KR102393044B1 - Method of classifying damage type for composite using machine learning - Google Patents

Method of classifying damage type for composite using machine learning Download PDF

Info

Publication number
KR102393044B1
KR102393044B1 KR1020200090380A KR20200090380A KR102393044B1 KR 102393044 B1 KR102393044 B1 KR 102393044B1 KR 1020200090380 A KR1020200090380 A KR 1020200090380A KR 20200090380 A KR20200090380 A KR 20200090380A KR 102393044 B1 KR102393044 B1 KR 102393044B1
Authority
KR
South Korea
Prior art keywords
damage
composite material
machine learning
damage type
type
Prior art date
Application number
KR1020200090380A
Other languages
Korean (ko)
Other versions
KR20220011455A (en
Inventor
박영빈
노형도
이인용
Original Assignee
울산과학기술원
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 울산과학기술원 filed Critical 울산과학기술원
Priority to KR1020200090380A priority Critical patent/KR102393044B1/en
Publication of KR20220011455A publication Critical patent/KR20220011455A/en
Application granted granted Critical
Publication of KR102393044B1 publication Critical patent/KR102393044B1/en

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N3/00—Investigating strength properties of solid materials by application of mechanical stress
    • G01N3/30—Investigating strength properties of solid materials by application of mechanical stress by applying a single impulsive force, e.g. by falling weight
    • G01N3/303—Investigating strength properties of solid materials by application of mechanical stress by applying a single impulsive force, e.g. by falling weight generated only by free-falling weight
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
    • B29C70/00—Shaping composites, i.e. plastics material comprising reinforcements, fillers or preformed parts, e.g. inserts
    • B29C70/04—Shaping composites, i.e. plastics material comprising reinforcements, fillers or preformed parts, e.g. inserts comprising reinforcements only, e.g. self-reinforcing plastics
    • B29C70/06—Fibrous reinforcements only
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29K—INDEXING SCHEME ASSOCIATED WITH SUBCLASSES B29B, B29C OR B29D, RELATING TO MOULDING MATERIALS OR TO MATERIALS FOR MOULDS, REINFORCEMENTS, FILLERS OR PREFORMED PARTS, e.g. INSERTS
    • B29K2105/00—Condition, form or state of moulded material or of the material to be shaped
    • B29K2105/06—Condition, form or state of moulded material or of the material to be shaped containing reinforcements, fillers or inserts
    • B29K2105/08—Condition, form or state of moulded material or of the material to be shaped containing reinforcements, fillers or inserts of continuous length, e.g. cords, rovings, mats, fabrics, strands or yarns
    • B29K2105/0872—Prepregs
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29K—INDEXING SCHEME ASSOCIATED WITH SUBCLASSES B29B, B29C OR B29D, RELATING TO MOULDING MATERIALS OR TO MATERIALS FOR MOULDS, REINFORCEMENTS, FILLERS OR PREFORMED PARTS, e.g. INSERTS
    • B29K2307/00—Use of elements other than metals as reinforcement
    • B29K2307/04—Carbon

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Analytical Chemistry (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Mechanical Engineering (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Composite Materials (AREA)
  • Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
  • Moulding By Coating Moulds (AREA)

Abstract

본 발명은, 머신 러닝을 이용하여 외력 인가시 최대 흡수 에너지, 최대 하중 및 전극 쌍들의 저항에 따라 탄소섬유강화복합재의 손상 유형을 분류하여 도출할 수 있기 때문에, 손상 유형을 보다 신속하고 정확하게 도출할 수 있는 이점이 있다. 또한, 낙하 충격시 얻어지는 다량의 빅 데이터 중에서 낙하 충격시 최대 흡수 에너지, 최대 하중 및 전극 쌍들의 저항을 입력 변수로 하고, 복수의 손상 유형들 중에서 상기 입력 변수로 입력되는 값에 대응하는 손상 유형을 출력 변수로 하여 머신 러닝을 수행하여 손상 유형 분류 모델을 생성함으로써, 탄소섬유강화복합재의 실제 사용시 낙하 충격시 최대 흡수 에너지, 최대 하중 및 전극 쌍들의 저항만으로 손상 유형을 도출할 수 있으므로, 손상 유형을 파악하는 데 드는 시간과 비용이 절감될 수 있을 뿐만 아니라 후속 조치도 보다 신속하게 이루어질 수 있는 이점이 있다.The present invention uses machine learning to classify and derive the damage type of the carbon fiber reinforced composite material according to the maximum absorbed energy, maximum load, and resistance of electrode pairs when external force is applied, so that the damage type can be derived more quickly and accurately. There are advantages that can be In addition, the maximum absorbed energy, the maximum load, and the resistance of the electrode pairs during the fall impact among the large amount of big data obtained during the fall impact are input variables, and the damage type corresponding to the value input as the input variable among the plurality of damage types is selected. By generating a damage type classification model by performing machine learning as an output variable, the damage type can be derived only from the maximum absorbed energy, maximum load, and resistance of electrode pairs in the event of a drop impact in actual use of carbon fiber reinforced composites. Not only can the time and cost of identification be reduced, but follow-up actions can be made more quickly.

