como también los principales algoritmos de inteligencia artificial utilizados.

Las señales de emisión acústica fueron generadas mediante impactos sobre la placa utilizando tres fuentes distintas: arena, esfera metálica y trozos de hielo. Para registrarlas se utilizaron dos sensores piezoeléctricos (PZT). Previo al entrenamiento del modelo se realizó un proceso de filtrado para descartar aquellas señales que presentaban ruido. Para la extracción de características se utilizó la transformada de Fourier de tiempo reducido (STFT) que incluye una segmentación de la señal transitoria y la aplicación de una ventana Hamming. Las principales características obtenidas fueron la frecuencia pico ponderada, frecuencia centroide y los niveles de potencia parcial.

Los datos obtenidos fueron divididos en dos subconjuntos, uno de entrenamiento y uno de evaluación. Los criterios de evaluación utilizados fueron la exactitud y la puntuación F1, métricas comúnmente usadas en este tipo de clasificadores. Además, se estableció un proceso de búsqueda de características relevantes y ajuste de hiperparámetros para mejorar el rendimiento del modelo.

Finalmente, se realizó un análisis de los resultados obtenidos, evaluando la correspondencia de las características con las fuentes de impacto. El modelo propuesto presentó un desempeño satisfactorio, alcanzando una exactitud de hasta el 90,4%. Además, en la sección de discusión, se realizó una comparativa con investigaciones relacionadas. Por último se planteó la posibilidad de futuros trabajos orientados hacia la identificación de mecanismos de fallos en materiales compuestos.

[EN] This work presents a process for detecting and classifying impacts on a unidirectional carbon fiber-reinforced polymer (CFRP) plate using artificial intelligence (AI) and acoustic emission (AE) signals. A model based on the random forest algorithm has been developed, which utilizes frequency content features shown to be highly discriminative for this application.

Firstly, a comprehensive review of the state-of-the-art and theoretical foundations is conducted to understand the current situation in this research field. The propagation of acoustic emission waves in composite materials, the extractable signal characteristics, and the leading artificial intelligence algorithms are analyzed.

Acoustic emission signals were generated by impacts on the plate using three different sources: sand, a metal sphere, and ice chunks. Two piezoelectric sensors (PZT) were used to record these signals. Before model training, a filtering process was applied to remove noisy signals. For feature extraction, the Short-Time Fourier Transform (STFT) was employed, which includes transient signal segmentation and the application of a Hamming window. The main obtained features were peak frequency, centroid frequency, and partial power levels.

The collected data were divided into two subsets, one for training and one for evaluation. Evaluation criteria included accuracy and the F1 score, metrics commonly used in this type of classifiers. Additionally, selection of relevant features and hyperparameter tuning were conducted to improve the model performance.

Finally, the obtained results were analyzed, evaluating how well the features matched the impact sources. The proposed model demonstrated satisfactory performance, achieving an accuracy of up to 90,4%. Furthermore, the results were compared to related research in the discussion section, and the possibility of future work to identify failure mechanisms in composite materials was considered.