Acoustic Emission Feasibility Study for Carbon Epoxy Coated Aluminum Corrosion Monitoring

Baltzis, D.; Evaggelou, O.; Lekatou, A.; Paipetis, Alkiviadis S.

doi:10.15344/2455-2372/2018/143

Cited by 3 publications

(2 citation statements)

References 38 publications

Supporting

Mentioning

Contrasting

Order By: Relevance

“…AE features are unique and generated from the stress waves captured during energy release. The feasibility of AE for use in monitoring the corrosion events of carbon–epoxy-coated aluminum was studied by D. Baltzis et al [ 12 ]. According to their work, AE sensors detected the energy released by hydrogen bubble production during cathodic polarization and the deposition of thick soluble films during the final stage of anodic polarization.…”

Section: Introductionmentioning

confidence: 99%

Failure Severity Prediction for Protective-Coating Disbondment via the Classification of Acoustic Emission Signals

Rahman

May

Jaffari

et al. 2023

Sensors

View full text Add to dashboard Cite

Structural health monitoring is a popular inspection method that utilizes acoustic emission (AE) signals for fault detection in engineering infrastructures. Diagnosis based on the propagation of AE signals along any surface material offers an attractive solution for fault identification. However, the classification of AE signals originating from failure events, especially coating failure (coating disbondment), is a challenging task given the AE signature of each material. Thus, different experimental settings and analyses of AE signals are required to classify the various types of coating failures, and they are time-consuming and expensive. Hence, to address these issues, we utilized machine learning (ML) classification models in this work to evaluate epoxy-based-protective-coating disbondment based on the AE principle. A coating disbondment experiment consisting of coated carbon steel test panels for the collection of AE signals was implemented. The obtained AE signals were then processed to construct the final dataset to train various state-of-the-art ML classification models to divide the failure severity of coating disbondment into three classes. Consequently, methods for the extraction of useful features, the handling of data imbalance, and a reduction in the bias of ML models were also effectively utilized in this study. Evaluations of state-of-the-art ML classification models on the AE signal dataset in terms of standard metrics revealed that the decision forest classification model outperformed the other state-of-the-art models, with accuracy, precision, recall, and F1 score values of 99.48%, 98.76%, 97.58%, and 98.17%, respectively. These results demonstrate the effectiveness of utilizing ML classification models for the failure severity prediction of protective-coating defects via AE signals.

show abstract

Section: Introductionmentioning

confidence: 99%

Failure Severity Prediction for Protective-Coating Disbondment via the Classification of Acoustic Emission Signals

Rahman

May

Jaffari

et al. 2023

Sensors

View full text Add to dashboard Cite

show abstract

“…Part of the results in the following chapter have been published in [94,298] 7.1. Scope of this study.…”

Section: Corrosion Protection Studiesmentioning

confidence: 99%

Durability of multi-scale reinforced epoxy composites

Baltzis¹,

Μπαλτζής²

View full text Add to dashboard Cite

Η παρούσα διδακτορική διατριβή ασχολήθηκε με την μελέτη της επίδρασης της κλίμακας μεγέθους ανθρακικών πρόσθετων, στις τελικές ιδιότητες σύνθετων υλικών με εποξική μητρική φάση. Μέσω προκαταρκτικών μελετών επιλέχθηκαν οι νανοσωλήνες πολλαπλού τοιχώματος και ο άμορφος άνθρακας ως ενισχυτικά πρόσθετα, τα οποία είτε μεμονωμένα είτε συνδυαστικά εφαρμόστηκαν σε αναμείξεις υψηλών διατμητικών δυνάμεων. Πραγματοποιήθηκαν μετρήσεις για μελέτη της επίδρασης της μεθοδολογίας τροποποίησης (μίας ή πολλαπλής κλίμακας), σε εύρος ιδιοτήτων συναρτήσει πρωτόκολλων υδροθερμικής καταπόνησης. Επιλέχθηκε να μελετηθεί ένα εύρος μηχανικών, θερμομηχανικών, ηλεκτρικών και φυσικών ιδιοτήτων ώστε να μελετηθούν τα όρια και οι περιορισμοί της εκάστοτε μεθοδολογίας τροποποίησης τόσο σε επίπεδο ενίσχυσης εποξικού συνθέτου, αλλά και σε επίπεδο μητρικής φάσης σύνθετων υλικών με ινώδη ενισχυτική φάση.Στην πλειοψηφία των αποτελεσμάτων, η τροποποίηση πολλαπλής κλίμακας, οδήγησε σε σημαντικές βελτιώσεις ιδιοτήτων, ενώ αποδείχτηκε ικανότερη στην μείωση φαινομένων υδροθερμικής καταπόνησης. Χαρακτηριστικά, στην περίπτωση της αντοχής σε διάτμηση τύπου-ΙΙ σε επίπεδο σύνθετου με τροποποιημένη εποξική μήτρα σε πολλαπλή κλίμακα, η αθροιστική αύξηση άγγιξε το 120%, η οποία ήταν και η υψηλότερη βελτίωση στη σχετική βιβλιογραφία κατά την περίοδο των μετρήσεων. Η σημαντικές βελτιώσεις ιδιοτήτων, αποδόθηκαν στην δημιουργία τρισδιάστατου δικτύου σωματιδίων με συνεργιστικά φαινόμενα μεταξύ των διαφορετικών νάνο- και μίκρο- κλίμακας πρόσθετων. Το υβριδικό δίκτυο σωματιδίων το οποίο αποτελείτο από μεμονωμένους νανοσωλήνες, συσσωματώματα νανοσωλήνων μίκρο- και νάνο- διαστάσεων, μικρό-ίνες άνθρακα και άμορφο γραφίτη, εμφανίστηκε πιο αποτελεσματικό συγκρινόμενο με τα μίας κλίμακας αντίστοιχα δίκτυα, στην ενίσχυση ιδιοτήτων όπως δυναμικό ιξώδες, δυσθραυστότητα τύπου-Ι και -ΙΙ.Σε παράλληλη μελέτη, εφαρμόστηκε η τεχνική Ακουστικής Εκπομπής σε μετρήσεις ηλεκτροχημείας υποστρωμάτων αλουμινίου επικαλυμμένα με εποξικές επικαλύψεις τροποποιημένες σε μία και πολλαπλή κλίμακας μεγέθους, με στόχο τη μελέτη δυνατοτήτων της τεχνικής σαν εργαλείο ελέγχου διάβρωσης. Η τεχνική ακουστικής εμφάνισε ικανότητες σαν εργαλείο ελέγχου καθώς χαρακτηριστικοί δείκτες των σημάτων εμφάνισαν συσχέτιση με χαρακτηριστικές περιοχές και φαινόμενα διάβρωσης.

show abstract

PCA analysis on acoustic emission features of coated carbon steel substrate

2021

2021 IEEE Asia-Pacific Conference on Applied Electromagnetics (APACE)

View full text Add to dashboard Cite

Acoustic Emission Feasibility Study for Carbon Epoxy Coated Aluminum Corrosion Monitoring

Cited by 3 publications

References 38 publications

Failure Severity Prediction for Protective-Coating Disbondment via the Classification of Acoustic Emission Signals

Failure Severity Prediction for Protective-Coating Disbondment via the Classification of Acoustic Emission Signals

Durability of multi-scale reinforced epoxy composites

PCA analysis on acoustic emission features of coated carbon steel substrate

Contact Info

Product

Resources

About