[論文レビュー] Spatial Damage Characterization in Self-Sensing Materials via Neural Network-Aided Electrical Impedance Tomography: A Computational Study

Lang Zhao, Tyler N. Tallman+1 more|arXiv (Cornell University)|Oct 4, 2020

Smart Materials for Construction被引用数 5

ひとこと要約

本研究では、自己感知性Piezoresistiveナノコンposite材料における損傷の空間的特徴を高精度に特定するため、電気的インピーダンス断層法（EIT）を支援するニューラルネットワーク手法を提案する。炭素ナノファイバーで修飾されたエポキシの実験的測定値にキャリブレーションされたシミュレートEITデータを用いて深層ニューラルネットワークを学習させた結果、損傷数の予測で99.2%の正確性、損傷サイズの定量的評価で平均2.46%の誤差、損傷位置推定で平均0.89%の誤差を達成し、構造健全性モニタリング（SHM）におけるEITの分解能と信頼性を顕著に向上させた。

ABSTRACT

Continuous structural health monitoring (SHM) and integrated nondestructive evaluation (NDE) are important for ensuring the safe operation of high-risk engineering structures. Recently, piezoresistive nanocomposite materials have received much attention for SHM and NDE. These materials are self-sensing because their electrical conductivity changes in response to deformation and damage. Combined with electrical impedance tomography (EIT), it is possible to map deleterious effects. However, EIT suffers from important limitations -- it is computationally expensive, provides indistinct information on damage shape, and can miss multiple damages if they are close together. In this article we apply a novel neural network approach to quantify damage metrics such as size, number, and location from EIT data. This network is trained using a simulation routine calibrated to experimental data for a piezoresistive carbon nanofiber-modified epoxy. Our results show that the network can predict the number of damages with 99.2% accuracy, quantify damage size with respect to the averaged radius at an average of 2.46% error, and quantify damage position with respect to the domain length at an average of 0.89% error. These results are an important first step in translating the combination of self-sensing materials and EIT to real-world SHM and NDE.

研究の動機と目的

• 従来の電気的インピーダンス断層法（EIT）の限界、特に空間分解能が低く、近接する損傷を区別できない問題を克服すること。
• EITデータから損傷の指標（数、サイズ、位置）を正確かつリアルタイムに定量化できる機械学習フレームワークの開発。
• カーボンナノファイバーで修飾されたエポキシからの実験的測定データを用いて、シミュレーションベースのトレーニングパイプラインをキャリブレーションし、実世界の関連性を確保すること。
• ニューラルネットワークが構造健全性モニタリング（SHM）および非破壊評価（NDE）におけるEITの精度と信頼性を顕著に向上させられることを実証すること。

提案手法

• Pieゾレスイスタティブなカーボンナノファイバー-エポキシ複合材料の有限要素モデルから生成された合成EITデータを用いて、深層ニューラルネットワークをトレーニングする。損傷を模倣するため、導電率の変化をシミュレートする。
• モデルパラメータが実材料挙動（ノイズやメッシュ解像度の影響を含む）を反映するように、実験的測定データを用いてシミュレーションをキャリブレーションする。
• ネットワークは、損傷の数、損傷の平均半径、およびドメイン長に対する中心位置という3つの損傷指標を予測するように訓練される。
• ネットワークへの入力は、境界電圧-電流測定値としてのEITデータであり、ネットワークはこれらの測定値から損傷特性へのマッピングを学習する。
• モデルの誤差を最小限に抑えて、実世界の条件への一般化性を向上させるために、精密なリファレンスマッシュを用いたトレーニングプロセスを実施する。
• テストセットとしてのシミュレート損傷シナリオを用いて性能を評価し、予測正確性および平均絶対誤差といった指標を用いる。

実験結果

リサーチクエスチョン

• RQ1 ニューラルネットワークは、自己感知材料のEITデータから損傷数を高精度に予測できるか？
• RQ2 ニューラルネットワークは、EIT測定値から損傷サイズ（半径）を高い精度で定量的評価できるか？
• RQ3 EITデータを用いた損傷中心位置の予測は、真値と比較してどの程度正確か？
• RQ4 近接する損傷を解像する点で、ニューラルネットワークアプローチは従来のEIT画像解釈法を上回るか？
• RQ5 実験的測定データにキャリブレーションされたシミュレーションデータでトレーニングされたモデルは、実世界の条件に一般化可能か？

主な発見

• ニューラルネットワークは、EITデータからの損傷数予測でテスト精度99.2%を達成した。
• 損傷サイズ（半径）の定量的評価における平均誤差は2.46%であり、サイズ推定の高精度を示した。
• 損傷中心位置の予測における平均誤差はドメイン長の0.89%にとどまり、高い局在化正確性を示した。
• ネットワークはEIT画像ベースのモデルを上回り、半径予測の平均誤差を5.11 mmから0.987 mmにまで低減した。
• 従来のEIT再構成でぼやけたり合体してしまう近接損傷を、本手法は効果的に解像できた。
• 結果から、ニューラルネットワーク支援EITは、実用的なSHMおよびNDE応用におけるリアルタイムで高精度な損傷特徴化を可能にする可能性を示唆している。