Description

머신 러닝을 이용하여 복합재의 손상 유형을 분류하는 방법{Method of classifying damage type for composite using machine learning}Method of classifying damage type for composite using machine learning

본 발명은 머신 러닝을 이용하여 복합재의 손상 유형을 분류하는 방법에 관한 것으로서, 보다 상세하게는 머신 러닝을 통해 손상 유형 분류 모델을 구축하여, 전도성 섬유를 포함하는 복합재의 손상 유형을 예측하여 분류하는 방법에 관한 것이다. The present invention relates to a method of classifying damage types of composites using machine learning, and more particularly, by building a damage type classification model through machine learning, predicting and classifying damage types of composites including conductive fibers it's about how

일반적으로 탄소섬유강화플라스틱(CFRP, Carbon Fiber Reinforced Plastic)은 탄소섬유를 강화재로 사용하는 복합재료이다. 탄소섬유강화플라스틱은 고강도, 고강성의 경량 구조재로서 비행기, 자동차, 로봇 등 다양한 분야에 활발하게 이용되고 있다. 하지만, 탄소섬유강화플라스틱에서 미세한 파손이 발생하는 경우 물성이 급격히 저하되는 문제점이 있다. 따라서, 탄소섬유강화플라스틱에 발생한 미세한 손상의 위치를 감지할 수 있는 기술이 요구된다.In general, carbon fiber reinforced plastic (CFRP, Carbon Fiber Reinforced Plastic) is a composite material using carbon fiber as a reinforcing material. Carbon fiber reinforced plastic is a lightweight structural material with high strength and high rigidity, and is actively used in various fields such as airplanes, automobiles, and robots. However, there is a problem in that when a fine breakage occurs in the carbon fiber-reinforced plastic, the physical properties are rapidly deteriorated. Therefore, there is a need for a technology capable of detecting the location of minute damage that has occurred in the carbon fiber reinforced plastic.

종래에는 구조물과 별도로 변형이나 손상을 측정할 수 있는 센서 등을 추가적으로 설치하여 검사하고자 하는 특정 부분의 검사를 실시하거나, 음향 센서 등 검사 장비를 통해 스캔 하거나, 육안 등으로 손상 여부를 판단하였다. Conventionally, a sensor capable of measuring deformation or damage is additionally installed separately from the structure to inspect a specific part to be inspected, scan through inspection equipment such as an acoustic sensor, or determine whether damage is done with the naked eye.

그러나, 센서를 추가 설치하는 경우 비용이 많이 드는 문제점이 있을 뿐만 아니라, 검사 대상이 되는 부분이 매우 광범위하므로 센서의 설치에는 한계가 있다. 또한, 검사 장비를 이용하거나 육안으로 검사할 경우 이미 파손이나 손상이 발생된 이후에서야 확인이 가능하기 때문에 안전성 확보에 문제점이 있다. However, when the sensor is additionally installed, there is a problem in that it is expensive, and since the part to be inspected is very wide, there is a limit to the installation of the sensor. In addition, there is a problem in securing safety because inspection is possible only after damage or damage has already occurred in the case of using inspection equipment or performing a visual inspection.

한국등록특허 10-0682574호Korean Patent No. 10-0682574

본 발명의 목적은, 머신러닝을 이용하여 복합재의 손상 유형을 보다 신속하고 정확하게 검출할 수 있는 방법을 제공하는 데 있다. It is an object of the present invention to provide a method capable of more rapidly and accurately detecting the type of damage of a composite material using machine learning.

본 발명에 따른 머신 러닝을 이용하여 복합재의 손상 유형을 분류하는 방법은, 전도성 물질을 포함하는 복합재에 대한 외력 인가 실험 또는 시뮬레이션을 통해 얻어진 학습 데이터 중에서 상기 복합재에 외력 인가시 최대 흡수 에너지, 최대 하중 및 상기 복합재에 구비된 복수의 전극들이 이루는 전극 쌍들의 저항을 입력 변수로 하고, 손상 정도를 단계별로 분류하여 미리 설정된 복수의 손상 유형들 중에서 상기 외력 인가시 발생된 손상 유형을 출력 변수로 하여 머신 러닝을 수행하여, 상기 최대 흡수 에너지, 상기 최대 하중 및 상기 전극 쌍들의 저항에 따라 상기 복합재의 손상 유형을 도출하기 위한 손상 유형 분류 모델을 생성하는 모델 생성단계와; 상기 복합재의 실제 사용시, 외력 인가시 최대 흡수 에너지, 최대 하중 및 상기 복합재에 구비된 복수의 전극들이 이루는 전극 쌍들의 저항에 대한 실전 데이터를 상기 손상 유형 분류 모델에 입력하면, 상기 손상 유형 분류 모델로부터 상기 복수의 손상 유형들 중에서 어느 손상 유형이 발생하는지 도출하는 손상 유형 출력단계를 포함한다.The method of classifying the damage type of a composite material using machine learning according to the present invention is the maximum absorbed energy, maximum load, and the resistance of the electrode pairs formed by the plurality of electrodes provided in the composite material as an input variable, and by classifying the degree of damage by stage, the damage type generated when the external force is applied from among a plurality of damage types preset among the plurality of damage types as an output variable a model generation step of performing running to generate a damage type classification model for deriving a damage type of the composite material according to the maximum absorbed energy, the maximum load, and the resistance of the electrode pairs; In actual use of the composite material, when actual data on the maximum absorbed energy, maximum load, and resistance of electrode pairs formed by a plurality of electrodes provided in the composite material when an external force is applied are input to the damage type classification model, from the damage type classification model and a damage type output step of deriving which type of damage occurs among the plurality of damage types.

상기 복합재는, 탄소섬유를 포함하는 탄소섬유강화플라스틱으로 미리 설정된다.The composite material is preset to carbon fiber-reinforced plastic including carbon fibers.

상기 손상 유형들은, 탄성(Elastic), 덴트(Dent), 층간 분리(Delamination) 및 천공(Puncture)을 포함한다.The damage types include Elastic, Dent, Delamination and Puncture.

상기 모델 생성단계에서 상기 입력 변수는 상기 전극 쌍들의 저항은 미리 설정된 설정 시간마다 측정된 값이며, 손상 발생 이전에 측정된 값과 손상 발생 이후에 측정된 값을 포함한다.In the model generating step, the input variable is a value measured at each preset time for the resistance of the electrode pairs, and includes a value measured before damage occurs and a value measured after damage occurs.

상기 외력은, 상기 복합재에 낙하 물체가 낙하 충격시 가해지는 힘이다.The external force is a force applied when a falling object falls on the composite material.

