AI-Enabled Structural Health Monitoring with Piezoelectric Sensors

Structurele gezondheidsmonitoring is de praktijk van het constant en stil toezicht houden op de bruggen, vliegtuigen en gebouwen die onze moderne wereld ondersteunen. In plaats van te wachten tot een barst een catastrofale breuk wordt, gebruiken ingenieurs sensoren om te luisteren naar de subtiele tekenen van stress, lang voordat het menselijk oog ze zou kunnen opmerken. Een van de meest effectieve instrumenten voor dit luisteren is een speciaal type keramisch materiaal genaamd een piëzo-elektrische transducer. Deze kleine, platte plakjes hebben het unieke vermogen om zowel als luidspreker als microfoon te fungeren. Wanneer je een klein elektrisch pulsje naar hen stuurt, trillen ze en sturen ze een mechanische golf door het metaal waaraan ze zijn bevestigd. Als dat metaal gezond is, reist de golf soepel voort. Als er een barst of een defect is, weerkaatst de golf, verstrooit deze of verandert de snelheid, en de sensor vangt deze gewijzigde signalen op. Door te analyseren hoe het signaal verandert, kunnen ingenieurs bepalen of een structuur beschadigd is en waar de schade zich bevindt.

In een recente studie onderzochten onderzoekers Shashank Padasalagi en Harshitha Pawar van de M S Ramaiah University of Applied Sciences in Bengaluru, India, hoe ze dit proces nog slimmer konden maken door computersimulaties te combineren met kunstmatige intelligentie. Ze richtten zich op een eenvoudige aluminium balk, een veelvoorkomend bouwblok in veel lichtgewicht structuren, om te zien of ze een computer konden leren om een barst te spotten door enkel naar de elektrische signalen van een piëzo-elektrische sensor te kijken. Het team heeft voor dit specifieke experiment geen fysieke balk in een laboratorium gebouwd; in plaats daarvan creëerden ze een zeer gedetaillele digitale tweeling van de balk binnen een krachtige simulatiesoftware. Deze virtuele omgeving stelde hen in staat om een barst op tientallen verschillende plekken langs de balk te plaatsen en exact vast te leggen hoe het elektrische signaal reageerde op elke nieuwe positie.

De onderzoekers begonnen met het modelleren van een rechthoekige aluminium balk van 200 millimeter lang. Ze plakten een kleine piëzo-elektrische patch op één plek om als actuator te dienen, die het signaal verzendt, en een andere patch om als sensor te dienen, die luistert. Vervolgens introduceerden ze een gesimuleerde barst in de digitale balk, waarbij ze deze stap voor stap verplaatsten van 20 millimeter tot 180 millimeter langs de lengte van de balk. Bij elk van deze 33 posities voerden ze een simulatie uit om te zien hoe de elektrische spanning in de loop van de tijd fluctueerde. Uit deze complexe, verschuivende golfvormen haalden ze zes specifieke getallen die de vorm en de timing van het signaal beschreven, zoals hoe hoog de pieken waren en hoe snel het signaal arriveerde. Door de gegevens van vier verschillende luisterpunten te combineren, creëerden ze een gedetailleerde vingerafdruk voor elke enkele barstlocatie.

Met deze bibliotheek van digitale vingerafdrukken in handen, richtte het team zich op machine learning om te zien of een computer patronen kon leren. Ze verdeelden hun werk in twee taken: eerst simpelweg beslissen of de balk gezond of gebarsten was, en ten tweede raden waar de barst precies zat. Voor de eerste taak gebruikten ze een classificatietool die leerde een lijn te trekken tussen de "gezonde" signalen en de "gebarsten" signalen. Om een reeks gezonde voorbeelden te creëren om de computer te trainen, namen ze een van de gebarsten signalen en pasten ze deze wiskundig aan door een beetje willekeurige ruis toe te voegen en de timing te verschuiven, om te simuleren hoe een perfecte balk eruit zou zien. Vervolgens testten ze het systeem op een sequentie van gegevens die begon met gezonde signalen en plotseling overging in gebarsten signalen. De computer identificeerde succesvol het moment waarop de schade optrad en sloeg alarm zodra het signaal veranderde, wat bewees dat het concept zou kunnen werken in een continue monitoring-tijdlijn.

Voor de tweede taak, het lokaliseren van de barst, gebruikten de onderzoekers een ander type machine learning-model dat ontworpen is om voorspellingen te doen met een ingebouwde mate van vertrouwen. Dit model werd alleen getraind op de gegevens van de gebarsten balken en kreeg de opdracht om de positie van de barst te raden op basis van de signaalkenmerken. De resultaten lieten zien dat de computer over het algemeen de trend van waar de barst zich bevond kon volgen, maar dat het niet perfect nauwkeurig was. Het model schatte de locatie met een gemiddelde fout van 25,09 millimeter. Hoewel dit als een grote foutmarge kan klinken, was het systeem eerlijk over zijn onzekerheid door een bereik van mogelijke locaties te geven in plaats van een enkele, potentieel foutieve gok. Het onderzoek visualiseerde ook de gegevens om aan te tonen dat de signalen van verschillende barstposities inderdaad verschillende groepen vormden, wat bevestigde dat de barsten een unieke handtekening op de balk achterlieten.

De onderzoekers waren zorgvuldig in het kaderen van hun bevindingen als een bewijs van concept (proof of concept) in plaats van een definitieve, klaar voor gebruik zijnde oplossing. Ze merkten op dat hun "gezonde" gegevens kunstmatig waren gegenereerd vanuit een gesimuleerde barst in plaats van afkomstig te zijn van een echte, onbeschadigde balk, wat de mate van vertrouwen in de resultaten beperkt. Bovendien kwam de gehele dataset uit een computermodel en niet uit fysieke experimenten met echt metaal en echte sensoren. Ondanks deze beperkingen toont het werk echter een duidelijke weg vooruit aan. Het laat zien dat door de fysica van hoe golven door metaal reizen te combineren met het patroonherkenningsvermogen van kunstmatige intelligentie, we systemen kunnen bouwen die schade detecteren en lokaliseren. De studie suggereert dat met meer gegevens, testen in de echte wereld en verfijnde modellen, deze aanpak uiteindelijk kan helpen ingenieurs onze infrastructuur veilig te houden door problemen te spotten voordat ze met het blote oog zichtbaar worden.