A scalable deep learning approach for robust acoustic emission-based damage classification in composite pressure vessels

Faserverbundbehälter werden zur Speicherung und zum Transport von Wasserstoff unter hohem Druck verwendet und sind infolge Ihres geringen Gewichts und ihrer hohen Speicherdichte für die Wasserstoffmobilität unverzichtbar. Ihre Sicherheit im Betrieb hängen an einer zuverlässigen Kenntnis der Schädigung innerhalb der Verbundstruktur und der jeweiligen Schädigungsmechanismen ab, die mit konventionellen Prüfverfahren oft kaum zu erfassen sind. In dieser Studie entwickelten Forschende der BAM einen skalierbaren Deep-Learning-Ansatz zur Schadensklassifikation in  Faserverbundbehälter auf Basis von Messdaten der Schallemission (SE). Die Schallemissionsprüfung (SEP) ist ein zerstörungsfreies Prüfverfahren bei dem elastische Wellen, die während Schädigungsprozessen im Material entstehen, durch Sensoren auf der Oberfläche erfasst werden. Diese Signale werden jedoch insbesondere von den anisotropen Eigenschaften des Materials beeinflusst, was ihre Analyse sehr komplex macht.

Der hier vorgeschlagene Ansatz kombiniert die SEP mit maschinellem Lernen (ML). Die relevante SE-Merkmale aus den Behälterversuchen werden durch einen genetischen Algorithmus (GA) selektiert und so Redundanzen verringert. Ein nicht-überwachtes Klassifizierungsverfahren erzeugt anschließend Pseudo-Labels für die einzelnen schadensbezogene Signalklassen. Diese dienten anschließend dem Training zweier Deep-Learning-Modelle. Die zentrale Neuerung dieses Ansatzes liegt in der Möglichkeit einer Verallgemeinerung auf Druckbehälter unterschiedlicher Größe und Varianz. Frühere Studien erreichten oft gute Ergebnisse mit einzelnen Datensätzen, ließen sich jedoch nur begrenzt auf neue Behältertypen oder Prüfbedingungen übertragen. Aus diesem Grund wurden zwei fortschrittliche ML-Methoden zur Generalisierung verglichen, um robuste Entscheidungen zu erzielen. Die beste untersuchte Methode erzielte bei allen sechs Druckbehälter eine mittlere Vorhersagegenauigkeit 99%.

Der Mehrwert ist ein skalierbaren Deep-Learning-Ansatz für eine robuste auf SE-Messdaten basierende Schadensklassifikation in Faserverbundbehälter mit universeller Übertragbarkeit zwischen unterschiedlichen Bauteilen. Eine zuverlässige Schadensprognose und eine sichere Qualifizierung ermöglicht zudem eine bessere Auslegung von Druckspeichern, reduziert damit die Kosten, stärkt das Vertrauen in die Wasserstoffspeicherung und trägt damit zu einer emissionsärmeren Mobilität bei. 

A scalable deep learning approach for robust acoustic emission-based damage classification in composite pressure vessels
A. Ghaznavi, E. Duffner, E. D. Kästle, B. Popiela
Results in Engineering (Elsevier), Volume 30, June 2026