상기 모델 생성단계에서 상기 입력 변수는 상기 복합재에 포함된 전도성 섬유의 종류, 전도성 섬유 플라이의 적층 개수, 상기 전도성 섬유의 길이, 상기 전도성 섬유의 직경 및 수지의 종류 중 적어도 하나를 더 포함한다.In the model generating step, the input variable further includes at least one of the type of conductive fiber included in the composite material, the number of stacked conductive fiber plies, the length of the conductive fiber, the diameter of the conductive fiber, and the type of resin.

본 발명의 다른 측면에 따른 머신 러닝을 이용하여 복합재의 손상 유형을 분류하는 방법은, 탄소섬유를 포함하는 탄소섬유강화플라스틱이고, 복수의 전극들이 미리 설정된 설정 간격으로 이격되게 배치되어 저항 경로를 형성하는 복합재의 손상 유형을 분류하는 방법에 있어서, 상기 복합재에 대한 외력 인가 실험 또는 시뮬레이션을 통해 얻어진 학습 데이터 중에서 상기 복합재에 외력 인가시 최대 흡수 에너지, 최대 하중 및 상기 복수의 전극들이 이루는 전극 쌍들의 저항을 입력 변수로 하고, 손상 정도를 단계별로 분류하여 미리 설정된 복수의 손상 유형들 중에서 상기 외력 인가시 발생된 손상 유형을 출력 변수로 하여 머신 러닝을 수행하여, 상기 최대 흡수 에너지, 상기 최대 하중 및 상기 전극 쌍들의 저항에 따라 상기 복합재의 손상 유형을 도출하기 위한 손상 유형 분류 모델을 생성하는 모델 생성단계와; 상기 복합재의 실제 사용시, 외력 인가시 최대 흡수 에너지, 최대 하중 및 상기 복합재에 구비된 복수의 전극들이 이루는 전극 쌍들의 저항에 대한 실전 데이터를 상기 손상 유형 분류 모델에 입력하면 상기 손상 유형 분류 모델로부터 상기 복수의 손상 유형들 중에서 어느 손상 유형이 발생하는지 도출하는 손상 유형 출력단계를 포함하고, 상기 손상 유형들은, 탄성(Elastic), 덴트(Dent), 층간 분리(Delamination) 및 천공(Puncture)을 포함한다.A method of classifying a damage type of a composite using machine learning according to another aspect of the present invention is a carbon fiber-reinforced plastic including carbon fiber, and a plurality of electrodes are spaced apart at a preset interval to form a resistance path In the method of classifying the damage type of the composite material, the maximum absorbed energy, the maximum load and the resistance of the electrode pairs formed by the plurality of electrodes when an external force is applied to the composite material among the learning data obtained through an external force application experiment or simulation for the composite material is an input variable, and the degree of damage is classified into stages, and machine learning is performed using the damage type generated when the external force is applied from among a plurality of damage types set in advance as an output variable, the maximum absorbed energy, the maximum load, and the a model generation step of generating a damage type classification model for deriving a damage type of the composite material according to the resistance of the electrode pairs; In actual use of the composite material, when actual data on maximum absorbed energy, maximum load, and resistance of electrode pairs formed by a plurality of electrodes provided in the composite material when an external force is applied are input to the damage type classification model, the damage type classification model and a damage type output step of deriving which type of damage occurs among a plurality of damage types, wherein the damage types include Elastic, Dent, Delamination, and Puncture. .

본 발명은, 머신 러닝을 이용하여 외력 인가시 최대 흡수 에너지, 최대 하중 및 전극 쌍들의 저항에 따라 탄소섬유강화복합재의 손상 유형을 분류하여 도출할 수 있기 때문에, 손상 유형을 보다 신속하고 정확하게 도출할 수 있는 이점이 있다.The present invention uses machine learning to classify and derive the damage type of the carbon fiber reinforced composite material according to the maximum absorbed energy, maximum load, and resistance of electrode pairs when external force is applied, so that the damage type can be derived more quickly and accurately. There are advantages that can be

또한, 낙하 충격시 얻어지는 다량의 빅 데이터 중에서 낙하 충격시 최대 흡수 에너지, 최대 하중 및 전극 쌍들의 저항을 입력 변수로 하고, 복수의 손상 유형들 중에서 상기 입력 변수로 입력되는 값에 대응하는 손상 유형을 출력 변수로 하여 머신 러닝을 수행하여 손상 유형 분류 모델을 생성함으로써, 탄소섬유강화복합재의 실제 사용시 낙하 충격시 최대 흡수 에너지, 최대 하중 및 전극 쌍들의 저항만으로 손상 유형을 도출할 수 있으므로, 손상 유형을 파악하는 데 드는 시간과 비용이 절감될 수 있을 뿐만 아니라 후속 조치도 보다 신속하게 이루어질 수 있는 이점이 있다.In addition, the maximum absorbed energy, the maximum load, and the resistance of the electrode pairs during the fall impact among the large amount of big data obtained during the fall impact are input variables, and the damage type corresponding to the value input as the input variable among the plurality of damage types is selected. By generating a damage type classification model by performing machine learning as an output variable, the damage type can be derived only from the maximum absorbed energy, maximum load, and resistance of electrode pairs in the event of a drop impact in actual use of carbon fiber reinforced composites. Not only can the time and cost of identification be reduced, but follow-up actions can be made more quickly.

도 1은 본 발명의 실시예에 따른 탄소섬유강화복합재에 전극들이 구비된 예를 개략적으로 나타낸 도면이다.
도 2는 본 발명의 실시예에 따른 머신러닝을 이용하여 탄소섬유강화복합재의 손상 유형을 분류하여 도출하는 방법을 나타낸 순서도이다.
도 3은 본 발명의 실시예에 따른 머신 러닝하여 손상 유형 분류 모델을 생성하는 방법을 개략적으로 나타낸 블록도이다.
도 4는 도 3에서 생성된 손상 유형 분류 모델을 이용하여, 탄소섬유강화복합재의 손상 유형을 분류하고 도출하는 방법을 개략적으로 나타낸 블록도이다.
도 5는 본 발명의 실시예에 따른 탄소섬유강화복합재의 손상유형들을 나타낸 도면이다.1 is a view schematically showing an example in which electrodes are provided in a carbon fiber reinforced composite material according to an embodiment of the present invention.
2 is a flowchart illustrating a method for classifying and deriving damage types of carbon fiber reinforced composites using machine learning according to an embodiment of the present invention.
3 is a block diagram schematically illustrating a method of generating a damage type classification model by machine learning according to an embodiment of the present invention.
4 is a block diagram schematically illustrating a method of classifying and deriving a damage type of a carbon fiber reinforced composite material using the damage type classification model generated in FIG. 3 .
5 is a view showing damage types of the carbon fiber reinforced composite material according to an embodiment of the present invention.

