Browsing by Author "Molisani, Leonardo"

Filter results by typing the first few letters
Now showing 1 - 2 of 2
  • Thumbnail Image
    Item
    Clasificación de defectos en uniones pegadas utilizando inteligencia artificial
    (Asociación Argentina de Mecánica Computacional, 2023-11-06) Tais, Carlos Esteban; Fontana, Juan Manuel; Molisani, Leonardo; O'Brien, Ronald; Ballesteros Iglesias, Maria Yolanda; del Real, Juan Carlos
    La aplicación de adhesivos se encuentra ampliamente difundida en una amplia gama de industrias. Sin embargo, su uso ha sido evitado en estructuras en las cuales la seguridad es un factor crítico. A partir de la utilización de señales acústicas es posible detectar la degradación del material. En este trabajo se emplea el análisis del Nivel de Presión Sonora (NPS) como método evaluador global no destructivo de fallas en uniones adhesivas de probetas fabricadas con vigas de aluminio como sustrato y adhesivo acrílico. El diagnóstico se realiza preprocesando la señal de NPS y clasificando el daño mediante un sistema de reconocimiento de patrones basado en las técnicas de Redes Neuronales Artificiales (RNA). Los resultados de la validación cruzada demuestran que el clasificador presenta un adecuado porcentaje de detección de fallas.
  • Thumbnail Image
    Item
    Damage clasification in composite materials using neural networks
    (IEEE, 2024-11-04) Tais, Carlos Esteban; Fontana, Juan Manuel; Molisani, Leonardo; O'Brien, Ronald; Ballesteros Iglesias, Maria Yolanda; del Real, Juan Carlos
    Composite materials are widely employed in critical industrial applications, where their use has surged due to their numerous advantages over traditional materials. However, these benefits can be compromised if adequate quality control techniques are not implemented, particularly for detecting structural damage. Acoustic emission is a nondestructive technique commonly used for damage detection. By leveraging artificial intelligence tools to efficiently process emitted signals, the detection and classification process can be automated. This study utilizes sound pressure levels to diagnose failures in fiberglass-reinforced (GFRP) epoxy composite beams. A pattern recognition system based on Artificial Neural Network (ANN) algorithms is employed for diagnosis. To ensure data variability, the classifier was trained and validated using preprocessed acoustic signals from multiple healthy and damaged beams in various locations. Testing was conducted using test results from specimens not used for training and validation, ensuring the ANN's robustness. The results demonstrate a high fault detection percentage, confirming the reliability of the ANN.