[논문 리뷰] Spatial Damage Characterization in Self-Sensing Materials via Neural Network-Aided Electrical Impedance Tomography: A Computational Study

Lang Zhao, Tyler N. Tallman외 1명|arXiv (Cornell University)|2020. 10. 04.

Smart Materials for Construction인용 수 5

한 줄 요약

이 연구는 자기감지 페라이오레스יסט브 나노복합재료에서 정밀한 공간적 손상 특성화를 위한 전기저항율 단층촬영(EIT)을 향상시키기 위해 신경망을 활용한 접근법을 제안한다. 탄소 나노섬유로 개질된 에폭시의 실험 측정치에 캘리브레이션된 시뮬레이션된 EIT 데이터를 기반으로 훈련된 깊이 신경망은 손상 수 예측 정확도 99.2%, 크기 정량화 평균 오차 2.46%, 위치 추정 평균 오차 0.89%를 달성하여 EIT의 해상도와 신뢰성을 크게 향상시킨다. 이는 구조적 건강 모니터링을 위한 응용에 유의미한 기여를 한다.

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.

연구 동기 및 목표

• 기존 전기저항율 단층촬영(EIT)의 한계, 즉 낮은 공간 해상도와 서로 가까이 위치한 손상들을 구분하지 못하는 문제를 해결하기 위해.
• EIT 데이터로부터 손상 지표인 수, 크기, 위치를 정확하고 실시간으로 정량화할 수 있는 기계학습 프레임워크를 개발하기 위해.
• 탄소 나노섬유로 개질된 에폭시에서의 실험 데이터를 사용하여 시뮬레이션 기반 훈련 파이프라인을 캘리브레이션하여 실제 응용에의 적합성을 확보하기 위해.
• 신경망이 구조적 건강 모니터링(SHM) 및 비파괴 검사(NDE)를 위한 EIT의 정밀도와 신뢰성을 크게 향상시킬 수 있음을 입증하기 위해.

제안 방법

• 피에조레지스티브 탄소 나노섬유-에폭시 복합체의 유한요소 모델에서 생성된 시뮬레이션된 EIT 데이터를 기반으로 깊이 신경망을 훈련한다. 손상 시뮬레이션을 위해 전도도 변화를 모의한다.
• 모델 매개변수에 실제 재료 거동(노이즈 및 메쉬 해상도 영향 포함)을 반영하기 위해 실험 데이터를 사용하여 시뮬레이션을 캘리브레이션한다.
• 신경망은 손상 수, 손상의 평균 반지름, 도메인 길이 대비 중심 위치의 세 가지 손상 지표를 예측하도록 훈련된다.
• 입력은 경계 전압-전류 측정치 형태의 EIT 데이터이며, 신경망은 이러한 측정치를 손상 특성으로 매핑하도록 학습한다.
• 모델링 오차를 최소화하고 실제 환경 조건으로의 일반화 능력을 향상시키기 위해 정밀한 기준 메쉬를 사용하여 훈련을 수행한다.
• 예측 정확도 및 평균 절대 오차를 포함한 지표를 사용하여 시험 세트의 시뮬레이션 손상 시나리오를 기반으로 성능을 평가한다.

실험 결과

연구 질문

• RQ1 신경망은 자기감지 재료의 EIT 데이터로부터 손상 수를 정확하게 예측할 수 있는가?
• RQ2 신경망은 EIT 측정치로부터 손상 크기(반지름)를 얼마나 정밀하게 정량화할 수 있는가?
• RQ3 실제 값 대비 EIT 데이터를 사용하여 손상 중심을 얼마나 정확히 국소화할 수 있는가?
• RQ4 밀접하게 위치한 손상을 해소하는 데 있어 전통적인 EIT 영상 해석 방식에 비해 신경망 접근법이 우수한가?
• RQ5 실험 측정치에 캘리브레이션된 시뮬레이션 데이터를 기반으로 훈련된 모델은 실제 환경 조건으로 일반화 가능한가?

주요 결과

• 신경망은 EIT 데이터로부터 손상 수 예측 테스트 정확도 99.2%를 달성했다.
• 손상 크기(반지름) 정량화 평균 오차는 2.46%로, 크기 추정의 높은 정밀도를 보였다.
• 손상 중심 위치 예측 평균 오차는 도메인 길이의 0.89%로, 국소화 정확도가 매우 높음을 시사했다.
• 신경망은 EIT 영상 기반 모델보다 우수했으며, 반지름 예측 평균 오차를 5.11 mm에서 0.987 mm로 감소시켰다.
• 기존 EIT 재구성에서 뒤엉키거나 융합되는 밀접한 손상도 효과적으로 분리해내는 데 성공했다.
• 결과적으로 신경망 기반 EIT는 실시간 정밀한 손상 특성화를 가능하게 하여 실용적인 SHM 및 NDE 응용에 기여할 수 있음을 시사한다.