이하, 첨부된 도면을 참조하여 본 발명의 실시예에 대해 설명하면 다음과 같다. Hereinafter, an embodiment of the present invention will be described with reference to the accompanying drawings.

본 발명의 실시예에서 머신 러닝을 수행하고, 머신 러닝을 통해 구축된 손상 유형 분류 모델로부터 복합재의 손상 유형을 분류하고 도출하는 주체는 컴퓨터(미도시)인 것으로 예를 들어 설명한다. In an embodiment of the present invention, the subject that performs machine learning and classifies and derives the damage type of the composite from the damage type classification model built through machine learning is a computer (not shown).

상기 복합재는 전도성 물질을 포함하는 전도성 복합재이다. 상기 전도성 물질은, 탄소섬유, 탄소나노튜브, 그래핀을 포함한다.The composite is a conductive composite including a conductive material. The conductive material includes carbon fibers, carbon nanotubes, and graphene.

본 실시예에서는 상기 전도성 물질은 탄소섬유이고, 상기 복합재는 복수의 탄소섬유 플라이들이 적층되어 형성된 탄소섬유강화플라스틱(CFRP)으로 설정된 것으로 예를 들어 설명한다. 이하, 상기 복합재는 탄소섬유강화복합재로 칭하기로 한다. In this embodiment, the conductive material is carbon fiber, and the composite material is described as an example of carbon fiber reinforced plastic (CFRP) formed by stacking a plurality of carbon fiber plies. Hereinafter, the composite material will be referred to as a carbon fiber reinforced composite material.

다만, 이에 한정되지 않고, 상기 복합재는 상기 탄소섬유 외에 아라미드 섬유 등 다른 섬유를 더 포함하는 것도 물론 가능하다.However, the present invention is not limited thereto, and the composite material may further include other fibers such as aramid fibers in addition to the carbon fibers.

머신 러닝을 위한 학습 데이터에서 상기 탄소섬유 플라이들의 개수, 상기 탄소섬유의 배열 방향, 상기 탄소섬유의 길이, 상기 탄소섬유의 직경 및 수지의 종류를 포함한 섬유 조건은 미리 동일하게 설정된 것으로 예를 들어 설명한다.In the learning data for machine learning, the fiber conditions including the number of carbon fiber plies, the arrangement direction of the carbon fiber, the length of the carbon fiber, the diameter of the carbon fiber, and the type of resin are set to be the same in advance. do.

다만, 이에 한정되지 않고, 상기 탄소섬유 플라이들의 개수, 상기 탄소섬유의 배열 방향, 상기 탄소섬유의 길이, 상기 탄소섬유의 직경 및 수지의 종류 중 적어도 하나를 머신 러닝을 위한 학습 데이터의 입력 변수로 사용하는 것도 물론 가능하다. However, without being limited thereto, at least one of the number of carbon fiber plies, the arrangement direction of the carbon fiber, the length of the carbon fiber, the diameter of the carbon fiber, and the type of resin as an input variable of learning data for machine learning It is of course possible to use

도 1은 본 발명의 실시예에 따른 탄소섬유강화복합재에 전극들이 구비된 예를 개략적으로 나타낸 도면이다.1 is a view schematically showing an example in which electrodes are provided in a carbon fiber reinforced composite material according to an embodiment of the present invention.

도 1을 참조하면, 상기 탄소섬유강화복합재(10)는 복수의 전극들(11)이 적어도 하나 이상의 쌍을 이루도록 구비되어, 상기 복수의 전극 쌍들로부터 저항 변화를 측정하여 상기 복합재의 변형을 감지할 수 있는 셀프 센싱이 가능한 복합재 센서이다. 1, the carbon fiber-reinforced composite material 10 is provided such that a plurality of electrodes 11 form at least one pair, and a change in resistance from the plurality of electrode pairs is measured to detect deformation of the composite material. It is a composite sensor capable of self-sensing.

상기 전극들(11)의 개수는 상기 전극들(11)이 서로 이격되는 간격에 따라 달라진다.The number of the electrodes 11 varies according to an interval at which the electrodes 11 are spaced apart from each other.

머신 러닝을 위한 학습 데이터에서 상기 전극들(11)의 개수는 동일하게 설정된다.In the training data for machine learning, the number of the electrodes 11 is set to be the same.

상기와 같이 구성된 본 발명의 실시예에 따른 탄소섬유강화복합재의 손상 유형을 분류하여 도출하는 방법에 대해 설명하면 다음과 같다. A method for classifying and deriving damage types of the carbon fiber reinforced composite material according to an embodiment of the present invention configured as described above will be described as follows.

도 2는 본 발명의 실시예에 따른 머신러닝을 이용하여 탄소섬유강화복합재의 손상 유형을 분류하여 도출하는 방법을 나타낸 순서도이다. 도 3은 본 발명의 실시예에 따른 머신 러닝하여 손상 유형 분류 모델을 생성하는 방법을 개략적으로 나타낸 블록도이다.2 is a flowchart illustrating a method for classifying and deriving damage types of carbon fiber reinforced composites using machine learning according to an embodiment of the present invention. 3 is a block diagram schematically illustrating a method of generating a damage type classification model by machine learning according to an embodiment of the present invention.

