20.500.12556/RUL-140622 Characterization of biocomposites and glass fiber epoxy composites based on acoustic emission signals, deep feature extraction, and machine learning Izpeljava globokih značilk na osnovi signalov AE za karakterizacijo obremenjenih epoksidnih kompozitov iz ogljikovih vlaken in epoksidnih kompozitov iz steklenih vlaken. This study presents the results of acoustic emission (AE) measurements and characterization in the loading of biocomposites at room and low temperatures that can be observed in the aviation industry. The fiber optic sensors (FOS) that can outperform electrical sensors in challenging operational environments were used. Standard features were extracted from AE measurements, and a convolutional autoencoder (CAE) was applied to extract deep features from AE signals. Different machine learning methods including discriminant analysis (DA), neural networks (NN), and extreme learning machines (ELM) were used for the construction of classifiers. The analysis is focused on the classification of extracted AE features to classify the source material, to evaluate the predictive importance of extracted features, and to evaluate the ability of used FOS for the evaluation of material behavior under challenging low-temperature environments. The results show the robustness of different CAE configurations for deep feature extraction. The combination of classic and deep features always significantly improves classification accuracy. The best classification accuracy (80.9%) was achieved with a neural network model and generally, more complex nonlinear models (NN, ELM) outperform simple models (DA). In all the considered models, the selected combined features always contain both classic and deep features. Ta študija predstavlja rezultate meritev akustične emisije (AE) in karakterizacijo pri obremenjevanju biokompozitov pri sobnih in nizkih temperaturah, ki jih lahko opazimo v letalski industriji. Uporabljeni so bili senzorji z optičnimi vlakni (FOS), ki lahko prekašajo električne senzorje v zahtevnih delovnih okoljih. Standardne značilke so bile pridobljene iz meritev AE, za pridobivanje globokih značilk iz signalov AE pa je bil uporabljen konvolucijski autoenkoder (CAE). Za izdelavo klasifikatorjev so bile uporabljene različne metode strojnega učenja, vključno z diskriminantno analizo (DA), nevronskimi mrežami (NN) in ekstremnimi učnimi stroji (ELM). Analiza je osredotočena na klasifikacijo izpeljanih AE značilk za razvrstitev izvornega materiala, za ovrednotenje prediktivne pomembnosti izpeljanih značilk in za ovrednotenje zmožnosti uporabljenega FOS za oceno obnašanja materiala v zahtevnih nizkotemperaturnih okoljih. Rezultati kažejo robustnost različnih konfiguracij CAE za izpeljavo globokih zanačilk. Kombinacija klasičnih in globokih značilk vedno bistveno izboljša natančnost klasifikacije. Najboljša klasifikacijska natančnost (80,9 %) je bila dosežena z modelom nevronske mreže in na splošno so kompleksnejši nelinearni modeli (NN, ELM) boljši od enostavnih modelov (DA). Pri vseh obravnavanih modelih izbrane kombinirane značilke vedno vsebujejo tako klasične kot tudi globoke značilke. polymer composites biocomposites GFE composites acoustic emission deep feature extraction convolutional autoencoder machine learning neural networks polimerni kompoziti biokompoziti GFE kompoziti akustična emisija izpeljava globokih značilk konvolucijski autoenkoder strojno učenje nevronske mreže true false true Angleški jezik Slovenski jezik Članek v reviji 2022-09-16 09:29:45 2022-09-16 09:29:51 2022-09-18 03:25:44 0000-00-00 00:00:00 2022 0 0 16 str. iss. 18, art. 6886 Vol. 22 Sep. 2022 0000-00-00 Zaloznikova Objavljeno NiDoloceno 0000-00-00 0000-00-00 2022-09-13 620.168:620.179.17:007.52 1424-8220 10.3390/s22186886 121597443 Kek..._-_Characterization_of_biocomposites_and_glass_fiber_epoxy_composites_based_on_acoustic_emission_signals,_deep_feature_extraction,_and_machine_learning.pdf Kek..._-_Characterization_of_biocomposites_and_glass_fiber_epoxy_composites_based_on_acoustic_emission_signals,_deep_feature_extraction,_and_machine_learning.pdf 1 883D9A60F6A836C10ED26D840956F357 27c494c847cd9a2cf9e17afc60dd3ff9ac5c2c89428ef679f43aa9ee889b146b a3d62565-3591-11ed-92af-00155dcfd717 https://repozitorij.uni-lj.si/Dokument.php?lang=slv&id=161402 https://www.mdpi.com/1424-8220/22/18/6886 1 48820708-3591-11ed-92af-00155dcfd717 https://repozitorij.uni-lj.si/Dokument.php?lang=slv&id=161401 Fakulteta za strojništvo 0 0 0