Damage Clasification In Composite Materials Using

Neural Networks
Carlos E. Tais Juan M. Fontana Leonardo Molisani
Grupo de Acústica y Vibraciones Grupo de Acústica y Vibraciones Grupo de Acústica y Vibraciones
(GAV), Universidad Nacional de Río (GAV), Universidad Nacional de Río (GAV), Universidad Nacional de Río
Cuarto Cuarto Cuarto
GeCAM, UTN Facultad Regional Villa Consejo Nacional de Investigaciones Consejo Nacional de Investigaciones
María Científicas y Técnicas (CONICET) Científicas y Técnicas (CONICET)
Villa María, Argentina Río Cuarto, Argentina Río Cuarto, Argentina
carlos.e.tais@gmail.com juanmfontana@gmail.com leonardo.molisani@gmail.com

Ronald O’Brien Yolanda Ballesteros Juan C. del Real Romero

Grupo de Acústica y Vibraciones Universidad Pontificia Comillas de Universidad Pontificia Comillas de
(GAV), Universidad Nacional de Río Madrid Madrid
Cuarto Madrid, España Madrid, España
Río Cuarto, Argentina yballesteros@iit.comillas.edu delreal@iit.comillas.edu
robrien@ing.unrc.edu.ar
2024 IEEE Biennial Congress of Argentina (ARGENCON) | 979-8-3503-6593-1/24/$31.00 ©2024 IEEE | DOI: 10.1109/ARGENCON62399.2024.10735804

Abstract— Composite materials are widely employed in Artificiales (ANN), las cuales son capaces de reconocer
critical industrial applications, where their use has surged due diferentes patrones de daño [6]. Algunas aplicaciones de estas
to their numerous advantages over traditional materials. técnicas se presentan en el monitoreo de turbinas eólicas,
However, these benefits can be compromised if adequate quality rodamientos, cajas de transmisión y motores eléctricos [7],
control techniques are not implemented, particularly for [8], [9].
detecting structural damage. Acoustic emission is a non-
destructive technique commonly used for damage detection. By En este trabajo se presenta un modelo de red neuronal
leveraging artificial intelligence tools to efficiently process capaz de reconocer diferentes condiciones de daño en vigas de
emitted signals, the detection and classification process can be polímeros reforzada con fibra de vidrio (GFRP) a las cuales se
automated. This study utilizes sound pressure levels to diagnose le generó artificialmente diferente nivel de daño. La respuesta
failures in fiberglass-reinforced (GFRP) epoxy composite al impulso se transmite como una señal acústica que se registra
beams. A pattern recognition system based on Artificial Neural a través de un micrófono. Luego, se entrena una ANN con
Network (ANN) algorithms is employed for diagnosis. To ensure estas señales previamente procesadas. El preprocesamiento de
data variability, the classifier was trained and validated using la señal implica la eliminación de ruido mediante la técnica de
preprocessed acoustic signals from multiple healthy and Descomposición en Valores Singulares, (SVD, por sus siglas
damaged beams in various locations. Testing was conducted en ingles) y la compresión de datos utilizando el Análisis de
using test results from specimens not used for training and
Componentes Principales (PCA, por sus siglas en ingles).
validation, ensuring the ANN's robustness. The results
demonstrate a high fault detection percentage, confirming the Entre las ventajas del método empleado se destaca que no
reliability of the ANN. se agrega masa a las probetas a ensayar, por lo que se puede
utilizar en materiales ligeros, como es el caso del material
Keywords—Damage detection, Sound Pressure Level, compuesto empleado en este trabajo.
Neural Networks.
II. MATERIALES Y MÉTODOS
I. INTRODUCCION
Se emplearon probetas de GFRP típica, de 175 mm de
Un material compuesto aprovecha las propiedades físicas largo, 25.4 mm de ancho y 4 mm de espesor. Para generar
y mecánicas que resulta de la combinación a nivel diferentes niveles de daño, a la probeta sana se le efectuaron
macroscópico de dos o más de ellos. Presentan ventajas en sucesivamente mediante una sierra, 6 ranuras en el centro de
cuanto a una menor densidad y mayor resistencia y rigidez la probeta a diferentes profundidades (0.25, 0.5, 0.75, 1, 1.5 y
frente a los tradicionales, entre otras características. Su uso se 2 mm). Estos cortes se efectuaron transversalmente a la
ha hecho cada vez más frecuente en la industria aeronáutica, longitud de la probeta. Con esta misma disposición se
automotriz, naval, deportiva, etc. [1], [2]. construyó una segunda probeta con el objetivo de incluir la
Su desarrollo y aplicabilidad debe ir acompañado de variabilidad inherente al proceso de fabricación y considerar
técnicas de Ensayos No Destructivos (END) para asegurar su la misma en los datos empleados para el entrenamiento y
confiablidad [3], [4], [5]. Uno de los más utilizados consiste validación de la red.
en capturar la señal acústica que emite una estructura al ser Para testear la ANN, con el objetivo de asegurar la
excitada. Las variaciones exhibidas por la respuesta al impulso independencia de los datos y analizar la robustez de la red, se
emitida pueden interpretarse como alteraciones de las empleó una tercer probeta a la cual se le configuró alguna de
propiedades dinámicas originales y asociarla a cierto nivel de las condiciones de daño especificadas anteriormente. De esta
daño presente en la estructura. Estas variaciones pueden ser forma aseguramos que para la etapa de entrenamiento se
clasificadas automáticamente mediante algoritmos de cuenta con datos de dos probetas distintas y para el test datos
inteligencia artificial, en particular Redes Neuronales que no fueron utilizados en las etapas anteriores.

