Detección experimental de defectos en estructuras utilizando una fuente externa de emisión acústica.

Abstract

Las señales de emisión acústica (EA) son utilizadas en el área mecánica, para monitorear el comportamiento de elementos cuyas emisiones acústicas resultan representativas para su estado, ayudando a detectar imprevistos que alteren su funcionamiento. Actualmente este método solo resulta ser útil ante eventos activos. En el presente informe se evalúa el comportamiento de señales de EA para eventos pasivos de inspección superficial, utilizando una fuente externa de EA. Se realiza en primer lugar un análisis del estado del arte, determinando algunos indicadores típicos para evaluar estos tipos de señales, para posteriormente evaluar estos indicadores, primero para una probeta sin falla superficial (SF) para luego hacer lo mismo con una probeta que presenta una falla superficial transversal de 3 mm de profundidad (CF). Utilizando herramientas estadísticas, se determina que existen diferencias significativas entre indicadores obtenidos para ambos estados de la probeta, además se estudia la causa de estas diferencias, se establecen los indicadores más representativos, y finalmente se utilizan estos datos para aplicar un método de agrupamiento no supervisado utilizando herramientas de machine learning, obteniendo métricas del orden del 80% para agrupar los datos CF y SF de manera automática.

Acoustic emission (EA) signals are used in the mechanical area to monitor the behavior of elements whose acoustic emissions are representative of their state, helping to detect unforeseen events that alter their operation. Currently this method is only useful for active events. In this report, the behavior of AE signals for passive surface inspection events is evaluated, using an external AE source. First, an analysis of the state of the art is carried out, determining some typical indicators to evaluate this type of signals, to subsequently evaluate these indicators, first for a probe without surface failure (SF) and then do the same with a probe that presents a Cross-surface failure (CF) 3 mm deep. Using statistical tools, it is determined that there are significant differences between the indicators obtained for both states of the specimen. The cause of these differences is also studied, the most representative indicators are established and finally these data are used to apply an unsupervised grouping method. using machine learning tools, obtaining metrics of the order of 80% to group the CF and SF data automatically.