도 2를 참조하면, 본 발명의 실시예에 따른 머신 러닝을 이용하여 탄소섬유강화복합재의 손상 유형을 분류하여 도출하는 방법은, 모델 생성단계(S1), 손상 유형 출력단계(S2,S3)를 포함한다.2, the method for classifying and deriving damage types of carbon fiber reinforced composites using machine learning according to an embodiment of the present invention includes a model generation step (S1), a damage type output step (S2, S3) include

도 3을 참조하면, 상기 모델 생성단계(S1)에서는, 상기 탄소섬유강화복합재에 외력을 인가하는 실험 또는 시뮬레이션을 통해 얻어진 학습 데이터 중 적어도 일부를 이용하여 머신 러닝하여, 상기 외력 인가시 상기 탄소섬유강화복합재에 발생된 손상의 유형을 도출하기 위한 손상 유형 분류 모델을 생성한다. Referring to FIG. 3 , in the model generating step (S1), machine learning is performed using at least some of the learning data obtained through an experiment or simulation for applying an external force to the carbon fiber reinforced composite material, and the carbon fiber when the external force is applied. A damage type classification model is created to derive the type of damage caused to the reinforced composite material.

상기 외력은, 기설정된 탄소섬유강화복합재에 낙하 물체가 낙하 충격시 가해지는 힘인 것으로 예를 들어 설명한다. 상기 학습 데이터는 상기 탄소섬유강화복합재에 대해 낙하 충격 실험을 통해 얻어진 빅데이터 중 일부인 것으로 예를 들어 설명한다. 다만, 이에 한정되지 않고, 상기 실험 또는 시뮬레이션은 외력을 인가하는 시험 이외에도 탄소섬유강화복합재의 성능을 평가할 수 있는 것이라면 어느 것이나 적용 가능하다. The external force will be described as an example of a force applied when a falling object falls on a predetermined carbon fiber-reinforced composite material. The learning data will be described as a part of big data obtained through a drop impact experiment on the carbon fiber reinforced composite material as an example. However, the present invention is not limited thereto, and any of the experiments or simulations may be applied as long as the performance of the carbon fiber-reinforced composite material can be evaluated in addition to the test for applying an external force.

상기 모델 생성단계(S1)에서 상기 머신 러닝을 위한 입력변수는 낙하 충격시 최대 흡수 에너지(P1), 낙하 충격시 최대 하중(P2) 및 전극 쌍들의 저항(P3)을 포함한다.In the model generating step (S1), the input variables for the machine learning include a maximum absorbed energy P1 at the time of a fall impact, a maximum load P2 at the time of a fall impact, and a resistance P3 of the electrode pairs.

상기 낙하 충격시 최대 흡수 에너지(P1)와 상기 최대 하중(P2)는, 낙하 충격 시험 장비에서 측정하거나 상기 탄소섬유강화복합재의 내부에 센서를 삽입하여 측정이 가능하다. The maximum absorbed energy (P1) and the maximum load (P2) during the fall impact can be measured by a drop impact test equipment or by inserting a sensor into the carbon fiber reinforced composite material.

상기 전극 쌍들의 저항(P3)은, 상기 복수의 전극 쌍들에서 각각 측정된 저항값을 모두 포함한다. The resistance P3 of the electrode pairs includes all resistance values measured by the plurality of electrode pairs, respectively.

상기 전극 쌍들의 저항(P3)은, 미리 설정된 설정 시간 간격 또는 실시간으로 측정된 값이며, 손상이 발생하기 이전 저항값과 손상이 발생한 이후 저항값을 포함한다.The resistance P3 of the electrode pairs is a value measured at a preset time interval or in real time, and includes a resistance value before damage occurs and a resistance value after damage occurs.

상기 모델 생성단계(S1)에서 상기 머신 러닝을 위한 출력변수는, 미리 설정된 복수의 손상 유형들 중에서 상기 낙하 충격시 발생된 상기 탄소섬유강화복합재의 손상 유형이다.The output variable for the machine learning in the model generation step (S1) is a damage type of the carbon fiber reinforced composite material generated during the drop impact among a plurality of preset damage types.

도 5를 참조하면, 상기 복수의 손상 유형들은, 손상의 정도에 따라 단계별로 복수개로 구분되며, 본 실시예에서는 탄성(Elastic), 덴트(Dent), 층간 분리(Delamination) 및 천공(Puncture)을 포함하는 것으로 예를 들어 설명한다. Referring to FIG. 5 , the plurality of damage types are divided into a plurality of stages according to the degree of damage, and in this embodiment, elastic, dent, delamination, and puncture are used. It will be described as an example of including.

상기 탄성은, 낙하 충격에 의해 탄성 구간내에서 변형이 발생하나 초기 상태로 복원이 가능한 유형이다. The elasticity is a type that can be restored to an initial state, although deformation occurs within the elastic section due to a drop impact.

상기 덴트는, 소성 변형이 발생된 것이며, 낙하 충격에 의해 움푹 패인 상태를 나타낸 유형이다. The dent is a type in which plastic deformation has occurred, and indicates a state dented by a drop impact.

상기 층간분리는, 탄소섬유강화플라스틱 플라이들 사이나 졀연 시트와 탄소섬유강화플라스틱 시트 사이가 분리된 상태를 나타낸 손상 유형이다. The delamination is a type of damage indicating a state of separation between the carbon fiber-reinforced plastic plies or between the insulating sheet and the carbon fiber-reinforced plastic sheet.

상기 천공은, 상기 탄소섬유강화복합재를 관통하는 구멍이 생긴 손상 유형이다. The perforation is a type of damage in which a hole is made through the carbon fiber reinforced composite material.

한편, 상기 입력 변수로 손상이 발생하기 이전 전극 쌍들의 저항이 입력되면, 상기 출력 변수로 손상이 발생되지 않는 정상(No Damage)을 입력하여 학습시킬 수도 있다. On the other hand, if the resistance of the electrode pairs before damage occurs as the input variable is input, the output variable may be learned by inputting No Damage as the output variable.

다만, 이에 한정되지 않고, 상기 탄소섬유강화복합재의 특성에 따라 상기 손상 유형을 더 세분화시키거나 간략화시키는 것도 물론 가능하다. However, the present invention is not limited thereto, and it is of course possible to further subdivide or simplify the damage type according to the characteristics of the carbon fiber reinforced composite material.

상기 모델 생성단계(S1)에서는, 상기 입력 변수와 상기 출력 변수를 대응시켜 머신 러닝하여, 상기 낙하 충격시 최대 흡수 에너지, 최대 하중 및 전극 쌍들의 저항에 대응하는 손상 유형을 분류하여 도출할 수 있는 손상 유형 분류 모델을 생성한다. In the model generation step (S1), the input variable and the output variable are matched by machine learning to classify the damage type corresponding to the maximum absorbed energy, the maximum load, and the resistance of the electrode pairs during the fall impact. Create a damage type classification model.

상기 머신 러닝시 2차원 분류기 또는 3차원 FCM(Fuzzy Clustering Method)을 사용할 수 있다.A two-dimensional classifier or a three-dimensional FCM (Fuzzy Clustering Method) may be used during the machine learning.

한편, 상기 섬유의 종류, 상기 탄소섬유의 배열 방향, 상기 탄소섬유의 길이, 상기 탄소섬유의 직경 및 수지의 종류를 포함한 전도성 섬유의 조건, 상기 전극의 크기에 대한 학습 조건은 동일하게 설정되어 머신 러닝을 수행한다. On the other hand, the type of fiber, the arrangement direction of the carbon fiber, the length of the carbon fiber, the conditions of the conductive fiber including the diameter of the carbon fiber and the type of resin, and the learning conditions for the size of the electrode are set the same. run a run

다만, 이에 한정되지 않고 상기 학습 조건 중 일부를 변경할 경우 변경된 조건 중 적어도 일부를 상기 입력 변수로 사용하는 것도 물론 가능하다. However, the present invention is not limited thereto, and when some of the learning conditions are changed, it is of course possible to use at least some of the changed conditions as the input variables.

한편, 도 4는 도 3에서 생성된 손상 유형 분류 모델을 이용하여, 탄소섬유강화복합재의 손상 유형을 분류하고 도출하는 방법을 개략적으로 나타낸 블록도이다. Meanwhile, FIG. 4 is a block diagram schematically illustrating a method of classifying and deriving a damage type of a carbon fiber reinforced composite material using the damage type classification model generated in FIG. 3 .

도 4를 참조하면, 상기 손상 유형 출력단계(S2,S3)에서는, 먼저 상기 탄소섬유강화복합재를 실제 사용시 측정되거나 입력된 실전 데이터를 상기 손상 유형 분류 모델에 입력한다.(S2)4, in the damage type output step (S2, S3), first, actual data measured or input when the carbon fiber reinforced composite material is actually used is input to the damage type classification model (S2).

상기 탄소섬유강화복합재에 낙하 충격이 가해졌다고 감지되면, 상기 컴퓨터는 상기 손상 유형 출력단계(S2,S3)를 수행하여 손상 유형을 도출한다. When it is sensed that a drop impact is applied to the carbon fiber reinforced composite material, the computer derives the damage type by performing the damage type output step (S2, S3).

이 때, 상기 낙하 충격 여부는 상기 전극 쌍들의 저항 변화를 통해 감지될 수 있다. In this case, whether the drop impact may be detected through a change in resistance of the electrode pairs.

상기 손상 유형 출력단계(S2,S3)에서는, 상기 손상 유형 분류 모델을 이용하여 상기 낙하 충격에 의한 손상 발생 여부와 손상 유형을 도출할 수 있다. In the damage type output step ( S2 , S3 ), it is possible to derive whether damage has occurred and the type of damage caused by the drop impact using the damage type classification model.

상기 손상 유형 분류 모델에 입력된 입력 데이터는, 상기 낙하 충격시 최대 흡수 에너지(P1), 낙하 충격시 최대 하중(P2), 전극 쌍들의 저항(P3)을 포함한다.The input data input to the damage type classification model includes the maximum absorbed energy P1 at the time of the fall impact, the maximum load P2 at the time of the fall impact, and the resistance P3 of the electrode pairs.

상기 낙하 충격시 최대 흡수 에너지(P1)와 상기 낙하 충격시 최대 하중(P2)은, 상기 탄소섬유강화복합재의 내부에 구비된 센서에 의해 측정되어 입력된다. 상기 센서가 상기 낙하 충격시 최대 하중(P2)을 측정하면, 상기 컴퓨터가 측정된 하중을 시간에 대해 적분하여 최대 흡수 에너지(P2)를 산출할 수 있다.The maximum absorbed energy (P1) during the fall impact and the maximum load (P2) during the fall impact are measured and input by a sensor provided inside the carbon fiber reinforced composite material. When the sensor measures the maximum load P2 during the fall impact, the computer may integrate the measured load with time to calculate the maximum absorbed energy P2.

상기 전극 쌍들의 저항(P3)은, 미리 설정된 설정 시간 간격 또는 실시간으로 측정하여 입력받는다. The resistance P3 of the electrode pairs is measured and received at a preset time interval or in real time.

상기 손상 유형 분류 모델에 상기 낙하 충격시 최대 흡수 에너지(P1), 상기낙하 충격시 최대 하중(P2), 상기 전극 쌍들의 저항(P3)이 입력되면(S2), 상기 손상 유형 분류 모델은 상기 복수의 손상 유형들 중에서 예상되는 손상 유형을 분류하여 출력한다.(S3)When the maximum absorbed energy (P1), the maximum load (P2), and the resistance (P3) of the electrode pairs are input to the damage type classification model at the time of the fall impact (S2), the damage type classification model is the plurality of Classifies and outputs the expected damage type among the damage types of .(S3)

상기 손상 유형 분류 모델로부터 상기 손상 유형이 상기 탄성으로 출력되면, 낙하 충격으로 인해 손상이 발생하였지만, 탄성 복원되어 정상 상태로 돌아오는 탄성 변형이라고 판단한다. When the damage type is output as the elasticity from the damage type classification model, it is determined that the damage occurred due to the fall impact, but the elastic deformation is elastically restored and returned to a normal state.