979-8-3503-6593-1/24/$31.00 ©2024 IEEE

Authorized licensed use limited to: UNIVERSITE DE BRETAGNE SUD. Downloaded on March 20,2025 at 10:26:17 UTC from IEEE Xplore. Restrictions apply.
 Para agregar mayor variabilidad a los datos de
entrenamiento, se emplearon probetas con disposiciones de
corte desplazadas del centro de la probeta (dos probetas con
fallos simulados a 23 mm del centro y dos a 46 mm). Así, las
mismas configuraciones de daño para las probetas y la misma
cantidad de ensayos se repitieron para cada una. En la Figura
1 se resumen las distintas profundidades y posiciones de corte.

(a)

Fig. 1. Disposición de los cortes y profundidades en la probeta

Las mediciones de la señal acústica se realizaron

disponiendo las probetas sobre un banco soporte universal y
empleando un micrófono FOG-800 del fabricante GTC. Este
es un micrófono omnidireccional orientable, de alta
sensibilidad. Las especificaciones técnicas del micrófono son
las siguientes: sensibilidad 58 dB [mV/Pa] ± 3 dB, impedancia
de salida 2,2 Ω, voltaje de alimentación 4.5 mV, frecuencia de
respuesta: 100 Hz – 16000 Hz. Para su calibración se utilizó (b)
el método de intercomparación; en la que se compararon los Fig. 2. Equipamiento y disposición de la probeta (a) Banco de ensayo
resultados obtenidos de la misma probeta utilizando otros dos universal con la probeta y micrófono (b) Dimensiones de la probeta y
micrófonos realizando 20 medidas con cada uno de ellos, ubicación de puntos de impacto y de registro de la señal.
obteniendo un error inferior al 1º/00.
Teniendo en cuenta las dos probetas utilizadas para cada
Se empleó una PC de escritorio estándar para recolectar la disposición de corte, se obtuvieron 560 muestras para cada
señal acústica a través de una placa de sonido. Como se profundidad de daño, las cuales se utilizaron para el
muestra en la Figura 2, la probeta por ensayar se dispuso en entrenamiento y validación de la red neuronal. Esta cantidad
un banco de ensayo universal sobre cuerdas de nylon en resulta adecuada a los fines de su clasificación ya que
condición de simplemente apoyada de manera de representar contienen suficiente variabilidad.
condiciones de vibración libre-libre. El ensayo consistió en
aplicar un impulso en un extremo de la probeta y con el
micrófono ubicado en el otro extremo se registra el sonido
emitido durante la vibración de la muestra. La frecuencia de
muestreo utilizada fue de 32 kHz y la duración del ensayo 0,5
segundos, tiempo suficiente para captar la atenuación de la
señal y una apropiada precisión al calcular la transformada de
Fourier. En la Figura 3 se muestra el resultado de un ensayo
Amplitud [Volt]

en términos de la señal eléctrica, la cual se convierte en señal

acústica y luego se calcula el Nivel de Presión Sonora (NPS),
, efectuando la transformada de Fourier de la señal
temporal:

