Inverse karakterisering van de orthotrope en visco-elastische materiaaleigenschappen van lichtgewicht platen met behulp van 3D snelheidsdata van geleide golfvoortplanting

Met de komst van de 21e eeuw begint de klimaatveranderingsproblematiek een cruciale rol te spelen in de beslissingen van consumenten en in de doelstellingen van bedrijven. Om de uitstoot van koolstofdioxide te verminderen en de duurzaamheid te vergroten, zijn bedrijven meer gaan investeren in de ontwikkeling en toepassing van geavanceerde materialen. Tegenwoordig bieden lichtgewicht materialen zoals met vezels versterkte polymeerlaminaten en houten panelen een alternatief voor metalen structuren in verschillende industriële toepassingen, gaande van de automobielsector tot de bouwsector. Deze materialen leveren niet alleen kwaliteitsvolle structurele prestaties, maar bieden ook ontwerpflexibiliteit die de toekomstige doelstellingen van een bedrijf kan helpen verwezenlijken. Het is echter belangrijk om rekening te houden met het principe dat "alles een prijs heeft". Anderzijds zorgen de inherente anisotropie en heterogeniteit van meerlagige materialen tot een complex mechanisch gedrag, terwijl de lage massa van bepaalde nieuwe technische materialen veelal aanleiding geeft tot slechte akoestische isolatie. Bovendien leidt de combinatie van vezels met epoxy, of hout met lijm, tot aanzienlijk visco-elastisch materiaalgedrag, wat het ontwerpen en modelleren van constructies met de juiste structurele en akoestische eigenschappen bemoeilijkt.

Het hier gepresenteerde doctoraatsonderzoek beoogde de ontwikkeling van een nieuwe niet-destructieve methode die kan worden gebruikt voor de inversie van anisotrope mechanische parameters van visco-elastische meerlaagse lichtgewicht panelen. Om dit doel te bereiken werden eerst de beperkingen en uitdagingen van traditionele karakteriseringsmethoden bekeken. Met deze kennis in het achterhoofd werd een geavanceerde en nieuwe inversiemethode gebaseerd op 3D data van Lamb-golven geïntroduceerd. Hoewel het gebruik van Lamb-golven voor de karakterisering van visco-elastische materiaaleigenschappen al bijna drie decennia lang wordt voorgesteld en bestudeerd, werd een meting van het volledige 3D snelheidsveld van de golfvoortplanting, dat essentieel wordt geacht voor de identificatie van het anisotrope gedrag van materialen, in het verleden belemmerd door beperkingen van de experimentele hardware. Dankzij recente technologische vooruitgang die heeft geleid tot de introductie van 3D scanning laser Doppler vibrometers (SLDV), kan nu informatie van hoge resolutie en hoge kwaliteit worden verkregen over zowel de in- als uit-het-vlak snelheidscomponenten van de gemeten oppervlakken. In dit werk wordt aangetoond dat deze informatie over de volledige golfveldpropagatie, verkregen uit SLDV-metingen, van fundamenteel belang is om nauwkeurigere en robuustere waarden voor de visco-elastische stijfheidsparameters te berekenen.

Na de introductie van het probleem en de state-of-the-art van het beschouwde onderzoeksdomein, werden verschillende geavanceerde numerieke modellen en globale optimalisatiemethoden geïntroduceerd en beoordeeld met het oog op de ontwikkeling van een nauwkeurigere en robuustere inversiemethode om de beperkingen van de traditionele methoden te kenteren. Vervolgens werd een nieuw inversiealgoritme in twee fasen voorgesteld, gebruik makend van informatie over het dispersiegedrag onder verschillende hoeken. De inversiemethode werd verder geverifieerd aan de hand van verschillende numerieke studies en experimenten. Er werden experimenten uitgevoerd op verschillende lichtgewicht materialen, waaronder aluminium, PMMA, met koolstof en glasvezel versterkt polymeer, porseleinaardewerk, en platen van houtvezelplaat met gemiddelde en hoge dichtheid. De orthotrope stijfheidstensor van deze visco-elastische materialen werd met hoge nauwkeurigheid verkregen en gevalideerd met literatuurresultaten.

Om de voorgestelde karakteriseringstechniek uit te breiden voor quasi-reële toepassing, werden in het laatste deel van dit proefschrift machine-learning algoritmen onderzocht. De nauwkeurigheid van de geïnverteerde stijfheidsparameters werd geanalyseerd en geëvalueerd voor verschillende materiaalsymmetriegroepen, en ook het effect van ruis op de machine-learning algoritmen werd bestudeerd. De resultaten bevestigen dat de ontwikkelde op machine-learning gebaseerde inversiemethode het potentieel heeft om materialen in quasi-reële tijd te karakteriseren, wat een overtuigend voordeel is voor industriële toepassingen.