Application of Machine Learning Algorithms to the Study of Fatigue of Materials on Aerospace Structures: The case study of the Portuguese Air Force Epsilon TB-30 aircraft

Barros, Tomás de Oliveira

Publication

Application of Machine Learning Algorithms to the Study of Fatigue of Materials on Aerospace Structures: The case study of the Portuguese Air Force Epsilon TB-30 aircraft

2024-05-15Doctoral thesis

datacite.subject.fos	Engenharia e Tecnologia::Engenharia Aeronáutica	pt_PT
dc.contributor.advisor	Gamboa, Pedro Vieira
dc.contributor.advisor	Infante, Virgínia Isabel Monteiro Nabais
dc.contributor.advisor	Alexandre, Luís Filipe Barbosa de Almeida
dc.contributor.author	Barros, Tomás de Oliveira
dc.date.accessioned	2024-07-04T16:20:41Z
dc.date.available	2024-07-04T16:20:41Z
dc.date.issued	2024-05-15
dc.description.abstract	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.	pt_PT
dc.description.abstract	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.	pt_PT
dc.identifier.tid	101753136	pt_PT
dc.identifier.uri	http://hdl.handle.net/10400.6/14444
dc.language.iso	eng	pt_PT
dc.rights.uri	http://creativecommons.org/licenses/by-nc-sa/4.0/	pt_PT
dc.subject	Fadiga de materiais	pt_PT
dc.subject	Propagação de fissuras	pt_PT
dc.subject	Redes neuronais	pt_PT
dc.subject	Amplitude variável	pt_PT
dc.subject	Superfícies de fratura	pt_PT
dc.subject	Aeronave Epsilon TB-30	pt_PT
dc.subject	Fatigue of materials	pt_PT
dc.subject	Crack propagation	pt_PT
dc.subject	Artificial neural networks	pt_PT
dc.title	Application of Machine Learning Algorithms to the Study of Fatigue of Materials on Aerospace Structures: The case study of the Portuguese Air Force Epsilon TB-30 aircraft	pt_PT
dc.type	doctoral thesis
dspace.entity.type	Publication
person.familyName	Barros
person.givenName	Tomás
person.identifier.orcid	0000-0002-5594-344X
rcaap.embargofct	Por conter dados confidenciais sobre os equipamentos, materiais e acontecimentos relacionados com a operação dos sistemas de armas da Força Aérea Portuguesa e utilizados no âmbito do trabalho desenvolvido.	pt_PT
rcaap.rights	closedAccess	pt_PT
rcaap.type	doctoralThesis	pt_PT
relation.isAuthorOfPublication	7e784e40-498e-47f2-8d84-356440dfdb34
relation.isAuthorOfPublication.latestForDiscovery	7e784e40-498e-47f2-8d84-356440dfdb34
thesis.degree.name	Doutoramento em Engenharia Aeronáutica	pt_PT