MARC

 008250123s2024        us                              c    eng  d
■001000017164722
■00520250211153036
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798346752431
■035    ▼a(MiAaPQ)AAI31637805
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a621
■1001  ▼aDemo,  Luke  Benjamin.
■24510▼aDamage  Detection,  Damage  Localization,  and  Fatigue  Life  Prediction  for  Large-Area  FRP  Composites
■260    ▼a[Sl]▼bColumbia  University▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a152  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-06,  Section:  B.
■500    ▼aAdvisor:  Feng,  Maria  Q.
■5021  ▼aThesis  (Ph.D.)--Columbia  University,  2024.
■520    ▼aIn  this  work,  a  novel  self-sensing  technology  is  introduced  for  fiber-reinforced  polymer  (FRP)  composites,  offering  an  accurate  and  cost-effective  solution  for  damage  detection,  localization,  and  fatigue  life  prediction.  This  dissertation  implements  an  innovative  approach,  transforming  structural  carbon  fiber  tows  into  piezoresistive  sensors  that  enable  real-time  structural  health  monitoring  (SHM)  without  the  need  for  additional  sensor  devices.  The  self-damage  detection  and  memory  (SDDM)  hybrid  composite  material  leverages  the  carbon  fiber  as  a  sensor  network,  with  glass  fiber  providing  electrical  insulation.  Damage  detection  capabilities  are  first  introduced,  demonstrated  by  tensile  testing  that  revealed  two  distinct  loading  peaks  and  a  sharp  nonlinear  increase  in  resistance  at  the  point  of  carbon  fiber  failure,  highlighting  its  capabilities  for  damage  early  warning.  Progressive  impact  tests  further  confirmed  the  material's  ability  to  permanently  record  microdamage,  showcasing  a  self-memory  function  that  could  inform  life-cycle  predictions.Next,  a  practical  sensor  layout  was  developed,  utilizing  carbon  fiber  sensor  tow  branches  connected  in  parallel  each  with  varying  resistances.  This  novel  design  can  monitor  large  areas  while  minimizing  the  number  of  connections  required  to  the  DAQ  circuit,  significantly  reducing  manufacturing  costs  and  complexities.  Impact  tests  on  carbon  and  glass  fiber-reinforced  composites  validated  the  system's  ability  to  detect  and  precisely  locate  damage,  with  less  than  three  percent  error  between  the  measured  resistance  and  predicted  damage  location.  These  results  highlight  the  effectiveness  of  the  proposed  damage  localization  framework,  offering  an  efficient  SHM  solution  for  large-area  composite  structures. Lastly,  this  dissertation  introduces  a  low-cost,  real-time  fatigue  life  prediction  system  that  leverages  the  piezoresistive  cumulative  damage  behavior  of  carbon  fiber  sensor  tows.  A  Bidirectional  Long  Short-Term  Memory  (LSTM)  neural  network  was  implemented  to  predict  fatigue  life  based  solely  on  resistance  time-history,  with  no  need  for  explicit  stress  inputs.  Fatigue  tests  conducted  across  various  stress  amplitudes  were  used  to  train  and  evaluate  a  LSTM  model,  with  results  indicating  the  model's  ability  to  accurately  predict  remaining  life.  Moreover,  testing  results  showed  a  sharp  increase  in  resistance  before  failure,  demonstrating  the  carbon  fiber  sensor  tow's  damage  early  warning  capabilities  for  both  cyclic  and  quasistatic  monotonic  loading.  This  system  presents  a  promising,  cost-effective  SHM  method  that  not  only  ensures  structural  safety  but  also  extends  the  service  life  of  FRP  composites  through  accurate  fatigue  life  prediction.
■590    ▼aSchool  code:  0054.
■650  4▼aMechanical  engineering
■650  4▼aMaterials  science
■650  4▼aEngineering
■653    ▼aDamage  detection  and  localization
■653    ▼aFatigue  life  prediction
■653    ▼aFiber-reinforced  polymer  composites
■653    ▼aPiezoresistive  sensors
■653    ▼aSelf-sensing  hybrid  materials
■653    ▼aStructural  health  monitoring
■690    ▼a0548
■690    ▼a0794
■690    ▼a0543
■690    ▼a0537
■71020▼aColumbia  University▼bCivil  Engineering  and  Engineering  Mechanics.
■7730  ▼tDissertations  Abstracts  International▼g86-06B.
■790    ▼a0054
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17164722▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books