NA et al 2021a - Revision history

Materiales.Compuestos at 13:47, 8 December 2022

2022-12-08T13:47:44Z

Materiales.Compuestos at 13:46, 8 December 2022

2022-12-08T13:46:34Z

Materiales.Compuestos at 13:44, 8 December 2022

2022-12-08T13:44:16Z

Materiales.Compuestos at 13:43, 8 December 2022

2022-12-08T13:43:19Z

Show changes

Scipediacontent at 14:09, 7 May 2022

2022-05-07T14:09:18Z

Show changes

Scipediacontent: Scipediacontent moved page Draft Content 982381050 to NA et al 2021a

2022-03-31T19:28:49Z

Scipediacontent moved page Draft Content 982381050 to NA et al 2021a

Scipediacontent: Created page with "== Abstract == The RPAS (Remote Piloted Air System) MILANO is the largest unmanned aerial system developed by INTA that aims to become a research platform capable of carrying..."

2022-03-31T19:28:46Z

Created page with "== Abstract == The RPAS (Remote Piloted Air System) MILANO is the largest unmanned aerial system developed by INTA that aims to become a research platform capable of carrying..."

New page

== Abstract ==

The RPAS (Remote Piloted Air System) MILANO is the largest unmanned aerial system developed by INTA that aims to become a research platform capable of carrying out in-flight tests with many scientific payload, thus complementing the Air Research Platforms (PAIs) of INTA. At the structural level, the RPAS MILANO is made in its entirety in carbon / epoxy composite material that is cured out of the autoclave. Its design has been followed by the airworthiness regulations applicable to the aircraft type (STANAG-4671). In the month of December 2018, the RPAS MILANO flight test phase began and it’s Health and Usage Monitoring System (HUMS) is being used to collect data before, after and during flights, providing very useful information when evaluating and analyzing the state of the structure and the possible appearance of structural overloads not foreseen during the mission. Information about special events, such as forced landing or burst loading, can be provided to maintenance operators after each flight.
The simulation model and its predictions have been validated in a real structure of the rear fuselage of the MILANO and in which real damage of larger sizes is introduced by eliminating rivets progressively. In our study, three different damage detection algorithms are used, based on a damage index, PCA and Artificial Neural Networks (ANN).

== Full document ==
<pdf>Media:Draft_Content_982381050native-articles-280.pdf</pdf>

@@ Line 117: / Line 117: @@
 Las redes neuronales artificiales son herramientas matemáticas que se utilizan para resolver problemas de varios tipos como una red de unidades de procesamiento paralelo, masivo y distribuido llamadas neuronas. En este caso, los ANN se construyen utilizando la información de deformación proporcionada por la red de sensores distribuidos.
-[[File:Captura de pantalla 2022-12-08 143800.png|centre|600x600px]]
+[[File:Captura de pantalla 2022-12-08 143800.png|centre|538x538px]]
 [[File:Captura de pantalla 2022-12-08 143733.png|centre|600x600px]]

