Entwicklung und Optimierung der Strukturüberwachung und Schädigungslokalisierung in Elementen der Massivbaustrukturen mittels piezoelektrischer Wandler und Smart Aggregate

• Antragstellerin: Professorin Dr.-Ing. Tamara Nestorovic
• Fachliche Zuordnung: Angewandte Mechanik, Statik und Dynamik
• Förderung: Förderung von 2020 bis 2024
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 448696650

Beim Structural Health Monitoring (SHM) spielt nicht nur die Feststellung der Schädigungspräsenz eine wichtige Rolle, sondern vor allem ihre möglichst genaue Lokalisierung. Der Schädigungsindex (Damage Index – DI) ist ein quantitatives Maß der Präsenz einer Strukturschädigung. Jedoch sind die Methoden, die sich ausschließlich auf DI verlassen, nicht in der Lage, die Schädigung zu orten. Das Ziel des beantragten Projektes ist die Entwicklung effizienter SHM-Methoden für die Schädigungsdetektion in massiven Strukturen. Im methodologischen Ansatz sind im Fokus hybride Methoden, die die Vorteile der hybridisierten Ansätze nutzen, um deren Auswirkung zu intensivieren. Hierbei soll ein von der Antragstellerin entwickelter hybrider Ansatz für die Schädigungserkennung in 2D-Elementen mittels Wellenausbreitung und -erfassung mithilfe von piezokeramischen Wandlern und Smart Aggregaten weiterverfolgt und theoretisch weiterentwickelt werden, um den entsprechenden Ansatz für dreidimensionale Probleme bzw. 3D-Elemente der massiven Strukturen zu entwickeln. Es wird ein dreidimensionaler Schädigungsindex (DI) entwickelt und analysiert. Die Erkenntnisse der theoretischen Grundlagenuntersuchungen der vorgeschlagenen hybriden Methode, die den DI mit der ToF-Methode kombiniert, werden durch experimentelle Untersuchungen in den Laboren der Mechanik adaptiver Systeme an der Ruhr-Universität Bochum verifiziert. Hierzu steht die Experimentierinfrastruktur zur Verfügung, die im Laufe des Vorhabens teilweise durch Ergänzungen für die im Vorhaben vorgesehenen spezifischen Untersuchungen erweitert und angepasst werden soll. Es soll systematisch untersucht werden, welche Konfigurationen, bzw. Konstellationen der Aktoren und Sensoren (im Sinne Anzahl und Platzierung) die Effizienz der Schädigungserkennung erhöhen. Dabei werden auch ein möglichst minimaler Rechenaufwand sowie minimale mit Strukturauslegung verbundenen Kosten beachtet. Diese Kriterien verlangen eine multiobjektive Strukturoptimierung, die mit dem Deep Learning (DL) Ansatz unter Nutzung von neuronalen Netzwerken erzielt werden soll. Das optimale Experimentdesign für die Schädigungserkennung wird mittels DL anhand der numerischen Modelle entwickelt und für nachfolgende experimentelle Untersuchungen implementiert. Weiterhin sollen anhand der Untersuchungen aus der ersten Projektphase die Signalfeatures identifiziert werden, die effizient für die Klassifizierung des Strukturzustands eingesetzt werden können. Darüber hinaus wird das optimale Experimentdesign für die Schädigungserkennung mittels DL anhand der numerischen Modelle entwickelt und für nachfolgende experimentelle Untersuchungen implementiert.

• DFG-Verfahren: Sachbeihilfen