| Name: | Description: | Size: | Format: | |
|---|---|---|---|---|
| 22.21 MB | Adobe PDF |
Authors
Abstract(s)
Military aircraft are frequently subjected to severe operating conditions due to
demanding maneuvers under a wide range of load factor levels, allowing the growth of
fatigue cracks that shall be duly monitored to prevent unexpected failures. In order to
monitor the operation of the Portuguese Air Force Epsilon TB-30 fleet which performs
basic and elementary piloting training, two systems were installed in these aircraft,
allowing load factor data in the aircraft center of gravity and strain data in two critical
components to be recorded, the C2 bulkhead beam and the main spar.
Firstly, this study aimed to evaluate the growth of fatigue cracks on the C2 bulkhead
beam, one of the aircraft critical locations, through experimental tests and numerical
simulations. The methodology used in these two approaches comprised the application
of real variable amplitude load sequences to a 2024-T351 aluminum specimen that is
representative of this critical location. Results from these tests and simulations showed
that NASGRO model is the one that comes closest to experimental data with maximum
deviations of approximately 8% at the final failure.
The recording of a large amount of load factor data in the Epsilon TB-30 fleet allied to
the recent developments in data science allowed the application of machine learning
algorithms, namely artificial neural networks, to the study of fatigue of materials. So, as
the second part of this study, the application of these algorithms focused on aircraft
mission classification, crack growth prediction and fracture surface classification
through Multi-Layer Perceptron and Convolutional Neural Network, resulting in
accuracy, F1 score and R2 values of approximately 90%.
Results from the first part of this study can be used by the Portuguese Air Force
engineers to adjust the aircraft maintenance program according to the actual operation
regime and consider a possible life extension of this fleet. The second part of this study
provided alternative and complementary methods to classify missions according to the
severity related with fatigue and predict the propagation of fatigue cracks, considering
the actual operation regime and the presence of eventual damages. Additionally, it
comprises a tool to support Portuguese Air Force engineers in conducting failure
investigations through the evaluation of fracture surfaces of broken components.
As aeronaves militares encontram-se frequentemente sujeitas a condições operacionais severas devido à execução de manobras exigentes que envolvem variações amplas de fator de carga, potenciando o crescimento de fissuras de fadiga que devem ser devidamente monitoradas para evitar falhas inesperadas. Com o objetivo de monitorizar a operação da frota Epsilon TB-30 da Força Aérea Portuguesa que realiza a missão de instrução básica e elementar de pilotagem, foram instalados dois sistemas que permitem obter dados de fator de carga no centro de gravidade da aeronave e dados de extensão em dois dos componentes críticos da mesma, o quadro C2 e a longarina principal. Em primeiro lugar, este estudo teve como objetivo avaliar o crescimento de fissuras de fadiga no quadro C2, um dos componentes críticos da aeronave, através de ensaios experimentais e simulações numéricas. A metodologia utilizada nestas duas abordagens compreendeu a aplicação de sequências reais de carga de amplitude variável num provete de alumínio 2024-T351, representativo desta localização crítica. Os resultados indicaram que o modelo de propagação de NASGRO é o que mais se aproxima dos dados experimentais, com desvios máximos de aproximadamente 8% no ponto de fratura. A gravação de uma grande quantidade de dados de fator de carga na frota Epsilon TB-30 aliada aos recentes desenvolvimentos na ciência de dados permitiu a aplicação de algoritmos de Machine Learning, nomeadamente redes neurais, ao estudo da fadiga de materiais. Assim, na segunda parte deste estudo, a aplicação desses algoritmos focou-se na classificação de missões, na previsão de crescimento de fissuras e na classificação de superfícies de fratura através de Multi-Layer Perceptron e Convolutional Neural Network, resultando em valores de accuracy, F1 score e R2 de aproximadamente 90%. Os resultados da primeira parte deste estudo podem ser utilizados pelos engenheiros da Força Aérea Portuguesa para ajustar o programa de manutenção de acordo com o regime de operação real e considerar uma possível extensão da vida útil desta frota. A segunda parte fornece métodos alternativos e complementares para classificar as missões de acordo com a severidade associada à fadiga e prever a propagação de fissuras de fadiga, considerando o regime real de operação e a presença de eventuais danos. Adicionalmente, compreende uma ferramenta de apoio aos engenheiros da Força Aérea Portuguesa na condução de investigações através da avaliação de superfícies de fratura de componentes que falharam em serviço.
As aeronaves militares encontram-se frequentemente sujeitas a condições operacionais severas devido à execução de manobras exigentes que envolvem variações amplas de fator de carga, potenciando o crescimento de fissuras de fadiga que devem ser devidamente monitoradas para evitar falhas inesperadas. Com o objetivo de monitorizar a operação da frota Epsilon TB-30 da Força Aérea Portuguesa que realiza a missão de instrução básica e elementar de pilotagem, foram instalados dois sistemas que permitem obter dados de fator de carga no centro de gravidade da aeronave e dados de extensão em dois dos componentes críticos da mesma, o quadro C2 e a longarina principal. Em primeiro lugar, este estudo teve como objetivo avaliar o crescimento de fissuras de fadiga no quadro C2, um dos componentes críticos da aeronave, através de ensaios experimentais e simulações numéricas. A metodologia utilizada nestas duas abordagens compreendeu a aplicação de sequências reais de carga de amplitude variável num provete de alumínio 2024-T351, representativo desta localização crítica. Os resultados indicaram que o modelo de propagação de NASGRO é o que mais se aproxima dos dados experimentais, com desvios máximos de aproximadamente 8% no ponto de fratura. A gravação de uma grande quantidade de dados de fator de carga na frota Epsilon TB-30 aliada aos recentes desenvolvimentos na ciência de dados permitiu a aplicação de algoritmos de Machine Learning, nomeadamente redes neurais, ao estudo da fadiga de materiais. Assim, na segunda parte deste estudo, a aplicação desses algoritmos focou-se na classificação de missões, na previsão de crescimento de fissuras e na classificação de superfícies de fratura através de Multi-Layer Perceptron e Convolutional Neural Network, resultando em valores de accuracy, F1 score e R2 de aproximadamente 90%. Os resultados da primeira parte deste estudo podem ser utilizados pelos engenheiros da Força Aérea Portuguesa para ajustar o programa de manutenção de acordo com o regime de operação real e considerar uma possível extensão da vida útil desta frota. A segunda parte fornece métodos alternativos e complementares para classificar as missões de acordo com a severidade associada à fadiga e prever a propagação de fissuras de fadiga, considerando o regime real de operação e a presença de eventuais danos. Adicionalmente, compreende uma ferramenta de apoio aos engenheiros da Força Aérea Portuguesa na condução de investigações através da avaliação de superfícies de fratura de componentes que falharam em serviço.
Description
Keywords
Fadiga de materiais Propagação de fissuras Redes neuronais Amplitude variável Superfícies de fratura Aeronave Epsilon TB-30 Fatigue of materials Crack propagation Artificial neural networks