상기 손상 유형 분류 모델로부터 상기 손상 유형이 상기 덴트, 상기 층간 분리 및 상기 천공 중 어느 하나로 출력되면, 출력되는 손상 유형에 따라 손상의 정도를 판단할 수 있다.When the damage type is output as any one of the dent, the interlayer separation, and the perforation from the damage type classification model, the degree of damage may be determined according to the output damage type.

상기와 같이, 본 발명에 따르면 상기 낙하 충격시 최대 흡수 에너지(P1), 상기 낙하 충격시 최대 하중(P2), 상기 전극 쌍들의 저항(P3)을 알면, 미리 학습된 상기 손상 유형 분류 모델을 통해 예상되는 손상 유형을 분류하여 도출할 수 있으므로, 관리자 등은 상기 탄소섬유강화복합재의 손상 정도를 보다 신속하고 정확하게 인식할 수 있다.As described above, according to the present invention, if the maximum absorbed energy (P1) during the fall impact, the maximum load (P2), and the resistance (P3) of the electrode pairs are known, through the previously learned damage type classification model Since the expected damage types can be classified and derived, the manager and the like can more quickly and accurately recognize the degree of damage of the carbon fiber reinforced composite material.

따라서, 탄소섬유강화복합재의 보수 및 교체 등 후속 조치도 보다 용이하게 이루어질 수 있다. Accordingly, follow-up measures such as repair and replacement of carbon fiber reinforced composites can be made more easily.

본 발명은 도면에 도시된 실시예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 다른 실시예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호 범위는 첨부된 특허청구범위의 기술적 사상에 의하여 정해져야 할 것이다.Although the present invention has been described with reference to the embodiment shown in the drawings, which is merely exemplary, it will be understood by those skilled in the art that various modifications and equivalent other embodiments are possible therefrom. Accordingly, the true technical protection scope of the present invention should be determined by the technical spirit of the appended claims.

Claims (7)

전도성 물질을 포함하는 복합재에 대한 외력 인가 실험 또는 시뮬레이션을 통해 얻어진 학습 데이터 중에서 상기 복합재에 외력 인가시 최대 흡수 에너지, 최대 하중 및 상기 복합재에 구비된 복수의 전극들이 이루는 전극 쌍들의 저항을 머신러닝의 입력 변수로 하고, 손상 정도를 단계별로 분류하여 미리 설정된 복수의 손상 유형들 중에서 상기 외력 인가시 발생된 손상 유형을 머신 러닝의 출력 변수로 하여 머신 러닝을 수행하여, 상기 최대 흡수 에너지, 상기 최대 하중 및 상기 전극 쌍들의 저항에 따라 상기 복합재의 손상 유형을 도출하기 위한 손상 유형 분류 모델을 생성하는 모델 생성단계와;
상기 복합재의 실제 사용시, 외력 인가시 최대 흡수 에너지, 최대 하중 및 상기 복합재에 구비된 복수의 전극들이 이루는 전극 쌍들의 저항에 대한 실전 데이터를 상기 손상 유형 분류 모델에 입력하면, 상기 손상 유형 분류 모델로부터 상기 복수의 손상 유형들 중에서 어느 손상 유형이 발생하는지 도출하는 손상 유형 출력단계를 포함하고,
상기 외력은, 상기 복합재에 낙하 물체가 낙하 충격시 가해지는 힘이고,
상기 최대 하중은 상기 복합재의 내부에 구비된 센서에 의해 측정되고, 상기 최대 흡수 에너지는 상기 최대 하중으로부터 산출되고,
상기 손상 유형들은, 탄성(Elastic), 덴트(Dent), 층간 분리(Delamination) 및 천공(Puncture)을 포함하고,
상기 모델 생성단계에서는,
상기 복합재에 포함된 섬유의 종류, 배열 방향, 길이, 직경, 섬유 플라이의 배열 방향 및 수지의 종류를 포함한 섬유 조건과, 상기 전극의 크기와 개수에 대한 학습 조건은 동일하게 설정된 머신 러닝을 이용하여 복합재의 손상 유형을 분류하는 방법.Among the learning data obtained through an external force application experiment or simulation for a composite material including a conductive material, the maximum absorbed energy, maximum load, and resistance of electrode pairs formed by a plurality of electrodes provided in the composite material when an external force is applied to the composite material is determined by machine learning. As an input variable, by classifying the degree of damage in stages, machine learning is performed using the damage type generated when the external force is applied from among a plurality of damage types set in advance as an output variable of machine learning, the maximum absorbed energy, the maximum load and a model generation step of generating a damage type classification model for deriving a damage type of the composite material according to the resistance of the electrode pairs;
In actual use of the composite material, when actual data on the maximum absorbed energy, maximum load, and resistance of electrode pairs formed by a plurality of electrodes provided in the composite material when an external force is applied are input to the damage type classification model, from the damage type classification model Including a damage type output step of deriving which type of damage occurs among the plurality of damage types,
The external force is a force applied when a falling object falls on the composite material,
The maximum load is measured by a sensor provided inside the composite material, the maximum absorbed energy is calculated from the maximum load,
The types of damage include Elastic, Dent, Delamination and Puncture,
In the model creation step,
The fiber conditions including the type, arrangement direction, length, diameter, arrangement direction of the fiber ply and the type of resin included in the composite material, and the learning conditions for the size and number of the electrodes are set to the same using machine learning. How to classify types of damage to composites. 청구항 1에 있어서,
상기 복합재는, 탄소섬유를 포함하는 탄소섬유강화플라스틱으로 미리 설정된 머신 러닝을 이용하여 복합재의 손상 유형을 분류하는 방법.The method according to claim 1,
The composite material is a method of classifying the damage type of the composite material using a preset machine learning with carbon fiber-reinforced plastic containing carbon fibers. 삭제delete 청구항 1에 있어서,
상기 모델 생성단계에서 상기 입력 변수 중에서 상기 전극 쌍들의 저항은 미리 설정된 설정 시간마다 측정된 값이며,
손상 발생 이전에 측정된 값과 손상 발생 이후에 측정된 값을 포함하는 머신 러닝을 이용하여 복합재의 손상 유형을 분류하는 방법.The method according to claim 1,
In the model generation step, the resistance of the electrode pairs among the input variables is a value measured for each preset time,
A method of classifying damage types in composites using machine learning, including values measured before and after damage occurs. 삭제delete 삭제delete 삭제delete
KR1020200090380A 2020-07-21 2020-07-21 Method of classifying damage type for composite using machine learning KR102393044B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200090380A KR102393044B1 (en) 2020-07-21 2020-07-21 Method of classifying damage type for composite using machine learning

