Exploration of Surrogate Models for Remaining Useful Life Estimation

Abstract

La integridad estructural de los aviones debe ser asegurada en todo momento durante su operación. Los componentes del mismo trabajan bajo condiciones de carga por fatiga, lo cual requiere los correspondiente test de fatiga de los materiales empleados. Con estos test se puede formar una base estadística sólida y comprender mejor el comportamiento del material. La investigación está enfocada en el estudio de la aleación de aluminio 2024-T3 y el crecimiento de grieta en él. El crecimiento de grieta por fatiga se analiza a partir del trabajo realizado por Virkler et al., el cual ha servido históricamente de plataforma para comparar distintos modelos estadísticos para analizar el crecimiento de grieta por fatiga. El espécimen analizado en su trabajo disponía una grieta en el centro, siendo sometido a una carga cíclica homogénea. Partiendo de su análisis y resultados, el objetivo de la investigación fue predecir la Vida Útil Restante (RUL) en cada punto de crecimiento de grieta, ofreciendo un intervalo de confianza para estas predicciones, y habiendo entrenado los modelos exclusivamente con datos generados a través de Métodos Extendidos de Elementos Finitos (XFEM). Para hacer el estudio más similar a aplicaciones reales, no se utiliza la longitud de grieta, sino el deformación en un punto del espécimen estratégicamente elegido. Esta deformación se calcularía también a través de simulaciones de grieta en XFEM. En la investigación se desarrollan dos modelos que emplean los datos disponibles (simulaciones) para hacer predicciones en datos reales. Estos modelos son Redes Neuronales Recurrentes (RNN) y Regresión con Vectores de Soporte (SVR).

The structural integrity of aircrafts must be ensured at all times during their operation. The components work under fatigue loading conditions, which requires corresponding fatigue tests of the materials used. With these tests, a solid statistical basis can be formed and the behaviour of the material can be better understood. The research is focused on the study of aluminium alloy 2024-T3 and the growth of crack in it. Fatigue crack growth is analyzed from the work performed by Virkler et al., which has historically served as a platform for comparing different statistical models for analyzing fatigue crack growth. The specimen analyzed in his work had a crack in the center, being subjected to a homogeneous cyclic load. Starting from his analysis and results, the objective of the research was to predict the Remaining Useful Life (RUL) at each point of crack growth, offering a confidence interval for these predictions, and having trained the models exclusively with data generated through Extended Finite Element Methods (XFEM). In order to make the study more similar to real applications, the crack length is not used, but the deformation at a strategically chosen point of the specimen. This deformation would also be calculated through XFEM crack simulations. In the research, two models are developed that use the available data (simulations) to make predictions on real data. These models are Recurrent Neural Networks (RNN) and Regression with Support Vectors (SVR).