Skip to main content
Ir a la página de inicio de la Comisión Europea (se abrirá en una nueva ventana)
español es
CORDIS - Resultados de investigaciones de la UE
CORDIS

Machine Learning for Structural Integrity Assessments

Descripción del proyecto

Mejora de la eficacia y la seguridad operativas a través de la evaluación de la integridad estructural

La producción de energía verde es muy compleja desde el punto de vista de la eficacia operativa, ya que es difícil evaluar los costes y el consumo de energía asociados que surgen de la degradación de los materiales en condiciones operativas adversas. La degradación de los materiales se produce a través de complejos mecanismos de daño interdependientes. En el proyecto ALIAS, financiado con fondos europeos, se empleará el aprendizaje automático para obtener una mejor comprensión fundamental del daño material. La evaluación de la integridad estructural constituye un indicador esencial de la capacidad de los componentes principales. Sus métodos actuales pueden optimizarse mediante una mejor comprensión de cómo el daño material afecta al rendimiento de los componentes, lo que permitirá reducir el conservadurismo y aumentar la generación de energía al tiempo que se mantiene la seguridad.

Objetivo

The continued safe operation of critical infrastructure is key in ensuring economic prosperity. The drive towards carbon neutrality presents significant challenges to engineers as increasing operational efficiency often results in harsh, unfavourable operating conditions (e.g. offshore wind turbines). The cost of implementing more efficient processes is a reduction in materials performance resulting in prohibitively short component lifetimes. The challenge facing engineers lies in improving the structural integrity assessment (SIA) methods. Current SIA methods are predominately stress-based and thus, inherently dominated by the yield strength of the component material. Non-linear materials such as steels typically fail by strain induced plasticity where significant additional energies are adsorbed prior to fracture. Strain-based assessments contain considerable built in conservatisms that have not yet been explored. The principal aims of this fellowship application are to develop more advanced SIA methods by considering conservatisms in existing stress-based and strain-based approaches and to exploit recent advances in machine learning to identify and predict key parameters influencing transformative damage in fracture toughness testing. The fundamental understanding of material damage generated in this work will reduce knowledge gaps currently impeding SIA improvement. The benefits of this work include advances to multiple international codes and standards, the continued safe operation of aging critical infrastructure, longer more realistic estimated lifetimes for new components and, significant industrial cost savings through enhanced component design, reduced maintenance cost and reduction in early structure retirement.

Ámbito científico (EuroSciVoc)

Palabras clave

Programa(s)

Tema(s)

Régimen de financiación

MSCA-IF - Marie Skłodowska-Curie Individual Fellowships (IF)

Ver todos los proyectos financiados en el marco de este régimen de financiación

Convocatoria de propuestas

(se abrirá en una nueva ventana) H2020-MSCA-IF-2020

Ver todos los proyectos financiados en el marco de esta convocatoria

Coordinador

UNIVERSITY OF LIMERICK
Aportación neta de la UEn
€ 184 590,72
Dirección
NATIONAL TECHNOLOGICAL PARK, PLASSEY
- Limerick
Irlanda
Región
Ireland Southern Mid-West
Tipo de actividad
Higher or Secondary Education Establishments
Enlaces
Coste total
€ 184 590,72