10 log (1)

donde es la raíz cuadrada media de la transformada de

Fourier de la señal acústica y es la presión de referencia
( 20 Pa ). Cada señal NPS contiene 8000 puntos para
representar el espectro de frecuencias en el rango de 0 a 16000
Hz. Posteriormente se normaliza el resultado de cada ensayo Fig. 3. Señal acústica del ensayo sobre una probeta sana obtenida mediante
respecto al mayor valor de medido sobre la viga sana. un micrófono

$&% '
!#" (2)
III. PREPROCESAMIENTO DE LOS DATOS
() $% '
La señal de NPS obtenida de los ensayos contiene
Para cada condición de la probeta (sana y 6 profundidades inevitablemente una cierta cantidad de ruido no deseado
de corte) y para cada ubicación del daño, se efectuaron 40 originado en diversas fuentes y factores propios del ensayo y
ensayos obteniendo un total de 280 muestras de señales que se considera información no relevante, por lo que es
acústicas como la que se presenta en la Figura 3 necesario su eliminación para mejorar la calidad de los datos
[10]. Aún filtrada, contiene una alta dimensionalidad por lo
que es necesario efectuar una compresión de datos para
adecuarla como información útil de entrada a la red neuronal.

Authorized licensed use limited to: UNIVERSITE DE BRETAGNE SUD. Downloaded on March 20,2025 at 10:26:17 UTC from IEEE Xplore. Restrictions apply.
A. Filtrado de la señal mediante Descomposición en
Valores Singulares
Para eliminar o atenuar el ruido de la señal se utilizó la
técnica de Descomposición en Valores Singulares (SVD)
propuesta por [11]. Ésta consiste en eliminar el contenido de

Varianza explicada [%]

información no correlacionada manteniendo las
características relevantes de la señal. Esto se logra
seleccionando adecuadamente los valores singulares de la
matriz de Hankel construida a partir de la señal NPS, y
descartando aquellos ubicados por debajo de cierto valor
umbral. Así, la señal filtrada puede ser reconstruida
empleando solamente los valores singulares significativos,
mientras los restantes se consideran asociados al contenido de
ruido. En nuestro trabajo se utilizaron 30 valores singulares
para el filtrado de la NPS. La Figura 4 muestra la versión
original y filtrada para un ensayo en particular siendo notoria
la diferencia entre ellas, lo que demuestra la capacidad del
método SVD para reducir el contenido de ruido y preservar la Fig. 5. Porcentaje de la varianza de los datos originales explicado por cada
información de amplitud y frecuencias. componente principal..

Mediante SVD y PCA, se logra un filtrado y una

compresión de datos que son utilizados para entrenar y testear
la red neuronal de clasificación.
IV. PROCESAMIENTO DE LOS DATOS PARA CLASIFICACIÓN
La ANN se entrena con un conjunto de datos que contiene
muestras tanto de las probetas sanas como de aquellas que
contienen daño. Mediante este proceso se ajustan parámetros
que permiten identificar correctamente muestras similares.
Esta herramienta es una de las técnicas de aprendizaje de
máquinas más utilizada para resolver problemas que
involucran identificación y clasificación [14], [15], [16].
A. Organización de los datos
A los fines de lograr un modelo más robusto que permita
la clasificación de los diferentes niveles de daño, los datos se
agruparon en tres categorías como se indica en la Tabla I: una
categoría correspondiente a datos de probetas sanas,
Fig. 4. Aplicación de la técnica de filtrado SVD sobre la señal de NPS. identificadas como clase 1 y dos categorías correspondientes
a datos con daño tipo 1 y daño tipo 2 identificadas como clase
B. Compresión de datos mediante Análisis de Componentes 2 y clase 3 respectivamente. Se construye así un modelo de
Principales clasificación multiclase con tres clases a identificar.
Debido a la alta dimensionalidad de los datos provenientes
TABLA I. ORGANIZACIÓN Y CODIFICACIÓN DE LAS PROBETAS DE
de SVD, se requiere reducir la misma antes de procesarla con ENTRENAMIENTO Y VALIDACIÓN.
la ANN. Esto se realiza mediante la técnica de Análisis de
Componentes Principales (PCA) [12]. En este procedimiento, Profundidad Cantidad de
Clase de Daño
el conjunto original de datos N dimensional se transforma en del corte [mm] muestras
un nuevo conjunto de datos no correlacionados denominado 0 40 Sano (Clase 1)
componentes principales, cuya dimensión P es menor que N. 0.25, 0.5 y 0.75 120 Daño Tipo 1 (Clase 2)
Esto se logra proyectando los mismos sobre la base de un
nuevo espacio vectorial formado por los autovectores de la 1.0, 1.5 y 2 120 Daño Tipo 2 (Clase 3)
matriz de correlación construída a partir del conjunto de datos
Este mismo diseño de agrupamiento se repitió para las
de los experimentos. Los autovalores asociados a los
probetas con daño ubicado a 23 mm y 46 mm del centro. De
autovectores constituyen las componentes principales y
esta manera se entrenaron tres modelos de red neuronal, uno
representan la cantidad y dirección de máxima variación en
para cada posición de daño, para discriminar el tipo de daño
los datos originales. Si se ordenan en forma decreciente, las
de cada muestra.
primeras componentes principales son las más significativas y
representan las características que predominan en las Para la etapa de testeo se emplearon 5 probetas diferentes,
funciones de NPS. Una selección adecuada del número de construidas con cortes que reproducen los defectos de las
componentes principales a utilizar se consigue observando la probetas empleadas anteriormente. Los datos obtenidos de
Figura 5. De ésta puede deducirse que con las primeras 9 estas probetas no formaron parte de la etapa de entrenamiento
componentes principales (P=9) se explica el 97.5% de la y validación de los modelos de clasificación por lo que al ser
varianza de los datos originales. Una explicación detallada de usadas como muestras de testeo pueden ser consideradas
PCA puede encontrarse en [13].

Authorized licensed use limited to: UNIVERSITE DE BRETAGNE SUD. Downloaded on March 20,2025 at 10:26:17 UTC from IEEE Xplore. Restrictions apply.
como un indicador de la robustez del modelo. Se detalla la accuracy), entendiéndose como tal la relación entre las
distribución de las muestras de testeo en la Tabla II. muestras correctamente identificadas y el número total de
muestras en el conjunto de test. El modelo de ANN descrito
TABLA II. ORGANIZACIÓN DE LAS PROBETAS DE TESTEO fue implementado mediante el uso de las librerías y
Desplazamiento Profundidad herramientas disponibles en el software MATLAB®.
Identificación Clase de
del corte respecto del corte
de la Probeta Defecto V. RESULTADOS Y DISCUSIÓN
del centro [mm]
T1 0 0 Sano El daño presente en las probetas mecanizadas implica un
T2 0 2 Daño Tipo 1 cambio en su rigidez. Esto hace que existan diferencias en sus
propiedades dinámicas respecto de la probeta sana. En
T3 23 1 Daño Tipo 1
particular, en las probetas dañadas se encuentran desplazados
T4 46 1 Daño Tipo 2 los valores de frecuencia que corresponden a la máxima
T5 46 3 Daño Tipo 2 amplitud (frecuencias naturales). Puede observarse en la
Figura 7 que existe un desplazamiento más notable hacia la
B. Características De La Red Neuronal Utilizada izquierda en la tercera, quinta y séptima frecuencia natural.
Un modelo de clasificación con ANN es un algoritmo de Estas modificaciones en las frecuencias son identificadas por
aprendizaje automático que emplea una estructura de capas la ANN para clasificar correctamente el nivel de daño.
para asignar etiquetas o categorías a datos de entrada basados El desempeño final de la red se evalúa en la etapa de testeo,
en ciertas características o patrones existentes en los datos. donde la red entrenada es utilizada para clasificar muestras
Entrenando la misma con una adecuada cantidad de datos, la provenientes de ensayos realizados a probetas que no fueron
red se hace más eficiente. utilizadas durante la etapa de entrenamiento-validación (Tabla
La arquitectura propuesta para esta red es de tipo II). En la Figura 8 se muestran los resultados del test para una
perceptron, consistente en 3 capas. Una capa de entrada con 9 probeta sana y una con un corte al centro de 2 mm de
neuronas correspondiente a cada una de las componentes profundidad. Se observa que la red ha clasificado
principales obtenidas por PCA, una capa oculta de 12 correctamente 28 de 30 ensayos presentados correspondiendo
neuronas completamente interconectadas entre ellas y una una exactitud del 93.3%.
capa de salida con 3 neuronas, cada una correspondiendo a la
clase a identificar. La red descripta se muestra en la Figura 6.
NPS [dB]

Fig. 6. Topología de la ANN implementada para clasificación de daño.

En la etapa de entrenamiento, los datos se organizan en

forma matricial correspondiendo cada fila de la matriz a los
datos de un ensayo al cual se le asignó una etiqueta para
Fig. 7. Cambios en las frecuencias de las vigas dañadas respecto de la sana.
identificar el tipo de daño. Esto permite a la red identificar
cada conjunto de datos con una de las categorías o clases. Las A su vez, puede evaluarse la sensibilidad (recall) y la
neuronas de entrada reciben y transmiten los datos a la capa precisión de la ANN para cada clase, determinadas por la fila
oculta intermedia utilizando una función de transferencia inferior y columna derecha de la matriz de confusión
sigmoidea. El algoritmo de backpropagation fue empleado en respectivamente. La precisión determina la fracción de
la red neuronal, el cual intenta disminuir el error empleando el muestras correctamente clasificadas como positivas sobre el
descenso por el gradiente del espacio de pesos hasta que la red total de muestras clasificadas positivas. Por otro lado, la
converge [17]. La respuesta de la red y las etiquetas sensibilidad indica qué porcentaje de casos positivos de cada
presentadas previamente se comparan para establecer la clase fueron clasificados como tal. Estas métricas
función de error. Para inicializar el proceso, se asignan los complementan la información de la calidad de la clasificación
pesos a cada neurona en forma aleatoria y el gradiente del efectuada por la red. Para la clase correspondiente a Daño
error se utiliza para corregirlos sucesivamente y actualizarlos Tipo 1 la precisión y la sensibilidad tuvieron un valor de
hasta que la red converge después de repetir este proceso 93.3% mientras que la clase Daño Tipo 2 fue discriminada con
luego de unas pocas iteraciones. Una vez obtenidos resultados precisión de 93.3% y sensibilidad de 100%. Esta performance
adecuados en la etapa de validación, se emplea este modelo resultante es comparable con valores satisfactorios obtenidos
para clasificar muestras provenientes de nuevos ensayos sobre en [18], [19], [20]
probetas y clasificarlos de acuerdo al tipo de daño. Esto
corresponde a la etapa de test. El parámetro utilizado para
evaluar el desempeño de la ANN fue el de exactitud (en inglés,

Authorized licensed use limited to: UNIVERSITE DE BRETAGNE SUD. Downloaded on March 20,2025 at 10:26:17 UTC from IEEE Xplore. Restrictions apply.
 Matriz de confusion

0 0 0 NaN%
Sano
0.0% 0.0% 0.0% NaN%

0 0 1 0.0%
Daño tipo 1
0.0% 0.0% 3.3% 100%
Predicción

Predicción
0 0 29 100%
Daño tipo 2
0.0% 0.0% 96.7% 0.0%

NaN% NaN% 96.7% 96.7%

NaN% NaN% 3.3% 3.3%
1

2
on

o
Sa

tip

tip

2
n

o
o

Sa

tip

tip
añ

añ
D

o
añ

añ
D

D
Real
Fig. 8. Matriz de confusión para clasificar el conjunto de datos de testeo
correspondiente a el daño ubicado en el centro de la probeta. Fig. 10. Matriz de confusión para clasificar el conjunto de datos de testeo
correspondiente al daño ubicado en a 46 mm del centro de la probeta.
Similares resultados se obtuvieron al testear la red con
ensayos correspondientes a una probeta con un daño mejorando aún respecto de los obtenidos en el caso del daño
desplazado a 23 mm del centro y con una profundidad de 1 centrado y desplazado 23 mm tanto en términos de la exactitud
mm, correspondiendo este caso a un daño tipo 2. Se observa como de la precisión y recall. Estos resultados se resumen en
en la Figura 9 la matriz de confusión de este caso. la Tabla III.

Matriz de confusion TABLA III. RESULTADOS DE LA ETAPA DE TEST

Probeta Exactitud Precisión Recall

0 0 0 NaN%
Sano T1 y T2 93.3% 93.3% 96.5%
0.0% 0.0% 0.0% NaN%
T3 93.3% 93.3% 100%
T4 y T5 96.7% 96.7% 100%
0 0 1 0.0%
Daño tipo 1
0.0% 0.0% 6.7% 100% CONCLUSIONES
Predicción

En este trabajo se demostró la capacidad de un modelo de

red neuronal de clasificar correctamente probetas de material
compuesto con diferente tipo de daño y ubicación, utilizando
0 0 14 100%
Daño tipo 2
0.0% 0.0% 93.3% 0.0% para su entrenamiento señales provenientes de ensayos
acústicos con equipamiento no invasivo y de bajo costo. El
daño fue generado artificialmente mediante cortes en el
material con distintas profundidades que simulan fallas de
NaN% NaN% 93.3% 93.3% distinta gravedad disponiéndose los mismos en el centro de la
NaN% NaN% 6.7% 6.7%
probeta y en dos posiciones desplazada del mismo. Las
señales utilizadas han sido previamente procesadas para
eliminar su ruido y comprimir los datos a los fines de
1

2
no

o
Sa

tip

tip

disminuir el costo computacional. Estos procesos se llevan

o

o
ñ

ñ
Da

Da

adelante con debida eficiencia computacional en

Real
computadoras de escritorio de características standard. Los
Fig. 9. Matriz de confusión para clasificar el conjunto de datos de testeo resultados obtenidos muestran un adecuado nivel de
correspondiente al daño ubicado a 23 mm del centro de la probeta. confiabilidad y permite proponer esta metodología para el
estudio de casos realísticos y/o de testeo en tiempo real. Dados
Finalmente, la red se empleó para clasificar los datos los prometedores resultados obtenidos se propone en un futuro
provenientes de ensayar dos probetas con el corte ubicado a ampliar la metodología actual para que la ANN provea
46 mm del centro y con profundidades de corte de 1 mm y 3 información acerca de la ubicación de la falla como así
mm. Cabe destacar que este último caso (profundidad de 3 también del nivel de daño. A su vez, se prevé ampliar el
mm) no tuvo su representación en el conjunto de datos número de probetas a ensayar a fin de obtener modelos de
utilizados para entrenamiento y validación. Ambos casos clasificación más robustos y con mayor capacidad de
corresponden a la clase Daño Tipo 2. Los resultados obtenidos generalización, lo que permitiría garantizar la confiabilidad y
se muestran en la matriz de confusión de la Figura 10, validez de los resultados del estudio.

Authorized licensed use limited to: UNIVERSITE DE BRETAGNE SUD. Downloaded on March 20,2025 at 10:26:17 UTC from IEEE Xplore. Restrictions apply.
 REFERENCIAS vol. 374, n.o 2065, p. 20150202, abr. 2016, doi:
10.1098/rsta.2015.0202.
[1] M. Gholami, A. R. M. Sam, J. M. Yatim, y M. M. Tahir, «A review on [13] N. Ponso, L. Molisani, A. Zapico, J. C. D. Real, y Y. Ballesteros,
steel/CFRP strengthening systems focusing environmental «Eliminación de ruido de señales acústicas usando Descomposición de
performance», Constr. Build. Mater., vol. 47, pp. 301-310, 2013. Valores Singulares y Análisis de Componentes Principales», Mecánica
[2] T. Sathishkumar, S. Satheeshkumar, y J. Naveen, «Glass fiber- Comput., vol. XXXI, pp. 4013-4027, 2012.
reinforced polymer composites – a review», J. Reinf. Plast. Compos., [14] A. H. Alavi, H. Hasni, N. Lajnef, K. Chatti, y F. Faridazar, «An
vol. 33, n.o 13, pp. 1258-1275, jul. 2014, doi: intelligent structural damage detection approach based on self-
10.1177/0731684414530790. powered wireless sensor data», Autom. Constr., vol. 62, pp. 24-44, feb.
[3] I. Amenabar, A. Mendikute, A. López-Arraiza, M. Lizaranzu, y J. 2016, doi: 10.1016/j.autcon.2015.10.001.
Aurrekoetxea, «Comparison and analysis of non-destructive testing [15] X. Fang, H. Luo, y J. Tang, «Structural damage detection using neural
techniques suitable for delamination inspection in wind turbine network with learning rate improvement», Comput. Struct., vol. 83, n.o
blades», Compos. Part B Eng., vol. 42, n.o 5, pp. 1298-1305, jul. 2011, 25-26, pp. 2150-2161, 2005.
doi: 10.1016/j.compositesb.2011.01.025. [16] S. S. Law, X. Y. Li, X. Q. Zhu, y S. L. Chan, «Structural damage
[4] C. Garnier, M.-L. Pastor, F. Eyma, y B. Lorrain, «The detection of detection from wavelet packet sensitivity», Eng. Struct., vol. 27, n.o 9,
aeronautical defects in situ on composite structures using Non pp. 1339-1348, 2005.
Destructive Testing», Compos. Struct., vol. 93, n.o 5, pp. 1328-1336, [17] R. Rojas, Neural Networks. Berlin, Heidelberg: Springer, 1996. doi:
2011. 10.1007/978-3-642-61068-4.
[5] J. Gryzagoridis y D. Findeis, «Impact damage detection on composites [18] J. P. Falk, J. E. Steck, y B. L. Smith, «A Nondestructive Testing
using optical NDT techniques», Insight-Non-Destr. Test. Cond. Technique for Composite Panels Using Tap Test Acoustic Signals and
Monit., vol. 52, n.o 5, pp. 248-251, 2010. Artificial Neural Networks», Int. J. Smart Eng. Syst. Des., vol. 5, n.o 4,
[6] M. I. Jordan y T. M. Mitchell, «Machine learning: Trends, pp. 491-506, oct. 2003, doi: 10.1080/10255810390445364.
perspectives, and prospects», Science, vol. 349, n.o 6245, pp. 255-260, [19] M. Farooq et al., «Damage detection and identification in smart
jul. 2015, doi: 10.1126/science.aaa8415. structures using SVM and ANN», en Smart Sensor Phenomena,
[7] P. Kane y A. Andhare, «Application of psychoacoustics for gear fault Technology, Networks, and Systems Integration 2012, SPIE, 2012, pp.
diagnosis using artificial neural network», J. Low Freq. Noise Vib. Act. 357-364. Accedido: 4 de junio de 2024. [En línea]. Disponible en:
Control, vol. 35, n.o 3, pp. 207-220, sep. 2016, doi: https://www.spiedigitallibrary.org/conference-proceedings-of-
10.1177/0263092316660915. spie/8346/83461O/Damage-detection-and-identification-in-smart-
[8] C. Niezrecki, P. Poozesh, K. Aizawa, y G. Heilmann, «Wind turbine structures-using-SVM-and/10.1117/12.915189.short
blade health monitoring using acoustic beamforming techniques», J. [20] B. A. Story y G. T. Fry, «A Structural Impairment Detection System
Acoust. Soc. Am., vol. 135, n.o 4_Supplement, pp. 2392-2393, 2014. Using Competitive Arrays of Artificial Neural Networks», Comput.-
[9] A. Glowacz, «Diagnostics of rotor damages of three-phase induction Aided Civ. Infrastruct. Eng., vol. 29, n.o 3, pp. 180-190, mar. 2014, doi:
motors using acoustic signals and SMOFS-20-EXPANDED», Arch. 10.1111/mice.12040.
Acoust., vol. 41, n.o 3, pp. 507-515, 2016.
[10] S. O. Fahey y A. L. Wicks, «Noise sources in Mechanical
Measurements», Exp. Tech., vol. 24, n.o 2, pp. 40-43, mar. 2000, doi:
10.1111/j.1747-1567.2000.tb02271.x.
[11] K. Y. Sanliturk y O. Cakar, «Noise elimination from measured
frequency response functions», Mech. Syst. Signal Process., vol. 19,
n.o 3, pp. 615-631, 2005.
[12] I. T. Jolliffe y J. Cadima, «Principal component analysis: a review and
recent developments», Philos. Trans. R. Soc. Math. Phys. Eng. Sci.,

Authorized licensed use limited to: UNIVERSITE DE BRETAGNE SUD. Downloaded on March 20,2025 at 10:26:17 UTC from IEEE Xplore. Restrictions apply.