Reti generative avversarie con quantificazione dell’incertezza tramite dropout Monte Carlo per il monitoraggio dell’integrità strutturale: confronto sull’aumento dei dati dei reticoli di Bragg in fibra nell’aeromobile Hawk T1A

Abstract degli autori

Le capacità di generazione di segnali di un nuovo framework per l’aumento dei dati vengono esaminate in strutture aerospaziali. In primo luogo, il framework apprende le caratteristiche temporali e spettrali delle risposte strutturali misurate, condizionate alla classe. Utilizza l’addestramento di una rete generativa avversaria condizionale e la quantificazione dell’incertezza tramite dropout Monte Carlo come approssimazione bayesiana. Questo passaggio consente la sintesi stocastica dei segnali e la quantificazione dell’incertezza. In secondo luogo, le risposte generate vengono confrontate rigorosamente con le misurazioni sperimentali nei domini del tempo, della frequenza, dell’incertezza, della variabilità e delle caratteristiche, per valutarne il realismo fisico, la coerenza statistica e la fedeltà distributiva. Infine, i dati sintetici vengono valutati per determinare se debbano essere integrati in un flusso di lavoro supervisionato di classificazione dei danni. Il framework viene convalidato sul dataset benchmark in scala reale di un aeromobile BAE Systems Hawk T1A, sottoposto a prove presso il Laboratorio di dinamica strutturale per la verifica e la validazione dell’Università di Sheffield. Le prove comprendono misurazioni dell’accelerazione, della deformazione rilevata con reticoli di Bragg in fibra e della risposta dinamica non lineare. I risultati dimostrano che il modello coglie con precisione le dinamiche strutturali dominanti, fornisce indicazioni sull’uso dei segnali per migliorare la classificazione sulla base delle caratteristiche dell’incertezza e produce stime significative dell’incertezza associate alla complessità del segnale e alle caratteristiche dell’eccitazione. È importante sottolineare che il framework offre un piano realistico di modellazione generativa come componente robusta di un gemello digitale per il monitoraggio dell’integrità strutturale basato sui dati, a sostegno di processi decisionali resilienti nella valutazione delle condizioni dei sistemi aerospaziali critici per la sicurezza.