Vaš brskalnik ne omogoča JavaScript!
JavaScript je nujen za pravilno delovanje teh spletnih strani. Omogočite JavaScript ali pa uporabite sodobnejši brskalnik.
Nacionalni portal odprte znanosti
Odprta znanost
DiKUL
slv
|
eng
Iskanje
Brskanje
Novo v RUL
Kaj je RUL
V številkah
Pomoč
Prijava
Deep feature extraction based on AE signals for the characterization of loaded carbon fiber epoxy and glass fiber epoxy composites
ID
Potočnik, Primož
(
Avtor
),
ID
Misson, Martin
(
Avtor
),
ID
Šturm, Roman
(
Avtor
),
ID
Govekar, Edvard
(
Avtor
),
ID
Kek, Tomaž
(
Avtor
)
PDF - Predstavitvena datoteka,
prenos
(1,21 MB)
MD5: 036968B38C3299C9FB1F966641A14D45
URL - Izvorni URL, za dostop obiščite
https://www.mdpi.com/2076-3417/12/4/1867
Galerija slik
Izvleček
Characterization of acoustic emission (AE) signals in loaded materials can reveal structural damage and consequently provide early warnings about product failures. Therefore, extraction of the most informative features from AE signals is an important part of the characterization process. This study considers the characterization of AE signals obtained from bending experiments for carbon fiber epoxy (CFE) and glass fiber epoxy (GFE) composites. The research is focused on the recognition of material structure (CFE or GFE) based on the analysis of AE signals. We propose the extraction of deep features using a convolutional autoencoder (CAE). The deep features are compared with extracted standard AE features. Then, the different feature sets are analyzed through decision trees and discriminant analysis, combined with feature selection, to estimate the predictive potential of various feature sets. Results show that the application of deep features increases recognition accuracy. By using only standard AE-based features, a classification accuracy of around 80% is obtained, and adding deep features improves the classification accuracy to above 90%. Consequently, the application of deep feature extraction is encouraged for the characterization of loaded CFE composites.
Jezik:
Angleški jezik
Ključne besede:
polymer composites
,
acoustic emission
,
feature extraction
,
convolutional autoencoders
,
deep features
Vrsta gradiva:
Članek v reviji
Tipologija:
1.01 - Izvirni znanstveni članek
Organizacija:
FS - Fakulteta za strojništvo
Status publikacije:
Objavljeno
Različica publikacije:
Objavljena publikacija
Leto izida:
2022
Št. strani:
13 str.
Številčenje:
Vol. 12, iss. 4, art. 1867
PID:
20.500.12556/RUL-135012
UDK:
620.179.17:678
ISSN pri članku:
2076-3417
DOI:
10.3390/app12041867
COBISS.SI-ID:
97798403
Datum objave v RUL:
17.02.2022
Število ogledov:
735
Število prenosov:
138
Metapodatki:
Citiraj gradivo
Navadno besedilo
BibTeX
EndNote XML
EndNote/Refer
RIS
ABNT
ACM Ref
AMA
APA
Chicago 17th Author-Date
Harvard
IEEE
ISO 690
MLA
Vancouver
:
Kopiraj citat
Objavi na:
Gradivo je del revije
Naslov:
Applied sciences
Skrajšan naslov:
Appl. sci.
Založnik:
MDPI
ISSN:
2076-3417
COBISS.SI-ID:
522979353
Licence
Licenca:
CC BY 4.0, Creative Commons Priznanje avtorstva 4.0 Mednarodna
Povezava:
http://creativecommons.org/licenses/by/4.0/deed.sl
Opis:
To je standardna licenca Creative Commons, ki daje uporabnikom največ možnosti za nadaljnjo uporabo dela, pri čemer morajo navesti avtorja.
Začetek licenciranja:
11.02.2022
Sekundarni jezik
Jezik:
Slovenski jezik
Ključne besede:
polimerni kompoziti
,
akustična emisija
,
konvolucijski avtoenkoderji
,
izpeljava značilk
,
globoke značilke
Projekti
Financer:
ARRS - Agencija za raziskovalno dejavnost Republike Slovenije
Številka projekta:
P2-0241
Naslov:
Sinergetika kompleksnih sistemov in procesov
Financer:
ARRS - Agencija za raziskovalno dejavnost Republike Slovenije
Številka projekta:
P2-0270
Naslov:
Proizvodni sistemi, laserske tehnologije in spajanje materialov
Podobna dela
Podobna dela v RUL:
Podobna dela v drugih slovenskih zbirkah:
Nazaj