Online Monitoring of Glass/Polyester Composites During Mode I Delamination Test Using Acoustic Emission Method
محل انتشار: دوازدهمین کنفرانس ملی مهندسی ساخت و تولید ایران
سال انتشار: 1390
نوع سند: مقاله کنفرانسی
زبان: انگلیسی
مشاهده: 752
فایل این مقاله در 6 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
ICME12_142
تاریخ نمایه سازی: 25 شهریور 1392
چکیده مقاله:
Delamination is one of the most important damage mechanisms in composite materials. During mode I delamination various damage mechanisms may occur and subsequently degrade the long-term performance of composite materials. Hence, detection and classification of these damage mechanisms is of great importance. For this purpose, acoustic emission (AE) was used as an efficient non-destructive method for health monitoring of glass/polyester composites during mode I delamination. The dataset was clustered using integration of k-means and genetic algorithms. The clustering analysis represented three clusters, each one related to a distinct damage mode. Considering the relationship between AE parameters and damage mechanisms, the AE signals of obtained clusters were assigned to distinct damage modes. Also, the dominance of damage mechanisms was determined based on the distribution of AE signals in different clusters. Finally, SEM observation was utilized to validate the results. The results indicate good performance of the proposed method in online monitoring of composite materials.
کلیدواژه ها:
نویسندگان
F. Pashmforoush
Faculty of Mechanical Engineering, Amirkabir University of Technology, Tehran, Iran
M. Fotouhi
Faculty of Mechanical Engineering, Amirkabir University of Technology, Tehran, Iran
V. Shokri
Faculty of Mechanical Engineering, Amirkabir University of Technology, Tehran, Iran
M. Ahmadi
Faculty of Mechanical Engineering, Amirkabir University of Technology, Tehran, Iran
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :