Skip to main content
Vai all'homepage della Commissione europea (si apre in una nuova finestra)
italiano it
CORDIS - Risultati della ricerca dell’UE
CORDIS

Machine Learning for Structural Integrity Assessments

Descrizione del progetto

Migliorare l’efficienza e la sicurezza operativa attraverso una valutazione dell’integrità strutturale

Produrre energia verde è particolarmente impegnativo dal punto di vista dell’efficienza operativa. È difficile stimare i costi e il consumo energetico correlati, derivanti dal degrado dei materiali in difficoltose condizioni operative. Il degrado dei materiali si verifica attraverso meccanismi di danno complessi e interconnessi. Il progetto ALIAS, finanziato dall’UE, si avvarrà dell’apprendimento automatico per sviluppare una migliore comprensione del danno ai materiali. La valutazione dell’integrità strutturale è un indicatore cruciale della capacità dei componenti principali. Gli attuali metodi di valutazione possono essere migliorati attraverso una migliore comprensione di come i danni ai materiali influiscano sulla prestazione del componente, riducendo in tal modo la capacità di durare e incrementando la generazione di energia pur mantenendo la sicurezza.

Obiettivo

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.

Campo scientifico (EuroSciVoc)

Parole chiave

Programma(i)

Argomento(i)

Meccanismo di finanziamento

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

Vedi tutti i progetti finanziati nell’ambito di questo schema di finanziamento

Invito a presentare proposte

(si apre in una nuova finestra) H2020-MSCA-IF-2020

Vedi tutti i progetti finanziati nell’ambito del bando

Coordinatore

UNIVERSITY OF LIMERICK
Contributo netto dell'UE
€ 184 590,72
Indirizzo
NATIONAL TECHNOLOGICAL PARK, PLASSEY
- Limerick
Irlanda
Regione
Ireland Southern Mid-West
Tipo di attività
Higher or Secondary Education Establishments
Collegamenti
Costo totale
€ 184 590,72