Tesis:
Development and experimental correlation of machine learning models for the diagnosis of processing disturbances in the liquid moulding of structural composites
- Autor: KERAMATI, Keayvan
- Título: Development and experimental correlation of machine learning models for the diagnosis of processing disturbances in the liquid moulding of structural composites
- Fecha: 2023
- Materia:
- Escuela: E.T.S. DE INGENIEROS DE CAMINOS, CANALES Y PUERTOS
- Departamentos: CIENCIA DE LOS MATERIALES
- Acceso electrónico: https://oa.upm.es/76756/
- Director/a 1º: GONZÁLEZ MARTÍNEZ, Carlos Daniel
- Resumen: Liquid Composite Moulding (LCM) techniques are frequently used to produce relatively inexpensive fibre-reinforced composite parts of high quality. A liquid resin infiltrates a dry, porous, fibrous medium inside a shaped mould in LCM. Multiple factors can contribute to process uncertainties that can compromise the mechanical performance of the final composite part and necessitate an optimum control of the material and process parameters.
Process-induced defects restrict the structural applicability of the LCM technique. An adequately fabricated composite component should only be comprised of fibres and matrix. In LCM, however, detecting voids and unimpregnated filaments within composite articles is not uncommon. A defect is an irregularity that causes a composite element to deviate from its design specifications. Defects can form in composite materials during the majority of manufacturing processes. These defects include gaps, overlaps, particles, contaminants, and improper injection and curing procedures. Race-tracking is a processing disturbance generated by unexpected resin channels at mould edges that may form dry spots and porosity. Consistent adherence to the manufacturing process should address such deviations from specifications. Artificial intelligence may help the industry to apply control measures and compliances to reduce the frequency of these issues significantly. This thesis aims to develop a machine learning (ML)-based expert system capable of classifying and predicting processing disturbances properties that occur during the manufacturing of structural composites using LCM. The ML models use the pressure signals recorded by a sensor network as input, classifying the race-tracking event from a set of possible scenarios and delivering variable regression for their position, size and strength. Pressure sensor signals were stored as footprints and analysed with state-of-the-art ML architectures (XGBoost, ResNet, DenseNet). The ML models were trained with only synthetic data obtained from the race-tracking events’ computational fluid dynamic simulations (OpenFoam). The ML classifier and regressors were trained using a synthetically generated simulation data set obtained throughout computational fluid dynamics (CFD) simulations. The time evolution of the pressure sensors was used as grey-level images, or footprints, as inputs to the ML models. The trained models could recognise the presence of race-tracking channels from the pressure data yielding good accuracy in terms of label prediction as well as position, size and strength. The model correlation was carried out with injection experiments with constant-thickness closed moulds containing induced race-tracking channels and dissimilar permeability regions. Uncertainty analysis was carried out in the classification part with a Monte Carlo Bayesian approach. A model implementation based on domain adaptation techniques with adversarial training was used to incorporate stochastic experimental effects and model inadequacies. The accuracy of the models is presented and discussed using the confusion matrices of their results. The non-stochastic DenseNet model renders 76% accuracy for predicting an experimental data set comprising 50 tests containing different race-tracking channels. By adversarial training with a combination of experimental and synthetic data, the accuracy of the DenseNet improved to 84%.
For the regression part, a supervised ML model based on the Residual Network (ResNet), a well-known artificial intelligence architecture for image recognition, is used to address race-tracking channel properties. The trained model recognised the presence of race-tracking channels from the pressure data yielding good accuracy in position, size and strength.
RESUMEN
Las técnicas de moldeo de compuestos líquidos (LCM) se utilizan con frecuencia para producir piezas de materiales compuestos reforzados con fibra relativamente económicas y de alta calidad. Una resina líquida se infiltra en un medio seco, poroso y fibroso dentro de un molde con forma en LCM. Múltiples factores pueden contribuir a las incertidumbres del proceso que pueden comprometer el rendimiento mecánico de la pieza compuesta final y requieren un control óptimo del material y los parámetros del proceso.
Los defectos inducidos por el proceso restringen la aplicabilidad estructural de la técnica LCM. Un componente compuesto fabricado adecuadamente debe estar compuesto únicamente por fibras y matriz. En LCM, sin embargo, la detección de huecos y filamentos no impregnados dentro de artículos compuestos no es infrecuente. Un defecto es una irregularidad que hace que un elemento compuesto se desvíe de sus especificaciones de diseño. Se pueden formar defectos en los materiales compuestos durante la mayoría de los procesos de fabricación. Estos defectos incluyen espacios, superposiciones, partículas, contaminantes y procedimientos inadecuados de inyección y curado. Race-tracking es una perturbación del procesamiento generada por canales de resina inesperados en los bordes del molde que pueden formar puntos secos y porosidad. La adherencia constante al proceso de fabricación debe abordar tales desviaciones de las especificaciones. La inteligencia artificial puede ayudar a la industria a aplicar medidas de control y cumplimiento para reducir significativamente la frecuencia de estos problemas. Esta tesis tiene como objetivo desarrollar un sistema experto basado en aprendizaje automático (ML) capaz de clasificar y predecir las propiedades de perturbaciones de procesamiento que ocurren durante la fabricación de materiales compuestos estructurales utilizando LCM. Los modelos ML utilizan las señales de presión registradas por una red de sensores como entrada, clasificando el evento de seguimiento de carreras de un conjunto de escenarios posibles y entregando una regresión variable para su posición, tamaño y fuerza. Las señales de los sensores de presión se almacenaron como huellas y se analizaron con arquitecturas ML de última generación (XGBoost, ResNet, DenseNet). Los modelos ML se entrenaron solo con datos sintéticos obtenidos de las simulaciones dinámicas de fluidos computacionales de los eventos de seguimiento de carreras (OpenFoam). El clasificador ML y los regresores se entrenaron utilizando un conjunto de datos de simulación generados sintéticamente obtenidos a través de simulaciones de dinámica de fluidos computacional (CFD). La evolución temporal de los sensores de presión se utilizó como imágenes de nivel de gris, o huellas, como entradas para los modelos ML. Los modelos entrenados pudieron reconocer la presencia de canales de seguimiento de carreras a partir de los datos de presión, lo que brindó una buena precisión en términos de predicción de etiquetas, así como de posición, tamaño y fuerza. La correlación del modelo se llevó a cabo con experimentos de inyección con moldes cerrados de espesor constante que contenían canales de seguimiento de carreras inducidos y regiones de permeabilidad diferentes. El análisis de incertidumbre se llevó a cabo en la parte de clasificación con un enfoque bayesiano de Montecarlo. Se utilizó una implementación de modelo basada en técnicas de adaptación de dominio con entrenamiento contradictorio para incorporar efectos experimentales estocásticos e insuficiencias del modelo. La precisión de los modelos se presenta y discute utilizando las matrices de confusión de sus resultados. El modelo DenseNet no estocástico ofrece una precisión del 76% para predecir un conjunto de datos experimentales que comprende 50 pruebas que contienen diferentes canales de seguimiento de carreras. Mediante entrenamiento adversario con una combinación de datos experimentales y sintéticos, la precisión de DenseNet mejoró a 84%.
Para la parte de regresión, se utiliza un modelo de ML supervisado basado en Residual Network (ResNet), una conocida arquitectura de inteligencia artificial para el reconocimiento de imágenes, para abordar las propiedades del canal de seguimiento de carreras. El modelo entrenado reconoció la presencia de canales de seguimiento de carreras a partir de los datos de presión, lo que arrojó una buena precisión en la posición, el tamaño y la fuerza.