Оценка поврежденности композитного материала на основе модели регрессионного анализа потоковых акустико-эмиссионных параметров

Представлена методика акустико-эмиссионного (АЭ) мониторинга степени поврежденности композитных материалов, инвариантной к влиянию механического ударного воздействия. В процессе ее разработки использовали алгоритмы регрессионного и статистического анализа, позволяющие определить нелинейные закономерности между степенью поврежденности композитных образцов (j) и значениями потоковых АЭ-параметров. В качестве наиболее информативных АЭ-параметров, коррелирующих с фактическим состоянием контролируемых изделий, выбраны значения квантилей уровня p = 0,9 функций распределения энергии переднего фронта ([Eφ]p = 0,9) и удельной энергии ([EN]p = 0,9) импульсов АЭ. Одним из основных этапов применения разработанной методики является разделение критериальной плоскости [EN]p = 0,9 – [Eφ]p = 0,9 на три характерных сегмента (I, II, III). По значениям потоковых параметров и их весового содержания в сегментах I, II, III (WI, WII, WIII) проведен синтез регрессионной модели, позволяющей оценить степень поврежденности композитных образцов по результатам АЭ-мониторинга. Максимальная приведенная погрешность разработанной модели составила γ = 9,8 %, при этом ее среднее значение не превышало 1,1 % независимо от исходного состояния контролируемых изделий.

1. Deo R. B., Starnes J. H., Holzwarth R. C. Low-cost composite materials and structures for aircraft applications / Low Cost Composite Structures: Proc. of the RTO AVT Specialists’ Meeting, Loen, Norway, 7 – 11 May, 2001. Published in RTO-MP-069(II). 2003. P. 1 – 11.

2. Горбунов Э. В., Лукасов В. В., Мусонов В. М. Использование композитов при производстве и эксплуатации воздушных судов / Актуальные проблемы авиации и космонавтики. 2015. Т. 1. ¹ 11. С. 692 – 693.

3. Wu Yulun. Application of carbon fiber composite materials in aircraft / Appl. Comput. Eng. 2024. Vol. 61. P. 245 – 248. DOI: 10.54254/2755-2721/61/20240969

4. Parveez B., Kittur M. I., Badruddin I. A., et al. Scientific advancements in composite materials for aircraft applications: a review / Polymers. 2022. Vol. 14. P. 5007. DOI: 10.3390/polym14225007

5. Иванов В. И., Барат В. А. Акустико-эмиссионная диагностика. — М.: Спектр, 2017. — 368 с.

6. Сазонов А. А., Шелобков В. И., Иванов В. И. Исследование параметров преобразователей акустической эмиссии с учетом влияния акустико-электронного канала и условий калибровки / Заводская лаборатория. Диагностика материалов. 2022. Т. 88. № 2. С. 30 – 39. DOI: 10.26896/1028-6861-2022-88-2-30-39

7. Махутов Н. А., Гаденин М. М., Иванов В. И. Научно-методическая база технического диагностирования потенциально опасных промышленных объектов / Безопасность труда в промышленности. 2021. № 6. С. 7 – 14. DOI: 10.24000/0409-2961-2021-6-7-14

8. Матвиенко Ю. Г., Васильев И. Е., Баландин Т. Д., Чернов Д. В. Особенности построения планарной локации источников акустической эмиссии с помощью триангуляционного алгоритма Inglada / Дефектоскопия. 2024. № 12. С. 3 – 13. DOI: 10.31857/s0130308224120011

9. Брянский А. А., Башков О. В., Белова И. В., Башкова Т. И. Исследование развивающихся повреждений при изгибном нагружении полимерных композиционных материалов и их идентификация методом акустической эмиссии / Frontier Mater. Technol. 2022. ¹ 2. С. 7 – 16.

10. Panasiuk K., Dudzik K., Hajdukiewicz G. Acoustic emission as a method for analyzing changes and detecting damage in composite materials during loading / Arch. Acoustics. 2021. Vol. 46. No. 3. P. 399 – 407. DOI: 10.24425/aoa.2021.138133

11. Saeedifar M., Ahmadi Najafabadi M., Mohammadi K., et al. Acoustic emission-based methodology to evaluate delamination crack growth under quasi-static and fatigue loading conditions / J. Nondestr. Eval. 2018. Vol. 37. No. 1. DOI: 10.1007/s10921-017-0454-0

12. Матвиенко Ю. Г., Махутов Н. А., Васильев И. Е. и др. Оценка остаточной прочности композитных изделий на основе структурно-феноменологической концепции повреждений и акустико-эмиссионной диагностики / Заводская лаборатория. Диагностика материалов. 2022. Т. 88. ¹ 1. Ч. I. С. 69 – 81. DOI: 10.26896/1028-6861-2022-88-1-i-69-81

13. Matvienko Y. G., Vasil’ev I. E., Chernov D. V. Damage and failure of unidirectional laminate by acoustic emission combined with video recording / Acta Mech. 2021. Vol. 232. P. 1889 – 1900. DOI: 10.1007/s00707-020-02866-6

14. Степанова Л. Н., Чернова В. В., Кабанов С. И. Анализ процессов разрушения образцов из углепластиков с использованием акустической эмиссии и тензометрии / Дефектоскопия. 2023. ¹ 7. С. 3 – 13. DOI: 10.31857/s0130308223070011

15. Almeida Renato S. M., Magalhães Marcelo D., Karim Md Nurul, et al. Identifying damage mechanisms of composites by acoustic emission and supervised machine learning / Mater. Design. 2023. Vol. 227. P. 111745. DOI: 10.1016/j.matdes.2023.111745

16. Михальченков А. М., Комогорцев В. Ф., Дьяченко А. В. Метод испытаний на адгезионную прочность системы полимерная клеевая композиция – металлический сплав / Заводская лаборатория. Диагностика материалов. 2015. Т. 81. ¹ 8. С. 59 – 61.

17. Kalteremidou K., Aggelis D., van Hemelrijck D., Pyl L. Acoustic emission for identification of the dominant stress component in polymer composites at early loads / e-J. Nondestr. Testing. 2023. Vol. 28(1). DOI: 10.58286/27595

18. Nak-Sam Choi, Tae-Won Kim, Kyoung Y. Rhee. Kaiser effects in acoustic emission from composites during thermal cyclic-loading / NDT & E Int. 2005. Vol. 38. No. 4. P. 268 – 274. DOI: 10.1016/j.ndteint.2004.09.005

19. Yutong F., Yao X. A review on manufacturing defects and their detection of fiber reinforced resin matrix composites / Composites. Part C. Open Access. 2022. Vol. 8. No. 12. P. 100276. DOI: 10.1016/j.jcomc.2022.100276

20. Azzouz R., Allaoui S., Moulart R. Composite preforming defects: a review and a classification / Int. J. Mater. Forming. 2021. Vol. 14. No. 6. P. 1259 – 1278. DOI: 10.1007/s12289-021-01643-7

21. Полилов А. Н., Арутюнова А. С., Татусь Н. А. Влияние концентрации напряжений вблизи захватов на прочность композитов при растяжении / Заводская лаборатория. Диагностика материалов. 2020. Т. 86. № 11. С. 48 – 59. DOI: 10.26896/1028-6861.2020.86.11.48-59

22. Belany P., Hrabovsky P., Sedivy S., et al. A Comparative analysis of polynomial regression and artificial neural networks for prediction of lighting consumption / Buildings. 2024. Vol. 14. P. 1712. DOI: 10.3390/buildings14061712