@@ Line 21: / Line 21: @@
 [[File:NA_et_al_2021a-image7.png|centre|600x600px]]
-'''Figura 2.''' Sensores integrados en el MILANO 1. Líneas discontinuas rojas: ala central; morado: fuselaje central; verde: FP.
+<div class="center" style="width: auto; margin-left: auto; margin-right: auto;">
 MILANO está equipado con una red de sensores tipo DTG integrados en el ala central, el fuselaje y el tren central, figura 2. Los principales objetivos de los sistemas de sensores instalados son:
@@ Line 52: / Line 53: @@
 [[File:NA_et_al_2021a-image10.png|centre|600x600px]]
-'''Figura 4.''' Índice de daños de los sensores instalados en los revestimientos cuando los remaches fueron removidos paso a paso. Remaches del daño D1 (1, 3, 5, 7, 11 y 15) y D4 (3, 6, 12,15, 23, 31). Las barras de error indican la desviación estándar. La línea discontinua roja el umbral de daño.
+<div class="center" style="width: auto; margin-left: auto; margin-right: auto;">
 En general se puede decir, que daños relativamente pequeños pueden ser detectados con este método, como se puede ver en la tabla 1. En ningún caso, de la estructura con los remaches quitados, se ha detectado un cambio significativo de la deflexión global del FP1 a carga máxima, que se mantenía en unos 71±3mm en la punta. Las propiedades funcionales del fuselaje posterior no se ven afectadas con desencolados de hasta 1 m de longitud (D4), lo que indica que el sistema de detección de daño es suficientemente sensible para avisar de un daño antes de que este daño pueda tener consecuencias catastróficas.
 {| style="width: 100%;margin: 1em auto 0.1em auto;border-collapse: collapse;"
 |-
@@ Line 73: / Line 77: @@
 |  style="border: 1pt solid black;text-align: center;"|<span style="text-align: center; font-size: 75%;">100</span>
 |}
 Otras técnicas, como componentes principales (PCA) y redes neuronales artificiales (ANN), pueden aplicarse para mejorar más todavía los resultados. Estas técnicas también se han estudiado dentro de este proyecto INESASSE y se presentarán en el siguiente párrafo.
@@ Line 89: / Line 90: @@
+<div class="center" style="width: auto; margin-left: auto; margin-right: auto;">
 {|
 |-
@@ Line 95: / Line 96: @@
 | [[Image:NA_et_al_2021a-image12.png|center|510px]]
 |}
+<div class="center" style="width: auto; margin-left: auto; margin-right: auto;">
-−
 {|
 |-
@@ Line 104: / Line 105: @@
 | [[Image:NA_et_al_2021a-image13-c.png|center|600px]]
 |}
+<div class="center" style="width: auto; margin-left: auto; margin-right: auto;">
-<span style="text-align: center; font-size: 75%;">'''Figura 6.''' Resultados experimentales del índice Q para los casos de daño D1 (arriba) y D4 (abajo) en las condiciones sin daño, 25%, 50% y 100% de daño introducido.</span>
+<span style="text-align: center; font-size: 75%;">'''Figura 6.''' Resultados experimentales del índice Q para los casos de daño D1 (arriba) y D4 (abajo) en las condiciones sin daño, 25%, 50% y 100% de daño introducido.</span></div>
 El núcleo del sistema de detección de daño es el algoritmo para comparar el campo de deformaciones con y sin los daños introducidos. En este estudio, dos algoritmos diferentes se utilizan basado en PCA y la ANN, respectivamente. PCA es un método simple y no paramétrico para extraer información de grandes conjuntos de datos. Es un procedimiento de análisis multivariable clásico para reducir un conjunto de datos complejos a una dimensión inferior y revelar algunos patrones / estructuras ocultos; se puede encontrar una discusión más amplia en la referencia [29]. Los datos originales se expresan de nuevo en una nueva base ortogonal donde los datos se organizan según direcciones de varianza máxima y redundancia mínima, denominadas componentes principales.
@@ Line 115: / Line 117: @@
 Las redes neuronales artificiales son herramientas matemáticas que se utilizan para resolver problemas de varios tipos como una red de unidades de procesamiento paralelo, masivo y distribuido llamadas neuronas. En este caso, los ANN se construyen utilizando la información de deformación proporcionada por la red de sensores distribuidos.
-[[File:Captura de pantalla 2022-12-08 143800.png|centre]]
+[[File:Captura de pantalla 2022-12-08 143800.png|centre|600x600px]]
 [[File:Captura de pantalla 2022-12-08 143733.png|centre|600x600px]]
 '''Figura 7.''' Resultados experimentales de ANN para los casos de daño D1 en las condiciones de 25% de daño (arriba) y 50% de daño (abajo).
 El entrenamiento se realizó con simulaciones FEM con diferentes estados de daño y diferentes casos de carga. La ANN se entrena con deformaciones calculadas para la estructura no dañada, y para los casos de daños 1 y 4 con 100% y 75% de la longitud de desunión. Cada caso de daño modifica el perfil de deformación. La ANN seleccionada es una arquitectura estática de propagación hacia atrás con 16 entradas (2 casos de daños) y la referencia en 16 pasos de carga, una capa oculta de 120 neuronas y 2 salidas, los perfiles de los indicadores de daños en las dos ubicaciones consideradas de daños. La salida de ANN es un indicador de daño para un conjunto predefinido de situaciones entrenadas, que proporciona un perfil de tensión de los diferentes casos de daños de entrenamiento, en este caso los daños 1 y 4. Una ANN similar, con la misma respuesta y estructura, fue entrenada con resultados reales. El resultado de la ANN con diferentes daños progresivos en las posiciones 1 y 4 se puede ver en la siguiente figura 7.

@@ Line 115: / Line 115: @@
 Las redes neuronales artificiales son herramientas matemáticas que se utilizan para resolver problemas de varios tipos como una red de unidades de procesamiento paralelo, masivo y distribuido llamadas neuronas. En este caso, los ANN se construyen utilizando la información de deformación proporcionada por la red de sensores distribuidos.
 [[File:Captura de pantalla 2022-12-08 143733.png|centre|600x600px]]
 ''' '''
-'''Figura 7.''' Resultados experimentales de ANN para los casos de daño D1 en las condiciones de 25% de daño (arriba) y 50% de daño (abajo)
+'''Figura 7.''' Resultados experimentales de ANN para los casos de daño D1 en las condiciones de 25% de daño (arriba) y 50% de daño (abajo).
 El entrenamiento se realizó con simulaciones FEM con diferentes estados de daño y diferentes casos de carga. La ANN se entrena con deformaciones calculadas para la estructura no dañada, y para los casos de daños 1 y 4 con 100% y 75% de la longitud de desunión. Cada caso de daño modifica el perfil de deformación. La ANN seleccionada es una arquitectura estática de propagación hacia atrás con 16 entradas (2 casos de daños) y la referencia en 16 pasos de carga, una capa oculta de 120 neuronas y 2 salidas, los perfiles de los indicadores de daños en las dos ubicaciones consideradas de daños. La salida de ANN es un indicador de daño para un conjunto predefinido de situaciones entrenadas, que proporciona un perfil de tensión de los diferentes casos de daños de entrenamiento, en este caso los daños 1 y 4. Una ANN similar, con la misma respuesta y estructura, fue entrenada con resultados reales. El resultado de la ANN con diferentes daños progresivos en las posiciones 1 y 4 se puede ver en la siguiente figura 7.

← Older revision	Revision as of 19:28, 31 March 2022
(No difference)