Analysis of damage extension induced by double impacts in composite structures using neural networks with transfer learning

Composite materials are increasingly used in aerospace due to their superior mechanical properties and high strength-to-density ratios but are subject to specific damage undetectable by inspections, called BVID (barely visible impact damage). Low-velocity impacts (LVI) are a primary cause of such defects. Structural health monitoring (SHM) techniques enable continuous monitoring of structure integrity, addressing the problem. This work presents a passive SHM approach using a FEM in Abaqus to simulate LVI double-impact scenarios on a composite panel. The simulations generate a dataset to train a neural network predicting delaminated area. Five mass values are considered, with the second impact at random velocity within a defined energy range. CNN predictions from scratch are compared with transfer learning. A greedy backward elimination algorithm studies the most effective sensor subset for accurate predictions.

I materiali compositi sono sempre più utilizzati nel settore aerospaziale grazie alle loro proprietà meccaniche superiori e all’elevato rapporto resistenza/densità, ma sono soggetti a tipi specifici di danno non rilevabili tramite ispezioni, chiamati BVID (Barely Visible Impact Damage). Gli impatti a bassa velocità (LVI) sono una delle principali cause di tali difetti. Le tecniche di Structural Health Monitoring (SHM) affrontano il problema attraverso un monitoraggio continuo dell’integrità strutturale. Questo lavoro propone un approccio SHM passivo utilizzando un modello agli elementi finiti (FEM) in Abaqus per simulare scenari di doppi impatti LVI su un pannello composito. Le simulazioni generano un dataset utilizzato per addestrare una rete neurale in grado di prevedere l’area di delaminazione. Vengono considerate cinque masse, con il secondo impatto a velocità casuale entro un intervallo di energia definito. Le predizioni della CNN addestrata da zero sono confrontate con quelle ottenute tramite transfer learning. Un algoritmo greedy backward elimination studia il sottoinsieme di sensori più efficace per ottenere previsioni accurate.