文章提出了一种新的方法，使用软木衍生的LIG作为纤维增强复合材料的损伤传感器。通过商业蓝色激光雕刻机照射后的软木基板上的LIG的属性，其特征评估其作为传感元件的可行性。然后研究合成的LIGs的形态、石墨化质量和电性能，以找到在石墨化质量和LIG几何形状之间提供良好平衡的激光参数。随后，软木基板上的LIG嵌入到玻璃纤维增强环氧树脂复合材料中，以证明其在落锤冲击试验中的损伤传感能力，用于内部损伤检测和损伤面积估计，并对X射线计算机断层扫描（CT）的结果进行验证。它还表明，LIG传感器可以与机器学习（ML）算法结合使用，以更有效和更准确地处理数据，特别是对于边界数据。
在激光处理之前，用异丙醇擦拭1 mm厚的附聚软木纸，并在室温下干燥。然后将其用胶带粘在木板上，并置于商业激光雕刻机单元（GKTOOLS，FB 03）中。如图1（a）所示，在表征和感知测试中，水平逐线跟踪方法用于所有模式。为了确定后续LIG图形设计的最佳激光参数，如图1（b）所示，创建了两个用于表征的LIG图案。利用激光照射方形（10 mm × 3 ~ 10 mm）LIG图形测量薄膜的薄层电阻（SR），利用激光照射矩形（40 mm × 3 ~ 3 mm）LIG图形测量薄膜的LIG微结构。
图1.(a)激光照射软木纸基底，其中LIG的形态和质量可以通过调节激光功率（P）、扫描速度（v）和激光发射通过次数（n）来设计。(b)分别用于薄层电阻测量（左）和微结构表征（右）的正方形和矩形LIG图案（从顶部看）（v方向表示每次通过的扫描方向）。
在“LIG合成和表征”部分的表征工作之后，在将LIG作为传感层嵌入玻璃纤维增强环氧复合材料板之前，使用提供最佳LIG性能的激光参数设置来生成LIG网格图案。10 cm × 10 cm网格模式由9个水平和9个垂直1.5 mm宽的LIG通道组成，其尺寸如图2(a)所示。将LIG传感网络嵌入复合材料的中厚层，可以很好地估计复合材料的整体内部损伤程度。由于其复杂的导电网络，对冲击载荷后由于层间分层引起的LIG网络的微小变化非常敏感。每个通道的终端都连接到0.1 mm厚的铜条上，用于电阻测量。如图2(b)所示
图2.(a)LIG网眼图案设计，具有18个通道。(b)将带有LIG网格图案的软木纸嵌入真空袋中的两个玻璃纤维复合面板之间。(c)软木-LIG网片在嵌入复合板之前。(d)冲击损伤前嵌入LIG网的复合板。(e)嵌入LIG网的复合板变色，显示撞击后损坏。
本研究中，由于KNN模型的参数调优要求最小，并且从实验中获得的训练数据有限，因此选择了该模型，如图3所示。将9块复合材料板分为两组:6块复合材料板组成的训练组为KNN算法提供训练数据，3块复合材料板组成的训练组作为新案例进行模型验证。为了评估多通道LIG网格设计的传感能力，六个板中的每一个都在具有不同LIG通道密度的不同位置受到影响。在撞击前后分别测量了三次来自每个板的每个通道的阻力，以尽量减少测量误差。之后，将每个通道的电阻变化拟合为正态分布，并计算每个板的平均值(m)和标准差(std)。
图3.流程图描述了应用KNN模型预测新测试样本结果的过程。模型训练的步骤用灰色表示，而模型验证的步骤用蓝色表示。
图4显示了6块板中每个通道的阻力变化情况，以及用于区分受损通道的相应阈值线。六个板中的四个(网格1-4)在中间撞击，LIG通道间距为4.5毫米，而其余两个(网格5和6)在板的边缘附近撞击，通道间距为8-9毫米。阻力变化超过阈值的通道在图中以米色突出显示，表示通道受损。通道电阻变化的结果可以翻译成2D损伤热图，以指示复合板上的损伤位置及其大小。每个水平和垂直LIG通道被分配一个二进制数，用于碰撞后的损伤状态分类，未损坏为0，损坏为1。将水平和垂直LIG通道相交处的二值求和生成损伤热图，如图5所示。
图4.在6块复合材料板的10 J冲击事件后，LIG网格的逐通道电阻变化。在接骨板中心撞击网片1-4，而在接骨板边缘撞击网片5和6。红色虚线显示了通过正态分布计算的损伤阈值（1 std）。红色十字表示断开连接的损坏通道。
图5.基于逐通道电阻变化生成的损伤热图（右），并与（a）网格1、（b）网格2、（c）网格3、（d）网格4、（e）网格5、（f）网格6的X射线CT图像（左）进行比较。分层区域在CT图像中以红色突出显示。
为了评估KNN模型在新情况下的预测性能，特别是在不同的冲击能量下，对另外三个板(即Mesh 7, Mesh 8和Mesh 9)进行了测试，在板的中心和边缘分别施加了10和12 J的冲击能量。KNN模型对测试(验证)用例的预测结果如图6所示。总体而言，KNN模型显示出高水平的预测性能，总体准确率达到了令人印象深刻的94.3%。算法成功识别所有受损通道。然而，该模型也错误地将三个健康通道识别为受损通道(FP点为栗色)。这些是属于LIG通道的边界数据点，由于与训练数据集相比，冲击能量更大，因此阻力变化接近损伤阈值。
图6.在不同能量下冲击损坏后的三个确认测试板。第一列- CT扫描图像，实际损伤区域以红色突出显示，并根据CT扫描结果转换热图;第二列-通过第一标准阈值法预测;第三列-通过KNN模型预测
原文链接：10.1177/14759217241311516
Laser-induced graphene as an embedded sensor for impact damage in composite structures assisted by machine learning
本文来自液晶太赫兹乐园，本文观点不代表石墨烯网立场，转载请联系原作者。