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200090380A KR102393044B1 (en) 2020-07-21 2020-07-21 Method of classifying damage type for composite using machine learning

Publications (2)

Publication Number Publication Date
KR20220011455A KR20220011455A (en) 2022-01-28
KR102393044B1 true KR102393044B1 (en) 2022-05-02

Family

ID=80051284

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200090380A KR102393044B1 (en) 2020-07-21 2020-07-21 Method of classifying damage type for composite using machine learning

Country Status (1)

Country Link
KR (1) KR102393044B1 (en)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101781687B1 (en) 2015-07-23 2017-09-25 한양대학교 산학협력단 Deveice for detection and recordation of damages on conductive composite material and method for manufacturing the same
KR101978467B1 (en) 2017-12-06 2019-05-14 울산과학기술원 Sensor and method for detecting crack propagation of CFRP structures
KR101964880B1 (en) 2017-12-22 2019-08-07 울산과학기술원 System and method for diagnosing crack propagation of CFRP structures

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100682574B1 (en) 2005-10-13 2007-02-15 (주) 에스비 비젼 Push-lock switch having a torsion spring
KR101961408B1 (en) * 2017-05-26 2019-03-22 울산과학기술원 Monitoring method of CFRP damage
KR102053827B1 (en) * 2017-12-08 2019-12-09 울산과학기술원 Damage Diagnosis System of Structures Using Composite Materials and Diagnosis Method
KR101997779B1 (en) * 2017-12-27 2019-07-08 울산과학기술원 Method for detecting location of damaged portion of carbon fiber reinforced plastic sheet
KR102145246B1 (en) * 2018-11-27 2020-08-18 울산과학기술원 System and method of predicting damage of carbon fiber composites

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101781687B1 (en) 2015-07-23 2017-09-25 한양대학교 산학협력단 Deveice for detection and recordation of damages on conductive composite material and method for manufacturing the same
KR101978467B1 (en) 2017-12-06 2019-05-14 울산과학기술원 Sensor and method for detecting crack propagation of CFRP structures
KR101964880B1 (en) 2017-12-22 2019-08-07 울산과학기술원 System and method for diagnosing crack propagation of CFRP structures

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
‘탄소 케블라 하이브리드 직물의 충격손상 감지기술’, 김태현 등, 한양대학교대학원 석사학위논문(2019.8), 1-43*

Also Published As

Publication number Publication date
KR20220011455A (en) 2022-01-28

Similar Documents

Publication Publication Date Title
Chandrashekhar et al. Damage assessment of structures with uncertainty by using mode-shape curvatures and fuzzy logic
KR101961408B1 (en) Monitoring method of CFRP damage
González et al. Effects of interply hybridization on the damage resistance and tolerance of composite laminates
KR102145246B1 (en) System and method of predicting damage of carbon fiber composites
Ech-Choudany et al. Unsupervised clustering for building a learning database of acoustic emission signals to identify damage mechanisms in unidirectional laminates
CN104614166B (en) Method for identifying failure state of rotor vibration signal of aircraft engine
EP2682836B1 (en) Method for performing diagnostics of a structure subject to loads and system for implementing said method
Khan et al. Assessment of delaminated smart composite laminates via system identification and supervised learning
Khan et al. Classification and prediction of multidamages in smart composite laminates using discriminant analysis
Parra dos Anjos Lima et al. Artificial immune systems with negative selection applied to health monitoring of aeronautical structures
Pereira et al. Multi-objective sensor placement optimization of helicopter rotor blade based on Feature Selection
KR102393044B1 (en) Method of classifying damage type for composite using machine learning
Zhou et al. Analysis of the crushing behaviors of woven carbon fiber reinforced plastic hat section component under dynamic bending and axial crushing loading
Fernández-Fdz et al. Prediction of the behaviour of CFRPs against high-velocity impact of solids employing an artificial neural network methodology
De Medeiros et al. Computational methodology of damage detection on composite cylinders: structural health monitoring for automotive components
Shen et al. Damage location and identification of the wing structure with Probabilistic Neural Networks
KR102361821B1 (en) Method of detecting the location of damage for composite using machine learning
Mironovs et al. Prospects of structural damage identification using modal analysis and anomaly detection
Yeager et al. Impact detection and characterization in composite laminates with embedded fiber Bragg gratings
KR102472536B1 (en) Method of selecting design parameter for composite sensor using machine learning
KR102366211B1 (en) Method of detecting the class of damage for composite using machine learning
KR102359901B1 (en) Method of detecting the location of damage for composite according to fiber types using machine learning
Patro et al. Artificial intelligence techniques for fault assessment in laminated composite structure: A review
Roy et al. Real-time prediction of impact-induced damage for composite structures based on failure analysis and efficient database methods
Rao et al. Experimental and analytical modal analysis of cantilever beam for vibration based damage identification using artificial neural network

Legal Events

Date Code Title Description
E90F Notification of reason for final refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant