Graphen-Nanopartikel als datengenerierende digitale Materialien in der Industrie 4.0

Scientific Reports Band 13, Artikelnummer: 4945 (2023) Diesen Artikel zitieren

3085 Zugriffe

6 Altmetrisch

Details zu den Metriken

Eine der potenziellen Anwendungen von 2D-Materialien ist die Verbesserung der Multifunktionalität von Strukturen und Komponenten, die in der Luft- und Raumfahrt-, Automobil-, Zivil- und Verteidigungsindustrie verwendet werden. Zu diesen multifunktionalen Eigenschaften gehören Sensorik, Energiespeicherung, EMI-Abschirmung und Eigenschaftsverbesserung. In diesem Artikel haben wir das Potenzial der Verwendung von Graphen und seinen Varianten als datengenerierende sensorische Elemente in der Industrie 4.0 untersucht. Wir haben eine vollständige Roadmap vorgelegt, die drei neue Technologien abdeckt, nämlich fortschrittliche Materialien, künstliche Intelligenz und Blockchain-Technologie. Der Nutzen von 2D-Materialien wie Graphen-Nanopartikeln als Schnittstelle für die Digitalisierung einer modernen intelligenten Fabrik, also einer „Fabrik der Zukunft“, muss noch untersucht werden. In diesem Artikel haben wir untersucht, wie durch 2D-Material verbesserte Verbundwerkstoffe als Schnittstelle zwischen physischen und Cyber-Räumen fungieren können. Es wird ein Überblick über den Einsatz intelligenter eingebetteter Sensoren auf Graphenbasis in verschiedenen Phasen des Herstellungsprozesses von Verbundwerkstoffen und deren Anwendung bei der Echtzeitüberwachung des Strukturzustands gegeben. Die technischen Herausforderungen, die mit der Verbindung graphenbasierter Sensornetzwerke mit dem digitalen Raum verbunden sind, werden diskutiert. Darüber hinaus wird ein Überblick über die Integration damit verbundener Tools wie künstliche Intelligenz, maschinelles Lernen und Blockchain-Technologie mit graphenbasierten Geräten und Strukturen gegeben.

Eine industrielle Revolution ist ein Zeitraum, in dem es zu erheblichen Veränderungen in der Art und Weise der Güterproduktion kommt, die die Gesellschaft grundlegend verändern. Sie ist durch die Einführung disruptiver Technologien und neuartiger Produktionsmethoden gekennzeichnet1,2,3. Dies führt typischerweise zu einer höheren Effizienz, geringeren Kosten, einer höheren Produktion und weitreichenden wirtschaftlichen und sozialen Auswirkungen3. Die erste industrielle Revolution (Industrie 1.0) war gekennzeichnet durch die Einführung mechanischer Produktionsmethoden mittels Wasser- und Dampfkraft3,4. Mit der Industrie 2.0 wurde die Massenproduktion mit Strom und Fließband eingeführt5,6. Industrie 3.0 führte den Einsatz von Informationstechnologie, Computern und Automatisierung in der Produktion ein, was zu mehr Effizienz und Individualisierung führte6. Industrie 4.0 geht noch einen Schritt weiter, indem sie intelligente und autonome Systeme, künstliche Intelligenz, Robotik, das Internet der Dinge (IoT), Cloud Computing und die Integration physischer und virtueller Systeme einbezieht, was zu einem weiteren Grad an Automatisierung und Datenaustausch führt7,8,9 ,10. Es wird erwartet, dass sich Industrie 4.0 schrittweise zu Industrie 5.0 entwickelt, die durch weitere Fortschritte in den oben genannten Technologien gekennzeichnet sein wird10,11,12.

In der Industrie 4.0 ist die Verbindung des physischen und virtuellen Raums ein entscheidender Schritt, der für die Realisierung intelligenter Abläufe in den Materialdesign- und Fertigungsprozessen notwendig ist13,14,15,16. Der physische Raum in einer intelligenten Fertigungsumgebung bezieht sich auf die Fertigungswerkzeuge, Rohstoffe und Personalressourcen. Der virtuelle Raum hingegen umfasst Rechenressourcen, die mit Funktionen zur Datenspeicherung und -freigabe sowie Datenanalysetools ausgestattet sind. Die Konvergenz dieser beiden Räume wird derzeit durch eine Reihe eingebetteter Sensoren oder über bildgebende Geräte erreicht. Diese Methoden sind jedoch ineffizient und beinhalten die Einbettung von Fremdkörpern in das Material oder die Struktur. Der Ersatz solcher Geräte durch das Material selbst wird das Paradigma der digitalen Fertigung revolutionieren. Ein solches Material kann „intelligent“ sein und in der Lage sein, die gesammelten Informationen oder Daten in Echtzeit zu erfassen und an den virtuellen Raum weiterzuleiten.

Graphen und andere 2D-Materialien können als erforderliche Schnittstelle fungieren und dafür sorgen, dass das Material direkt mit der digitalen Welt kommuniziert17,18. Graphen und verwandte 2D-Materialien stehen seit über einem Jahrzehnt im Mittelpunkt intensiver Forschung und Entwicklung, Produkte, die diese Materialien verwenden, haben jedoch noch nicht den Markt erobert. Es wurde erwartet, dass Graphen, das als „Wundermaterial“ bezeichnet wird, ein breites Anwendungsspektrum haben wird, das von Elektronik, zivilen/mechanischen Strukturen und Wasserfiltration bis hin zu tragbarer Technologie, Biosensoren und Medizin reicht19. Aufgrund des Umfangs und der Produktionskosten konnten diese Erwartungen jedoch nach mehr als einem Jahrzehnt nicht erfüllt werden20. Derzeit befinden sich datenerzeugende Geräte (z. B. Sensoren), die auf 2D-Materialien basieren, größtenteils in ihrem anfänglichen Technology Readiness Level (TRL). Weitere Forschungsarbeiten sind erforderlich, um den technologischen Reifegrad zu erhöhen und anspruchsvollere Prototypensysteme für den kommerziellen Einsatz herzustellen. Um den Weg zur Industrialisierung von 2D-Materialien zu beschleunigen und ihr Potenzial für zukünftige Auswirkungen auf kommerzieller Ebene zu erhöhen, müssen zugehörige Tools wie künstliche Intelligenz und Blockchain-Technologie entwickelt und in diese Geräte integriert werden. Eine der potenziellen Anwendungen von Graphen-Nanopartikeln besteht darin, Strukturen Multifunktionalität zu verleihen. Zu diesen multifunktionalen Eigenschaften gehören Sensorik, Energiespeicherung, EMI-Abschirmung und Eigenschaftsverbesserung usw.21,22,23,24.

Graphen bietet eine Reihe grundlegend überlegener Eigenschaften, die es zu einem vielversprechenden Material für ein breites Anwendungsspektrum, insbesondere in elektronischen Geräten, machen. Graphen gibt es in einer Vielzahl von Formen, wie etwa Nanoflocken, Nanoplättchen, Nanoblättern, Quantenpunkten, Graphenoxid, Graphitoxid, reduziertem Graphenoxid usw.25, wobei unterschiedliche Formen unterschiedliche Funktionalitäten bieten22,26,27. Die Form von Graphen für eine bestimmte Anwendung ist möglicherweise für andere Anwendungen nicht nützlich. Beispielsweise kann Graphen, das zur EMI-Abschirmung verwendet wird, nicht als Biosensor oder als Transistor verwendet werden. Ebenso unterscheidet sich das zur Energiespeicherung verwendete Graphen von dem zur mechanischen Deformationserfassung verwendeten. Die hier im Fokus stehende Form von Graphen ist das reduzierte Graphenoxid (rGO), das hauptsächlich für die auf mechanischen Verformungen basierende Sensorik verwendet wird. Die Vielseitigkeit graphenbasierter Geräte geht über herkömmliche Transistorschaltungen hinaus und umfasst flexible und transparente Elektronik, Optoelektronik, piezoresistive Sensoren, elektromechanische Systeme und Energiespeichergeräte28. Die auf reduziertem Graphenoxid basierende Sensorik hat in jüngster Zeit im Bereich der Polymerverbundwerkstoffe an Bedeutung gewonnen29. Graphenflocken und rGO können in eine Struktur, beispielsweise eine Verbundstruktur, eingebettet werden, indem sie entweder in das Harzsystem eingemischt oder auf die Faserverstärkungen aufgetragen werden29. Das Funktionsprinzip rGO-basierter piezoresistiver Sensoren besteht darin, dass Nanomaterialien ein elektrisch leitendes Netzwerk bilden und zwischen Partikeln einen elektrischen Tunnel bilden, der durch äußere Reize verändert wird, was zu Änderungen des elektrischen Widerstands des perkolierten Graphennetzwerks führt.

Die potenzielle Rolle von rGO-Sensoren als Schnittstelle zwischen der physischen und der Cyberwelt bei der digitalen Herstellung von faserverstärkten Polymerverbundwerkstoffen wird in Abb. 1 grafisch dargestellt. Zusätzliche Sensoren wie Druckwandler, digitale Bildgebungsgeräte usw. könnten ebenfalls verwendet werden Erweitern Sie die über rGO-basierte Sensoren erhaltenen Informationen. Zusätzlich zum Sensorsystem sind für intelligente Abläufe auch eine Signalverarbeitungseinheit mit Diagnosefunktionen und ein Datenverwaltungssystem erforderlich30. Die Blockchain-Technologie ist ein vielversprechendes Werkzeug für die Datenerfassung und -verwaltung, während Werkzeuge der künstlichen Intelligenz die erforderlichen Signalverarbeitungsfunktionen bereitstellen können. Daher können rGO-basierte Sensoren, KI-gestützte Werkzeuge und Blockchain-Technologie einen Dreiklang bilden, der eine intelligente Fertigung ermöglichen könnte. Darüber hinaus kann der Datenbestand mit Hilfe von Simulationstools und digitalen Zwillingen diversifiziert werden.

Flussdiagramm zur Veranschaulichung der Digitalisierung von Verbundstrukturen unter Verwendung von Graphen-Nanopartikeln als Schnittstelle zur Schaffung einer digitalen Fabrikumgebung. Sensoren auf der Basis von reduziertem Graphenoxid können zusammen mit herkömmlichen Sensoren in den Fertigungsaufbau für die digitale Fertigung integriert werden. Mithilfe fortschrittlicher Tools wie Blockchain-Technologie, künstlicher Intelligenz, virtueller Simulationen und digitaler Zwillinge kann eine intelligente Fertigung im Rahmen von Industrie 4.0 erreicht werden.

In diesem Artikel haben wir die mögliche Nutzung von Graphen-Nanopartikeln als digitale Materialien im Kontext von Industrie 4.0 untersucht. Zuerst haben wir erklärt, wie rGO als eingebetteter Sensor verwendet wird, gefolgt von den Arten von Daten, die diese Sensoren während des Herstellungsprozesses sowie während der Lebensdauer einer Struktur erzeugen. Der Einsatz von Blockchain-Technologie und Tools der künstlichen Intelligenz zur Erfassung und Verarbeitung der Daten sowie die Rolle digitaler Zwillinge in der intelligenten Fertigung werden vorgestellt. Die mit herkömmlichen und rGO-basierten Sensoren generierten Daten können mithilfe der Blockchain-Technologie effizient und sicher erfasst und gespeichert werden. Maschinelle und Deep-Learning-Tools können zur Erstellung von Kalibrierungs-, Erkennungs- und Vorhersagemodellen mithilfe dieser Datenbank verwendet werden, die Echtzeitsignale analysieren können, die mit graphenbasierten Sensoren erfasst wurden. Zusammenfassend haben wir eine Roadmap zur Konvergenz dreier neuer Technologien, nämlich fortschrittlicher 2D-Materialien, künstlicher Intelligenz und Blockchain, vorgestellt, um eine intelligente Fertigung in der Industrie 4.0 zu realisieren.

Um rGO-basierte Dehnungssensoren für Verbundwerkstoffe herzustellen, wird Graphen als Vorläufer verwendet, der normalerweise entweder durch eine Top-Down-Methode oder durch einen Bottom-Up-Ansatz synthetisiert wird31. Die Top-Down-Ansätze, wie mechanisches Peeling, Oxidations-Reduktion von GO, Flüssigphasen-Peeling und Lichtbogenentladung, beinhalten den strukturellen Abbau von Vorläufern wie Graphit, gefolgt von der Trennung zwischen den Schichten, um Graphenschichten zu erzeugen32. Chemische Gasphasenabscheidung (CVD), epitaktisches Wachstum und totale organische Synthese unter Verwendung von Kohlenstoffquellengas zur Synthese von Graphen auf einem Substrat sind Beispiele für Bottom-up-Techniken31. Graphen-Nanopartikel und ähnliche 2D-Materialien können in eine faserverstärkte Verbundstruktur eingebettet werden, indem sie entweder in der Matrix dispergiert oder direkt auf die Faserverstärkungen aufgetragen werden33,34.

Bei diesem Ansatz wird das Polymerharz (Matrix) durch Dispergieren von Graphen-Nanopartikeln im Harz modifiziert, was zu einem traditionellen Nanokomposit35,36 führt. Es werden enorme Mengen an nützlichen Daten gesammelt, wie z. B. Mischungsverhältnisse, mechanische Rührkraft, Zentrifugalmischparameter usw. Die beim Mischen von Graphen-Nanopartikeln im Harzsystem gesammelten Daten sind nützlich, um den physikalischen Zustand von reduziertem Graphenoxid vorherzusagen, wie z. B. Abblätterung und Qualität der erreichten Reduktion, die sich direkt auf Eigenschaften wie elektrische Leitfähigkeit, EMI-Abschirmung und eine Reihe unterschiedlicher mechanischer Eigenschaften auswirken kann29. Allerdings kann das modifizierte Harz auch Probleme wie eine veränderte Harzviskosität, Partikelagglomeration, vorzeitige Gelierung, Filterwirkung innerhalb des Gewebes beim Eingießen des Harzes und eine ungleichmäßige Verteilung des Füllstoffs im gesamten Verbundlaminat verursachen37,38. Diese Probleme haben die praktische Anwendung von mit rGO beladenen Harzen und ihren Verbundwerkstoffen behindert, insbesondere bei der Herstellung großer und dicker Teile, z. B. Rotorblätter von Windkraftanlagen, wo das Füllen der Form eine große Herausforderung darstellen kann.

Das direkte Auftragen von rGO auf die Faserverstärkungen anstelle einer Modifizierung der Matrix ist ein alternativer Ansatz zur Lösung der oben hervorgehobenen Probleme. Neben der Vermittlung sensorischer Fähigkeiten bietet die Beschichtung von Verstärkungen mit rGO auch die Möglichkeit, die mechanischen und physikalischen Eigenschaften des Verbundwerkstoffs zu verbessern; Dadurch werden der endgültigen Struktur multifunktionale Eigenschaften verliehen39. Zu den Techniken zum Aufbringen von rGO auf Faserverstärkungen gehören (i) chemische Gasphasenabscheidung (CVD)40, (ii) elektrophoretische Abscheidung41, (iii) Lösungs- und Sprühbeschichtung42 und (iv) Schlichte, die rGO enthält und während der Faser direkt auf die Fasern aufgetragen wird Herstellungsprozess43. Bei der Ablagerung auf den Verstärkungen wird das Verbundteil/die Verbundstruktur aufgrund der Bildung eines Netzwerks aus mesoskaligen rGO-Nanopartikeln30 elektrisch leitfähig. Bei Einwirkung äußerer Reize wie Flüssigkeitsdruck oder mechanischer Kräfte wird der leitende Pfad unterbrochen und der gesamte elektrische Widerstand/die Leitfähigkeit des Teils/der Struktur verändert sich. Diese Widerstands-/Leitfähigkeitsänderung wird gemessen und mit den äußeren Reizen korreliert.

Der Gesamtwiderstand des durch rGO gebildeten leitfähigen Netzwerks kann in drei Typen unterteilt werden: (i) Eigenwiderstand von rGO, (ii) Kontaktwiderstand und (iii) Tunnel-/Sprungwiderstand. Dies kann mit der folgenden Gleichung29 ausgedrückt werden

Dabei ist Ri der Eigenwiderstand, Rc der Kontaktwiderstand und Rt der Tunnelwiderstand. Die wichtigste Anforderung an diese Sensoren ist die Fähigkeit, kleine Änderungen im Gesamtwiderstand (ΔR) zu erkennen. Das Signal wird normalerweise als relative oder fraktionierte Widerstandsänderung (FCR) und nicht als absolute Messung manipuliert. Der gemessene Wert wird relativ zu einem Referenzwert (R0) genommen und durch denselben (R0) normiert, gegeben als:

Dabei ist R der gemessene Wert und R0 ein Referenzwert. Das beschichtete rGO kann das Stoffmaterial „digital reaktionsfähig“ machen, indem es Signale erzeugt, die mit jedem Datenerfassungssystem (DAQ) gemessen werden können. Die während der Herstellung auftretenden physikalischen Veränderungen können leicht überwacht werden, wie z. B. die Verdichtungsreaktion der Verstärkung, die Formschließkräfte, die Harzdruckverteilung, die Verfolgung der Fließfront und die Aushärtungskinetik des Harzes, die traditionell mithilfe externer Sensoren und Aktoren erfasst wurden, die nicht Teil von waren das Material selbst44. Zur Prozessüberwachung können die Änderungen des elektrischen Widerstands als Verstärkungsfaktor ausgedrückt werden, der ein Maß für die prozentuale Änderung des Anfangswiderstands der Struktur ist. Neben dem Signal müssen auch verschiedene Parameter archiviert werden, wie z. B. Sensorkalibrierung, Beschichtungsparameter usw.45. Es gibt eine große Menge quantifizierbarer Parameter, die in der Beschichtungsphase aufgezeichnet werden können, wie z. B. die Konzentration der Beschichtungslösung, Beschallungsparameter (Zeit, Temperatur und Frequenz), Anzahl der Beschichtungsschichten, rGO-Reduktionszeit und -temperatur usw. Diese Parameter beeinflussen die Endwiderstandswert und damit die Empfindlichkeit der rGO-basierten Sensoren29. Die gesammelten Daten können gespeichert und analysiert werden, um Formen zu entwerfen, optimale Einspritzöffnungen und Entlüftungsöffnungen auszuwählen, die Verstärkungsdurchlässigkeit zu messen und die Harzaushärtung vorherzusagen46,47,48.

Während des Betriebs erzeugen die rGO-Sensoren Signale, die verschiedenen physikalischen Phänomenen/Aktivitäten entsprechen, abhängig von der Umgebung, der das intelligente Material ausgesetzt ist. In einem typischen Herstellungsprozess für Verbundwerkstoffe wie dem Liquid Composite Molding (LCM)-Prozess gibt es drei Hauptphasen, nämlich die Verdichtung der trockenen Verstärkung, die Harzinjektion und die Harzaushärtung, wie in Abb. 2 dargestellt. Alle drei Phasen unterliegen einer Verarbeitung Schwankungen und müssen mithilfe von Dehnungs- und Drucksensoren überwacht werden. In der berichteten Literatur wurden in rGO eingebettete Stoffsensoren zur Überwachung von LCM-Prozessen eingesetzt44,45, die zu den am häufigsten verwendeten Prozessen zur Herstellung von Verbundwerkstoffen außerhalb des Autoklaven gehören. Die auf rGO-beschichtetem Gewebe basierenden Sensoren werden mittlerweile in verschiedenen geometrischen Formen (Punktsensoren, Liniensensoren oder Flächensensoren) und Konfigurationen für Überwachungsanwendungen eingesetzt45. Es ist auch wünschenswert, dass das Konzept der eingebetteten Sensoren auf andere Herstellungsprozesse von Verbundwerkstoffen angewendet wird, beispielsweise auf das Filamentwickeln und Pultrudieren für die Zivil- und Bauindustrie. Die eingebetteten rGO-basierten Sensoren liefern in jeder Phase des Herstellungszyklus nützliche Daten, wobei wichtige Informationen über den Hohlraumgehalt und den strukturellen Zustand der hergestellten Struktur extrahiert werden.

Daten, die während des Lebenszyklus eines intelligenten Verbundbauteils, während und nach der Herstellung, generiert werden. Die Kompressibilität des Gewebes wird durch die aufgebrachte Spannung quantifiziert, die erforderlich ist, um den Zielfaservolumenanteil zu erreichen. Die Entwicklung der Verstärkungsdurchlässigkeit und der Fließeigenschaften sind die wichtigen Merkmale während der Harzinfusion, gefolgt von der Aushärtungskinetik des Harzes. Die Stressverteilung innerhalb einer Struktur ist entscheidend für die Überwachung ihres Zustands und für die Ergreifung prognostischer Maßnahmen. Alle Aspekte werden mit vor Ort beschichteten Stoffen überwacht.

Der erste Schritt bei der Herstellung von Verbundwerkstoffen mittels Liquid Composite Molding (LCM) ist der Vorformungsschritt, bei dem die trockenen Verstärkungen einer Querverdichtung unterzogen werden, damit sie sich der Formform anpassen und die gewünschte Teildicke und den gewünschten Faservolumengehalt erreichen können . Die Verdichtungsstufe variiert je nach Art der verwendeten LCM-Technik. Beim Resin Transfer Moulding (RTM) handelt es sich um einen Prozess mit geschlossener Form, bei dem starre Formplatten mithilfe einer Presse hohe Verdichtungskräfte auf die Verstärkungen ausüben, während beim Vacuum Assisted RTM (VARTM) die Vakuumkraft angewendet wird, um den Vakuumbeutel gegen die zu pressen Bewehrung auf einer einseitigen Form verlegt. Während der Verdichtungsphase kann eine ungleichmäßige Kompression innerhalb einer Form zu Dickenschwankungen führen, insbesondere im Fall von VARTM. In beiden Fällen bestimmen die angewendeten Verdichtungskräfte den Faservolumenanteil des Verbundwerkstoffs, der wiederum die Qualität des Endteils und die mechanischen Eigenschaften des Verbundwerkstoffs bestimmt. Die eingebetteten rGO-basierten Sensoren wurden zur Überwachung der auf die Bewehrungen wirkenden Verdichtungskräfte sowohl in VARTM- als auch in RTM-Prozessen eingesetzt. Die rGO-basierten Sensoren sind in der Lage, Verdichtungskräfte trockener und harzimprägnierter Bewehrungen in Form von Widerstandsänderungen zu erfassen. In dieser Phase sind die Formschließkräfte und Spannungsrelaxationsdaten erforderlich, die in der Regel proaktiv durch Charakterisierungsexperimente ermittelt werden49. Diese Informationen werden nun vor Ort über Sensoren gewonnen, die auf 2D-Materialien basieren50. Kürzlich haben Ali et al.50 gezeigt, dass selbst ein sehr komplexes zeitabhängiges Phänomen wie die Spannungsrelaxation der Verstärkungen in einer geschlossenen Form mit eingebetteten Sensoren auf der Basis von rGO und MXenes überwacht werden kann.

Während der Harzeinspritzung ändert sich die Druckverteilung innerhalb der Form schnell. Dieses Phänomen wird im Allgemeinen mithilfe von Punktsensoren überwacht, die in die Form gebohrt werden51,52,53,54,55. RGO-beschichtete Stoffe können eine attraktive Alternative zu diesen Sensorarrays darstellen44. Die von den beschichteten Stoffen erzeugten Widerstandsänderungsdaten hängen von der Harzleitfähigkeit und den dielektrischen Eigenschaften des verwendeten Harzsystems ab44. Die Leitfähigkeit/der spezifische Widerstand von Graphen-Nanopartikeln spielt eine wichtige Rolle, wenn Harz durch die beschichteten Fasern imprägniert. Die allmähliche Druckänderung im Inneren der Form ist auch ein Indikator für die Harzimprägnierung, der über die Widerstandsänderung der eingebetteten Sensoren erfasst wird. Darüber hinaus können Laufverfolgung und Trockenstellenbildung innerhalb des Teils durch den Vergleich von Signalen von Sensoren erkannt werden, die an verschiedenen räumlichen Positionen innerhalb des Vorformlings angebracht sind45. Die Interaktion des Harzes mit den Sensoren kann Aufschluss über die Verteilung des Harzes innerhalb der Form geben. Es ist auch möglich, durch räumliche Kartierung während des Imprägnierungsprozesses 2D-Diagramme des Harzinfusionsprozesses zu erstellen56,57. Dies erfordert eine virtuelle Anordnung von Sensoren, ein Multiplexsystem in Kombination mit einer Source Measure Unit (SMU) oder einer ähnlichen Widerstandsmesseinheit.

Der Widerstand der eingebetteten Sensoren reagiert empfindlich auf Gelierung und Vernetzung, da das Harz in diesen Phasen eine Schrumpfung beobachtet und Verdichtungskräfte auf Graphen-Nanopartikel ausübt, was zu einer Änderung des gesamten elektrischen Widerstands führt56. Verschiedene Stadien der Aushärtung, einschließlich anfänglicher Gelierung, Aushärtung (wo das Harz schrumpft) und Nachhärtung, werden durch die Überwachung relativer Änderungen des elektrischen Widerstands der Sensoren erfasst, wie von Khan et al.45 beschrieben.

Verbundkonstruktionen sind im Laufe ihrer Lebensdauer häufig einer Vielzahl von Belastungsszenarien in unterschiedlichen Anwendungen ausgesetzt. Abhängig von der Art der Anwendung können diese Belastungen von Hochgeschwindigkeit bis hin zu Stößen mit niedriger Geschwindigkeit reichen, die zu großen Durchbiegungen führen58,59. Jedes Strukturzustandsüberwachungssystem besteht aus Sensorelementen, die vorzugsweise in die Struktur eingebettet und mit einer Signalverarbeitungseinheit mit Diagnosealgorithmen und einer Datenverwaltungsressource verbunden sind30. Mit Nanomaterialien beschichtete Sensoren auf Kohlenstoffbasis haben in den letzten Jahren großes Potenzial für Sensoranwendungen in Verbundstrukturen gezeigt. Im Vergleich zu Kohlenstoffnanoröhren zeichnen sich RGO- und Graphenflockensensoren in ihren Sensoranwendungen durch ein höheres Seitenverhältnis und eine höhere Kosteneffizienz aus60. Mit eingebetteten rGO-Verbundstrukturen können während ihrer Lebensdauer Belastungen und Schäden erfasst werden. Der Mechanismus der piezoresistiven Sensorik in FRPCs hängt davon ab, ob rGO auf Stoffe aufgetragen oder in das Harz eingemischt wird. Wenn rGO in der Matrix vorhanden ist, kann ein irreversibler Anstieg des elektrischen Widerstands61 aufgrund der Entstehung von Rissen in der Matrix und der Delaminierung von Gewebeschichten festgestellt werden. Alternativ sind die leitfähigen Netzwerke in den Fällen, in denen rGO direkt auf Verstärkungen aufgetragen wird, auf die Faseroberfläche beschränkt, sodass die Erkennung von Matrixrissen relativ schwierig wird. Dennoch können enorme Datenmengen für vorbeugende Maßnahmen bei Verbundstrukturen genutzt werden, bevor es zu einem katastrophalen Ausfall kommt62.

Es wurde über zahlreiche Arbeiten zum Structural Health Monitoring (SHM) berichtet, bei dem Verbundwerkstoffe in verschiedenen Modi getestet wurden, darunter Zug, Druck, Biegung, Schlag, Kriechen und Spannungsrelaxation63. Eine umfassende Literaturrecherche zu diesem Thema zeigt, dass eine Reihe von Studien über den erfolgreichen Einsatz von rGO-beschichteten Gewebesensoren zur Überwachung der Biegereaktion von Verbundstrukturen berichtet haben. Es ist sehr interessant festzustellen, dass diese intelligenten Sensoren neben der Fähigkeit zur präzisen Dehnungserkennung unter Biegebelastung auch eine deutliche Reaktion auf Zug- und Druckbelastungen zeigen können, wenn sie bei Biegebelastung über und unter den neutralen Oberflächen platziert werden41,64. Eine Reihe von Forschern haben diese mit rGO beschichteten Sensoren einen Schritt weitergeführt, um ihre Eignung für die Erfassung der wiederholten Langzeitbelastung in Verbundstrukturen zu untersuchen. Über eine bemerkenswerte Wiederholbarkeit der piezoresistiven Reaktion wurde sowohl bei zyklischer Biege- als auch Zugbelastung über bis zu 3000 Belastungszyklen berichtet65,66. Erwähnenswert ist auch, dass auf Graphen-Nanopartikeln basierende Fasersensoren auch in komplexen Verbundstrukturen für erfolgreiche In-situ-SHM eingesetzt wurden. Tatsächlich waren diese intelligenten Sensoren erneut in der Lage, basierend auf ihrer Platzierung oberhalb und unterhalb der neutralen Oberfläche, eine unterschiedliche Reaktion auf Druck- und Zugbelastung zu melden67. Interessanterweise haben einige Studien kürzlich die Verwendung von rGO-beschichteten Sensoren in Form intelligenter Verbund-Deckschichten in Waben-Sandwichstrukturen für In-situ-SHM weiter ausgeweitet. Intelligente Sandwichstrukturen für die Luft- und Raumfahrt reagierten nicht nur empfindlich auf Spannweitenlänge und Kerndicke68, sondern zeigten auch unterschiedliche Reaktionen auf mehrere Belastungsraten in Trägern beliebiger gewünschter Breite69. Wenn man bedenkt, dass Sandwich-Verbundwerkstoffe auf Basis von Nomex™-Wabenkernen ein integraler Bestandteil moderner Flugzeugstrukturen sind, zeigen diese jüngsten Erkenntnisse ein bemerkenswertes Potenzial im Hinblick auf die Sensorfunktionen aktiver rGO-beschichteter piezoresistiver Sensoren in der Luft- und Raumfahrtindustrie.

Bisher wurden erhebliche Fortschritte bei der Erfassung der herkömmlichen mechanischen Reaktion in Verbundstrukturen erzielt. Es ist jedoch von entscheidender Bedeutung zu beachten, dass die angeborene viskoelastische Natur des Polymerharzes und der Faserverstärkungen ihre mechanische Reaktion zeitabhängig macht, sodass die piezoresistive Reaktion dieser intelligenten Sensoren auch eine Funktion der Zeit wird70. Daher ist es von entscheidender Bedeutung, die langfristige Reaktion auf Kriechen und viskoelastische Spannungsrelaxation mit rGO-basierten intelligenten Sensoren zu untersuchen. Trotz der Bedeutung einer solchen Reaktion für die Langzeitanwendung von Verbundstrukturen wurde dieser Forschungsbereich noch nicht ausreichend genutzt. Irfan et al.65 führten die erste Studie dieser Art auf Basis intelligenter rGO-Sensoren durch, um den Einfluss der Temperatur auf die mechanische Leistung von Verbundwerkstoffen mithilfe einer dynamischen mechanischen Analyse zu untersuchen. Die Ergebnisse wurden auch mit der Reaktion von MXene-beschichteten Stoffsensoren im Rahmen einer ähnlichen dynamischen mechanischen Analyse unter Verwendung von Temperaturdurchlaufexperimenten verglichen. Die Ergebnisse waren recht vielversprechend, da die Sensoren nicht nur die thermomechanische Reaktion erfassen konnten, sondern auch das Glasübergangsphänomen und den Übergang vom glasartigen zum gummiartigen Bereich. Tatsächlich zeigten rGO-basierte Sensoren im Vergleich zu MXene-basierten Sensoren eine gleichmäßigere Reaktion.

Daher haben rGO-basierte Sensoren ein großes Potenzial für selbsterfassende Anwendungen in zahlreichen industriellen Anwendungen von Verbundstrukturen gezeigt. Dennoch können selbsterkennende intelligente Verbundstrukturen trotz einer Reihe von Einschränkungen und Herausforderungen für Forscher, die in diesem Bereich arbeiten, als ein aufstrebendes Feld angesehen werden. Bevor sie im industriellen Maßstab umgesetzt werden können, müssen einige Bereiche gründlich erforscht werden. Einige dieser Bereiche können Folgendes umfassen: (i) die Skalierbarkeit dieser Sensoren; (ii) Kalibrierung; (iii) Wirkung anderer äußerer Reize, wie etwa Umweltfaktoren; (iv) Vergleich mit etablierten konventionellen Sensoren für diese Anwendungen, wie z. B. piezoelektrischen Sensoren (PZT) und Faser-Bragg-Gitter-Sensoren (FBG) und (v) Machen dieser Sensoren intelligent genug, um Signale direkt an tragbare Geräte wie Mobiltelefone zu übertragen.

Angesichts der Tatsache, dass rGO-basierte Sensoren ein großes Potenzial für den Einsatz in einer industriellen Umgebung haben, stellt ihre Integration in die Cyberwelt immer noch eine Herausforderung dar und es wurde nicht viel Arbeit geleistet. In diesem Abschnitt präsentieren wir eine Roadmap der Industrie 4.0-Technologien und wie diese Technologien die von diesen Sensoren generierten Daten (wie in den oben genannten Abschnitten beschrieben) nutzen können, um intelligente Fabriken zu schaffen. Eine Smart Factory ist eine sich selbst anpassende und hochautomatisierte Fertigungsumgebung, die in der Lage ist, komplette Produktionsprozesse autonom durchzuführen und datengesteuerte Entscheidungen zu treffen71,72. Ein solcher Fertigungsaufbau verfügt über die Fähigkeit, die Leistung selbst zu optimieren und die Effizienz, Flexibilität und Qualitätskontrolle zu verbessern, indem er sich durch Lernen in Echtzeit oder nahezu Echtzeit an neue Bedingungen anpasst73. Es integriert digitale und physische Systeme über ein miteinander verbundenes Netzwerk aus Maschinen, Kommunikationsmechanismen und Rechenleistung und nutzt fortschrittliche Technologien wie Blockchain, künstliche Intelligenz, maschinelles Lernen usw., um Daten zu sammeln und zu analysieren74,75. Diese Integration wird durch ein Netzwerk aus Sensoren und Aktoren erreicht, das es einem physischen System ermöglicht, auf die Fähigkeiten des virtuellen Raums oder des „Meta-Verses“ zuzugreifen75,76.

Von rGO-basierten Sensoren gesammelte Daten können für die Durchführung virtueller Experimente und die Entscheidungsfindung in einer intelligenten Fabrik verwendet werden. Die rGO-beschichteten Sensoren können digitale Informationen aus dem physischen Raum in den digitalen Raum einspeisen, wie z. B. rGO-Mischungsverhältnisse, Formschließkräfte, Druckverteilung in der Form usw. Diese digitalen Informationen liegen in verschiedenen Formaten vor (numerische Daten, Bilder, zeitabhängig). Daten usw.). Die Rolle des digitalen Raums oder des „Meta-Verses“ besteht darin, diese Daten sicher zu sammeln, die Daten zu interpretieren und umsetzbare Befehle zu generieren. Diese umsetzbaren Befehle könnten ein Entscheidungsbaum sein, der Harzzufuhrleitungen basierend auf den von der Form mithilfe von rGO-basierten Sensoren gesammelten Informationen aktivieren/deaktivieren kann.

Das Konzept des „Meta-Verses“ ist sehr weit gefasst und seine Schlüsselkomponenten sind virtuelle/erweiterte Realität unter Verwendung digitaler Zwillinge, künstliche Intelligenz, Blockchain, IoT usw. Digital Twin (DT) ist eine der Kernkomponenten von Industrie 4.0, die wird als virtuelle Nachbildung oder digitaler Prototyp des physischen Prozesses bezeichnet, der vollständig in das physische System integriert ist und in der Lage ist, virtuelle Simulationen in Echtzeit durchzuführen77,78,79. Die virtuelle Simulation ist ein zentraler Aspekt der DT, der kontinuierliche Iterationen zwischen physischen und virtuellen Einheiten erfordert80,81. Diese Simulationen umfassen physikbasierte Berechnungsansätze (FEM/CFD)82,83,84,85,86,87 sowie datengesteuerte Stochastiksimulationen88,89,90. Die Vorteile digitaler Simulationen gegenüber experimentellen Verfahren zeigen sich im Materialverbrauch, den Arbeitsstunden und der Gesamtkostenreduzierung. Abgesehen von diesen Vorteilen können diese Simulationen zur Generierung von Datensätzen verwendet werden, die für das Training und die Erstellung von Modellen für maschinelles Lernen verwendet werden. Obwohl solche Simulationen nicht in Echtzeit durchgeführt werden können, können Modelle des maschinellen Lernens, die auf den synthetischen Daten basieren, nützlich sein91. Die Fähigkeiten digitaler Zwillinge werden manchmal durch die Virtual- und Augmented-Reality-Technologien92 erweitert, die Mensch-Maschine-Interaktionen ermöglichen93,94. Beispielsweise präsentierten und validierten Perez et al.95 einen VR-erweiterten DT für den Entwurf des automatisierten Prozesses eines Fertigungsaufbaus mit mehreren Robotern sowie dessen verbesserte Implementierung und In-Operando-Überwachung.

Digitale Zwillinge werden auf verschiedenen, aber miteinander verbundenen Ebenen implementiert13. Im Kontext von Verbundstrukturen umfassen diese Ebenen die Entwurfs-, Fertigungs-/Montage- und In-Service-/Betriebsphasen80. Auf Designebene wird es auch als „digitaler Materialzwilling“ (DMT) bezeichnet, der sich auf realistische Computermodelle des Verbundmaterials bezieht, die zur Designüberprüfung und Vorhersage der mechanischen Eigenschaften des endgültigen Verbundwerkstoffs sowie zur Schätzung verwendet werden können die Prozessparameter wie die Verdichtungsreaktion und die Harzfließeigenschaften innerhalb der Verstärkungsfasern96,97,98. Diese Parameter werden von mit rGO beschichteten Stoffen gut erfasst (wie in den vorherigen Abschnitten beschrieben) und diese Informationen können gespeichert und verwendet werden, um „realitätsnahe“ DMTs zu erstellen. Darüber hinaus können mit rGO beschichtete Stoffsensoren auch zur experimentellen Validierung von DT-Simulationen verwendet werden.

Digitale Materialzwillinge für die virtuelle Fertigung können aus verschiedenen 3D-Scanverfahren generiert werden, beispielsweise der Röntgen-Computertomographie (XCT)99,100,101,102,103. Während der Produktion wird DT auf Werkstattebene implementiert, um eine effektive Prozessüberwachung, -steuerung und -optimierung zu ermöglichen16,104,105. Seon et al. erstellte einen DT zur Optimierung des Debulking-Prozesses von Autoklaven-Verbundwerkstoffen zur Verminderung der Hohlraumbildung106. Zambal et al.107 generierten DT für die Erkennung von Defekten während des Kohlenstofffaseraufbaus unter Verwendung von Daten, die von verschiedenen Sensoren zusammen mit analytischer Modellierung und Finite-Elemente-Simulationen gesammelt wurden. Schließlich wird DT in der Betriebsphase für Prognose- und Diagnoseaktivitäten eingesetzt108. Milanoski et al.109,110 entwickelten ein FEM-basiertes DT für die strukturelle Zustandsüberwachung von versteiften Verbundplatten durch Schätzung der auf die Struktur wirkenden Last mithilfe von Dehnungsdaten, die von FBG-Sensoren (Fiber Bragg Grating) erfasst wurden. Sisson et al.111 verfolgten einen digitalen Zwillingsansatz zur Optimierung der Flugparameter von Drehflüglern durch Minimierung der Belastung kritischer mechanischer Komponenten und durch probabilistische Diagnose, Prognose und Optimierung. Anhand der von Dehnungssensoren gesammelten Daten ist es nicht nur möglich, das Vorhandensein eines Schadens zu erkennen, sondern auch die Entwicklung des Schadens, sodass auch die verbleibende Nutzungsdauer des Teils vorhergesagt werden kann109. Das Wissen über den Zustand der Strukturen und Teile hilft bei der Ergreifung vorbeugender Maßnahmen wie dem Austausch von Teilen, der Reparatur von Schäden, der Beseitigung von Rissen usw.

Künstliche Intelligenz (KI) bezieht sich im Allgemeinen auf Maschinen, die für die Ausführung von Aufgaben konzipiert sind, die typischerweise menschenähnliche Intelligenz erfordern, wie etwa Wahrnehmung, Argumentation und Entscheidungsfindung112,113,114. KI-Systeme bestehen von Natur aus aus datengesteuerten mathematischen Modellen zur autonomen Schlussfolgerung und Lösung von Problemen114. KI umfasst Teilbereiche von maschinellem und tiefem Lernen, Computer Vision, Verarbeitung natürlicher Sprache und kognitivem Computing, die sich jeweils auf unterschiedliche Aspekte der KI-Technologie konzentrieren. Künstliche Intelligenz und 2D-Materialien sind zwei der disruptiven Technologien, die miteinander verknüpft sind115,116,117. Einerseits könnten die 2D-Materialien ein Wegbereiter für die Konstruktion von Geräten für die KI sein, wie etwa Memristoren, Fotodetektoren usw.118,119,120,121,122. Andererseits können KI-Tools wie maschinelles Lernen und Deep Learning nicht nur die Entdeckung, Gestaltung und Optimierung von 2D-Materialien beschleunigen123,124,125,126, sondern auch die von Sensoren auf Basis von 2D-Materialien erzeugten Signale interpretieren. Da wir hier Graphen als potenziellen Sensor diskutieren, beschränken wir unsere Diskussionen auf KI-Tools zur Signalverarbeitung.

Die Rolle von KI-Techniken in der digitalen Fertigung unter Verwendung von rGO-Sensoren kann in erster Linie als Werkzeug zur Signalverarbeitung angesehen werden. Zur Überwachung des Herstellungsprozesses gehören in der Regel die Erkennung von Anomalien und die Messung physikalischer Größen wie Druck, Temperatur usw., die mit rGO-Sensoren einfach erfasst werden können. Die Echtzeitverarbeitung von Signalen mit sehr geringer Rechenleistung macht diese Tools sehr attraktiv127,128. Die von rGO-basierten Sensoren gemessenen Signale liegen normalerweise in Form von Widerstands-/Spannungs-/Strommessungen vor. Diese Signale müssen durch verschiedene Kalibrierungs- und Korrelationsmodelle in physikalische Parameter wie Druck, Spannung, Dehnung, Temperatur usw. umgewandelt werden61,129,130,131,132. Solche Kalibrierungsmodelle können mithilfe von Tools für maschinelles Lernen problemlos entwickelt werden17,50,133. Zhu et al.17 verwendeten ein maschinelles Lerntool (Hauptkomponentenanalyse), um die Konzentration von Wasserstoffgas aus der gemessenen Reaktion eines rGO-basierten Gassensors vorherzusagen. Ali et al.50 kalibrierten MXene-beschichtete Glasgewebesensoren mithilfe überwachter maschineller Lernalgorithmen, um die Druckspannung mit dem gemessenen Signal zu korrelieren. Hajizadegan et al.133 extrahierten die Konzentrationsniveaus der biochemischen Dotierstoffe aus dem harmonischen Spektrum von harmonischen Sensoren auf Graphenbasis mithilfe künstlicher neuronaler Netze (ANN).

Neben den Kalibrierungsmodellen können KI-Tools problemlos für Erkennungs-, Inspektions- und Überwachungsaufgaben eingesetzt werden134. Zu diesen Aufgaben kann die Erkennung von Harzrückständen in Formen135, Strömungsstörungen136 und der Bildung ungefüllter Zonen137 während der Füllphase eines LCM-Prozesses sowie die Inspektion gebrochener Filamente während der Faserproduktion138 gehören. Auch neuartige KI-basierte Methoden zur Inspektion des Automated Fiber Placement (AFP)-Prozesses wurden von mehreren Forschern vorgestellt139,140,141,142,143. Im Rahmen der Gesundheitsüberwachung von Bauwerken wurden maschinelle/Deep-Learning-Modelle zur Fehler-/Schadenserkennung144,145,146,147,148,149,150, zur Charakterisierung von Rissen/Delaminierungen151,152,153 und zur Klassifizierung von Auswirkungsniveaus154 verwendet. Yu et al.154 zeigten, dass probabilistische Bayes'sche und traditionelle künstliche neuronale Netze die Energieniveaus verschiedener Aufprallereignisse basierend auf den von einem Netzwerk piezoelektrischer Sensoren erhaltenen Signalen erfolgreich klassifizieren können. Deep-Learning-Tools sind für solche Aufgaben besonders geeignet, wenn das Signal in Form von 2D-/3D-Feldern und Karten vorliegt56,57. In solchen Fällen sind diese Modelle nicht nur in der Lage, diese Fehler zu erkennen, sondern auch zu lokalisieren152.

Schließlich können die auf maschinellem/Deep Learning basierenden Ersatz-/Vorhersagemodelle für Prozesssimulationen155,156,157 sowie für Fehlervorhersagen in der diagnostischen und prognostischen Wartung158,159,160 verwendet werden. Unter Verwendung der von einer Reihe von Drucksensoren bereitgestellten Daten implementierten Zhu et al.161 ein neuronales Netzwerkmodell zur Vorhersage von Fließfrontmustern zu jedem Imprägnierzeitpunkt. Ähnliche Vorhersagemodelle wurden auch für die Vorhersage der Harzaushärtung162 und des Verlaufs der Fließfront163 vorgestellt. Stieber et al. präsentierte die auf neuronalen Netzwerken basierenden Modelle FlowFrontNet164 und PermeabilityNets165 für die Vorhersage der Trockenstellenbildung bzw. Permeabilitätskarten aus einer Folge von Fließfrontbildern. Pratim et al.166 stellten ein ANN-Framework vor, um die Lebensdauer (Haltbarkeit) und Restfestigkeit (Schadenstoleranz) von Verbundwerkstoffen aus faserverstärktem Polymer (FRP) anhand der in Echtzeit erfassten dielektrischen Permittivität des Materials vorherzusagen. Hassan et al.167 verwendeten genetische Algorithmen zur Fehlervorhersage in selbsterkennenden Nanokompositen auf der Grundlage von Leitfähigkeitsänderungen, die mittels elektrischer Impedanztomographie beobachtet wurden.

Zusammenfassend lässt sich sagen, dass diese Tools als Kalibrierungs-, Erkennungs- und Vorhersagemodelle in den digitalen Fertigungsaufbau integriert werden können, wie in Abb. 3 zusammengefasst. Darüber hinaus können diese Modelle regelmäßig neu trainiert werden, um die Verfügbarkeit neuer Daten zu gewährleisten, ohne dass die alten Gewichte verloren gehen. den gesamten Herstellungsprozess wirklich auf den neuesten Stand bringen. Einige der hier besprochenen Modelle verwendeten Daten, die von herkömmlichen Sensoren oder synthetischen Daten generiert wurden, anstelle von Daten, die von piezoresistiven rGO-Sensoren gesammelt wurden. Die hier besprochenen Methoden können jedoch leicht für die Analyse von Daten angepasst werden, die über rGO-Sensoren gewonnen werden.

Der Einsatz von maschinellen und Deep-Learning-Modellen für verschiedene Aufgaben in der Verbundwerkstofffertigung in der Industrie 4.0. Zu den üblichen Anwendungen solcher Modelle gehören die Kalibrierung der Sensoren, die Erkennung von Anomalien durch Analyse der Signale und die Durchführung von Vorhersageaufgaben in Echtzeit.

Da KI-Tools die durch rGO-basierte Sensoren gesammelten Daten effizient analysieren können, kann die Blockchain-Technologie Daten auf sichere, vertrauenswürdige und nachvollziehbare Weise sammeln und verwalten168,169. Per Definition ist eine Blockchain eine evolutionäre Liste unveränderlicher Datensätze, sogenannte Blöcke, die mithilfe von Kryptografie miteinander verknüpft und in chronologischer Reihenfolge in einem dezentralen Netzwerk von Computern oder Knoten gespeichert werden170. Die Blockchain-Technologie nutzt einen selbstausführenden Code, sogenannte Smart Contracts, um den Prozess auf sehr zuverlässige und vertrauenswürdige Weise zu automatisieren171. Derzeit wird diese Technologie im Finanz- und Bankensektor sowie im Gesundheitswesen und in der Lieferkette in großem Umfang genutzt172. Beispielsweise kann die Blockchain-Technologie in der Lieferkette von faserverstärkten Verbundwerkstoffen eingesetzt werden, insbesondere bei der Abwicklung des temperaturkontrollierten Transports, der Handhabung und Lagerung von Prepregs auf einem manipulationssicheren Distributed Ledger173.

Bei der Verwendung von rGO als Sensorelement für die Herstellung von faserverstärkten Polymerverbundwerkstoffen werden die Daten in verschiedenen Phasen generiert, darunter physikalische Eigenschaften und Prozessparameter. Diese Stufen bilden die mehrstufige Lieferkette, die Rohstoffe, Herstellungsprozess und die fertigen Komponenten/Strukturen umfasst173,174. Die Art und das Format der Daten variieren je nach Verarbeitungsschritt und umfassen numerische Werte, zeit-/temperaturabhängige Kurven oder sogar zwei-/dreidimensionale Felder sowie subjektive Beschreibungen. Alle bei jedem Schritt generierten Daten können mithilfe der Blockchain effizient und sicher gesammelt und gespeichert werden. Eine konzeptionelle Darstellung der Verwendung von Blockchain beim Sammeln und Speichern der generierten Daten ist in Abb. 4 dargestellt. Neben den direkt von rGO-Sensoren erfassten Daten sind es auch Daten, die sich auf physikalische Eigenschaften der Bewehrung und der Matrix beziehen, sowie Daten Auch die aus physischen und virtuellen Experimenten generierten Daten sind für eine effiziente Bearbeitung von entscheidender Bedeutung. Die physikalischen Eigenschaften der Bewehrung und Matrix werden in der Regel vom Lieferanten bereitgestellt (erster Block in Abb. 4). Diese Eigenschaften werden dann über Charakterisierungsexperimente und virtuelle Simulationen mithilfe digitaler Zwillinge validiert sowie neue Eigenschaften ermittelt (zweiter Block in Abb. 4). Eine weitere wichtige Information ist die Form des herzustellenden Teils, die in Form einer 3D-Geometrie vorliegt. Formdesigns und andere Prozessparameter hängen von der Art der verwendeten Herstellungsmethode ab. Bei LCM umfassen die Prozessparameter die Anzahl und Lage der Einlass-/Auslassöffnungen, den Einspritzdruck usw. Bei der Verarbeitung von Prepregs sind der Aushärtungszyklus und die Temperatur die Hauptparameter. Die mit rGO beschichteten Materialien können eine wichtige Rolle bei der In-situ-Datenerfassung während des Prozesses spielen. Die Inspektion fertiger Teile wird mehr Daten zur Qualität des Teils liefern, wie z. B. Porositätskarten sowie Hohlraumgehalt und Toleranzniveaus175. Schließlich erzeugt die auf rGO-Sensoren basierende intelligente Struktur während des Betriebs Signale über ihren strukturellen Zustand, die im Wartungslogbuch im Blockchain-Ledger verwaltet werden können176. Abgesehen von der direkten Beteiligung kann die Blockchain auch bei der Entwicklung von DTs169,177 helfen und in Verbindung mit künstlicher Intelligenz eine Gesamtwirkung erzielen178. Nichtsdestotrotz ist die Blockchain-Technologie ein sicheres, umfangreiches und zuverlässiges Datenerfassungs- und -verwaltungstool für die Umsetzung intelligenter Abläufe mithilfe von Netzwerken sensorischer Elemente179, einschließlich rGO-basierter Sensoren.

Datenerfassung in verschiedenen Phasen der Verbundwerkstoffherstellung mithilfe der Blockchain-Technologie. Die in den verschiedenen Fertigungsstufen erzeugten Daten, einschließlich der Datenblätter der Rohstoffe und Betriebssignale, können mithilfe der Blockchain-Technologie auf effiziente und sichere Weise erfasst werden.

Es gibt zahlreiche Herausforderungen und Chancen für die technologischen Anwendungen und die Marktdurchdringung von Graphen-Nanopartikeln als digitale Materialien in verschiedenen realen Anwendungen. Es ist wichtig, diese Herausforderungen vor der groß angelegten Kommerzialisierung von Graphen als Sensorelement in faserverstärkten Polymerverbundwerkstoffen zu berücksichtigen und sie mit den Standards von Industrie 4.0 kompatibel zu machen. Der Materialauswahlprozess ist von größter Bedeutung, da mittlerweile mehrere 2D-Materialien verfügbar sind und das ausgewählte 2D-Material nicht nur die Verarbeitungsschritte, sondern auch die endgültigen Sensoreigenschaften des Produkts beeinflusst. Auch die Größenvorteile spielen bei der Auswahl eines 2D-Materials eine Rolle. Die atomistische Modellierung kann ein Werkzeug sein, um die Materialauswahl für eine bestimmte Anwendung einzugrenzen. Dies ist besonders wichtig, wenn es um multifunktionale Verbundwerkstoffe geht. Die konstruierten 2D-Materialien wie MXenes können so gestaltet werden, dass sie optimierte Eigenschaften erhalten. Atomistische Modellierung kann auch bei der Herstellung von Hybriden aus zwei oder mehr Materialien hilfreich sein. Auch die Synthese qualitativ hochwertiger Materialien stellt eine Herausforderung dar, insbesondere wenn die Prozesse in Literatur und Praxis nicht genau definiert sind. Es muss entschieden werden, ob eine Inhouse-Synthese erforderlich ist oder Standardoptionen für eine Anwendung geeignet sind.

Die nächste Herausforderung besteht darin, Graphen und andere 2D-Materialien in die Prozesskette einzubinden. Es gibt zahlreiche Möglichkeiten, Graphen in Verbundwerkstoffe einzubauen, beispielsweise durch Einmischen in das Harzsystem, Auftragen auf die Verstärkungen, Einweben eines beschichteten Kabels in das Verstärkungsgewebe oder Beschichten des endgültigen Verbundwerkstoffs mit der Graphenlösung. Es gibt keine Patentlösung, der Anwender muss entscheiden, welche Methode für die Zielanwendung optimal ist.

Die Sensorherstellung ist eine weitere eng damit verbundene Herausforderung. Wichtig ist auch die Entscheidung über Größe, Anzahl und räumliche Lage der Sensoren in einem Bauwerk. Einen Sensor in eine komplexe 3D-Form einzubetten und dabei seine Sensoreigenschaften beizubehalten, kann eine schwierige Aufgabe sein. Es ist auch wichtig, den Herstellungsprozess im Auge zu behalten, bei dem unterschiedliche Ansätze zum Einbetten eines Sensors erforderlich wären. Unabhängig davon, welche Technik zum Einbetten von Graphen-Nanopartikeln in den Verbundstoff verwendet wird, ist es wichtig, die Erfassungsfähigkeit des Verbundstoffs zur Erfassung physikalischer Veränderungen zu quantifizieren.

Die Sensorkalibrierung stellt in diesem Bereich eine große Herausforderung dar, insbesondere wenn es sich um Sensoren zwischen Laboren handelt. Es gibt noch keine Standardisierung dieser Sensoren, für eine kommerzielle Anwendung ist jedoch ein Standardisierungsprotokoll wünschenswert. Auch die Beibehaltung der Eigenschaften von Sensoren über einen längeren Zeitraum hinweg ist ein entscheidender Faktor. Umweltfaktoren wie Temperatur und Luftfeuchtigkeit können im Laufe der Zeit die Erfassungsfähigkeit beeinträchtigen. Dies ist auch bei kommerziellen Sensoren wie FBG-Sensoren wichtig, und es wird eine Routineprüfung durchgeführt, um die Funktionsfähigkeit dieser Sensoren in realen Anwendungen wie Brücken sicherzustellen. Ebenso sollten auf Graphen-Nanopartikeln basierende Sensoren über eine Möglichkeit zur Überprüfung im Laufe der Zeit verfügen. Mittlerweile können in Laborumgebungen beschleunigte Tests durchgeführt werden, um die Eigenschaftserhaltung zu quantifizieren.

Für die Kommerzialisierung von Graphen-Nanopartikeln als brauchbares digitales Material ist ein groß angelegtes Produktionssystem unerlässlich. Wie bereits erwähnt, stehen verschiedene kommerzielle Anbieter für die Bereitstellung von Graphenmaterialien zur Verfügung. Die Anwendung von Graphen in verschiedenen Bereichen stellt jedoch besondere Herausforderungen dar. Graphen und andere 2D-Materialien sind brauchbare Nanomaterialien, die als intelligente Sensoren in faserverstärkten Verbundwerkstoffen eingesetzt werden können. Sie können in jeder Phase der Herstellung und Anwendung von Verbundwerkstoffen eine Überwachung des Prozess- und Strukturzustands gewährleisten. Darüber hinaus können diese Materialien auch andere Grundeigenschaften des reinen Verbundwerkstoffs verbessern, einschließlich mechanischer Eigenschaften und EMI-Abschirmung.

Die Entitäten im Metaversum sind weitaus ausgereifter als 2D-Materialien. Im digitalen Raum wurden enorme Fortschritte bei den Rechenkapazitäten erzielt, darunter Cloud Computing, Big-Data-Analyse, IoT und künstliche Intelligenz (KI). Ihre Integration mit Sensoren auf Basis von 2D-Materialien ist jedoch noch nicht gelungen. Auch die Kompatibilität verschiedener digitaler Tools ist nicht klar. Ein wesentliches Merkmal der Blockchain-Technologie sind öffentlich zugängliche Informationen. Allerdings sind die meisten Informationen in einer Fertigungsumgebung vertraulicher Natur. In diesem Zusammenhang können Konsortium- oder Verbund-Blockchains verwendet werden, bei denen die Informationen nur auf eine Zielgruppe beschränkt sind. Die KI-Tools sind datengesteuert und erfordern sorgfältig kuratierte Datensätze für das Training. Diese Art von Daten ist derzeit rar, es wird jedoch erwartet, dass sie mit der Zeit zunehmen. Schließlich befindet sich auch das Konzept eines digitalen Zwillings auf Basis von Graphen-Nanopartikel-Sensoren in der Konzeptionsphase. Das Wachstum all dieser Technologien zusammen kann das wahre Wesen von Industrie 4.0 hervorbringen. Es besteht kein Zweifel, dass es in diesem Bereich vielfältige Möglichkeiten für die Anwendung von Graphen und anderen 2D-Materialien gibt. Es ist höchste Zeit, dass Akademiker und Verbundwerkstoffindustrien, einschließlich der Luft- und Raumfahrt- und Automobilbranche, zusammenarbeiten, um die Herausforderungen auf diesem Gebiet zu lösen und die groß angelegte Adaption von Graphen als digitales Material anzustreben, um die Vorteile dieses wundersamen Materials zu nutzen.

Alle während dieser Studie generierten oder analysierten Daten sind in diesem veröffentlichten Artikel enthalten.

More, C. Die industrielle Revolution verstehen (Routledge, 2000).

Google Scholar

Klingenberg, CO, Borges, MAV & Antunes, JADV Industrie 4.0: Was macht es zu einer Revolution? Ein historischer Rahmen zum Verständnis des Phänomens. Technol. Soc. 70, 102009 (2022).

Artikel Google Scholar

Deane, PM Die erste industrielle Revolution (Cambridge University Press, 1979).

Google Scholar

Wrigley, EA Überdenken der industriellen Revolution: England und Wales. J. Interdisziplin. Geschichte 49(1), 9–42 (2018).

Artikel Google Scholar

Jull, J. Die zweite industrielle Revolution: Die Geschichte eines Konzepts. International Journal of the History of Historiography 36, 81–90 (1999).

Google Scholar

Vinitha, K., Ambrose Prabhu, R., Bhaskar, R. & Hariharan, R. Rückblick auf Industriemathematik und Materialien von Industrie 1.0 bis Industrie 4.0. Mater. Heute Proc. 33, 3956–3960 (2020).

Artikel Google Scholar

Baena, F., Guarin, A., Mora, J., Sauza, J. & Retat, S. Lernfabrik: Der Weg zur Industrie 4.0. Proceedings Manuf. Rev. 9, 73–80 (2017).

Artikel Google Scholar

Schwab, K. Die vierte industrielle Revolution (Crown Business, 2017).

Google Scholar

Parmar, H., Khan, T., Tucci, F., Umer, R. & Carlone, P. Fortschrittliche Robotik und additive Fertigung von Verbundwerkstoffen: Auf dem Weg zu einer neuen Ära in der Industrie 4.0. Mater. Hersteller Verfahren. 37(5), 483–517 (2022).

Artikel CAS Google Scholar

Xu, X., Lu, Y., Vogel-Heuser, B. & Wang, L. Industrie 4.0 und Industrie 5.0 – Entstehung, Konzeption und Wahrnehmung. J. Manufaktur Syst. 61, 530–535 (2021).

Artikel Google Scholar

Maddikunta, PKR et al. Industrie 5.0: Eine Umfrage zu Basistechnologien und möglichen Anwendungen. J. Ind. Inf. Integr. 26, 100257 (2022).

Google Scholar

Nahavandi, S. Industrie 5.0 – Eine Lösung, bei der der Mensch im Mittelpunkt steht. Nachhaltigkeit 11(16), 4371 (2019).

Artikel Google Scholar

Tao, F., Qi, Q., Wang, L. & Nee, AYC Digitale Zwillinge und cyber-physische Systeme für intelligente Fertigung und Industrie 4.0: Korrelation und Vergleich. Engineering 5(4), 653–661 (2019).

Artikel Google Scholar

Negri, E., Fumagalli, L. & Macchi, M. Ein Überblick über die Rolle des digitalen Zwillings in CPS-basierten Produktionssystemen. Procedia Manuf. 11, 939–948 (2017).

Artikel Google Scholar

Leng, J. et al. Auf digitalen Zwillingen basierendes intelligentes Fertigungssystemdesign in der Industrie 4.0: Ein Rückblick. J. Manufaktur Syst. 60, 119–137 (2021).

Artikel Google Scholar

Tao, F. & Zhang, M. Digital Twin Shopfloor: ein neues Shopfloor-Paradigma für eine intelligente Fertigung. IEEE Access 5, 20418–20427 (2017).

Artikel Google Scholar

Zhu, J. et al. Durch maschinelles Lernen ermöglichte textilbasierte Graphen-Gaserkennung mit einer durch Energiegewinnung unterstützten IoT-Anwendung. Nano Energy 86, 106035 (2021).

Artikel CAS Google Scholar

Levchenko, I., Bazaka, K., Belmonte, T., Keidar, M. & Xu, S. Fortschrittliche Materialien für Raumfahrzeuge der nächsten Generation. Adv. Mater. 30(50), 1802201 (2018).

Artikel Google Scholar

Döscher, H., Schmaltz, T., Neef, C., Thielmann, A. & Reiss, T. Graphene Roadmap Briefs (Nr. 2): Industrialisierungsstatus und Aussichten 2020. 2D Mater. 8(2), 022005 (2021).

Artikel Google Scholar

Choi, SH et al. Groß angelegte Synthese von Graphen und anderen 2D-Materialien im Hinblick auf die Industrialisierung. Nat. Komm. 13(1), 1484 (2022).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Mensah, B. et al. Graphenverstärkte Elastomer-Nanokomposite: Ein Rückblick. Polym. Testen 68, 160–184 (2018).

Artikel CAS Google Scholar

Ren, S., Rong, P. & Yu, Q. Vorbereitungen, Eigenschaften und Anwendungen von Graphen in Funktionsgeräten: Eine kurze Übersicht. Ceram. Int. 44(11), 11940–11955 (2018).

Artikel CAS Google Scholar

Hiew, BYZ et al. Übersicht über die Synthese von 3D-Graphen-basierten Konfigurationen und deren Adsorptionsleistung für gefährliche Wasserschadstoffe. Prozesssicher. Umgebung. Prot. 116, 262–286 (2018).

Artikel CAS Google Scholar

Dasari, BL, Nouri, JM, Brabazon, D. & Naher, S. Graphen und Derivate – Synthesetechniken, Eigenschaften und ihre Energieanwendungen. Energie 140, 766–778 (2017).

Artikel CAS Google Scholar

Bianco, A. et al. Alles aus der Graphenfamilie – Eine empfohlene Nomenklatur für zweidimensionale Kohlenstoffmaterialien. Kohlenstoff 65, 1–6 (2013).

Artikel CAS Google Scholar

Zhang, F. et al. Jüngste Fortschritte bei Graphen: Synthese, Eigenschaften und Anwendungen. Kompositionen. Eine Appl. Wissenschaft. Hersteller 160, 107051 (2022).

Artikel CAS Google Scholar

Yu, X. et al. Intelligente Materialien auf Graphenbasis. Nat. Rev. Mater. 2(9), 17046 (2017).

Artikel ADS CAS Google Scholar

Weiss, NO et al. Graphen: Ein aufstrebendes elektronisches Material. Adv. Mater. 24(43), 5782–5825 (2012).

Artikel CAS PubMed Google Scholar

Irfan, MS, Khan, T., Hussain, T., Liao, K. & Umer, R. Kohlenstoffbeschichtete piezoresistive Fasersensoren: Von der Prozessüberwachung zur strukturellen Gesundheitsüberwachung von Verbundwerkstoffen – Ein Überblick. Kompositionen. Eine Appl. Wissenschaft. Hersteller 141, 106236 (2021).

Artikel CAS Google Scholar

Islam, MH, Afroj, S., Uddin, MA, Andreeva, DV, Novoselov, KS, Karim, N. Graphen- und CNT-basierte intelligente faserverstärkte Verbundwerkstoffe: Ein Überblick. Adv. Funktion. Mater. (2022) 2205723.

Yan, Y. et al. Synthese von Graphen: Mögliche Kohlenstoffvorläufer und Ansätze. Nanotechnologie. Rev. 9(1), 1284–1314 (2020).

Artikel CAS Google Scholar

Kumar, N. et al. Top-down-Synthese von Graphen: Eine umfassende Übersicht. FlatChem 27, 100224 (2021).

Artikel CAS Google Scholar

Yu, R., Zhu, C., Wan, J., Li, Y. & Hong, X. Übersicht über textile Dehnungssensoren auf Graphenbasis mit Schwerpunkt auf Strukturaktivitätsbeziehungen. Polymere 13(1), 151 (2021).

Artikel CAS PubMed PubMed Central Google Scholar

Shi, J. et al. Intelligente textilintegrierte mikroelektronische Systeme für tragbare Anwendungen. Adv. Mater. 32(5), 1901958 (2020).

Artikel CAS Google Scholar

Zhang, H., Kuwata, M., Bilotti, E. & Peijs, T. Integrierte Schadenserkennung in faserverstärkten Verbundwerkstoffen mit extrem niedrigen Kohlenstoffnanoröhrenbeladungen. J. Nanomater. 16(1), 243 (2015).

Google Scholar

Lazaridou, I., Kourkoulis, SK & Alexopoulos, ND Schadensüberwachung von mit Kohlenstoffnanoröhren/Epoxidglasfasern verstärkten Verbundwerkstoffen unterschiedlicher Konzentration unter quasistatischen inkrementellen Belastungen. Mater. Heute Proc. 12, 262–270 (2019).

Artikel CAS Google Scholar

Böger, L., Wichmann, MHG, Meyer, LO & Schulte, K. Belastungs- und Gesundheitsüberwachung in glasfaserverstärkten Verbundwerkstoffen mit einer elektrisch leitfähigen Nanokomposit-Epoxidmatrix. Kompositionen. Wissenschaft. Technol. 68(7), 1886–1894 (2008).

Artikel Google Scholar

Ma, P.-C., Mo, S.-Y., Tang, B.-Z. & Kim, J.-K. Dispersion, Grenzflächenwechselwirkung und Reagglomeration funktionalisierter Kohlenstoffnanoröhren in Epoxidverbundwerkstoffen. Kohlenstoff 48(6), 1824–1834 (2010).

Artikel CAS Google Scholar

Qian, H., Greenhalgh, ES, Shaffer, MSP & Bismarck, A. Hierarchische Verbundwerkstoffe auf Kohlenstoffnanoröhrenbasis: Eine Übersicht. J. Mater. Chem. 20(23), 4751–4762 (2010).

Artikel CAS Google Scholar

Er, D. et al. Entwurf elektrisch leitfähiger Strukturverbundstoffe durch Modulieren der Länge ausgerichteter CVD-gewachsener Kohlenstoffnanoröhren auf Glasfasern. ACS-Appl. Mater. Schnittstellen. 9(3), 2948–2958 (2017).

Artikel CAS PubMed Google Scholar

Mahmood, H., Vanzetti, L., Bersani, M. & Pegoretti, A. Mechanische Eigenschaften und Dehnungsüberwachung von Glas-Epoxid-Verbundwerkstoffen mit graphenbeschichteten Fasern. Kompositionen. Eine Appl. Wissenschaft. Hersteller 107, 112–123 (2018).

Artikel CAS Google Scholar

Tzounis, L., Kirsten, M., Simon, F., Mäder, E. & Stamm, M. Die Interphasen-Mikrostruktur und die elektrischen Eigenschaften von Glasfasern, die kovalent und nichtkovalent mit mehrwandigen Kohlenstoff-Nanoröhrchen verbunden sind. Kohlenstoff 73, 310–324 (2014).

Artikel CAS Google Scholar

Wiegand, N., Haupt, M., Mäder, E. & Cherif, C. Eine vergleichende Studie zur textilen Verarbeitung von Carbon- und multifunktionalen Glasfaser-Sensorgarnen für die strukturelle Gesundheitsüberwachung. Adv. Ing. Mater. 18(3), 385–390 (2016).

Artikel CAS Google Scholar

Ali, MA et al. Mit Graphen beschichtete piezoresistive Stoffe zur Überwachung des Flüssigverbundformprozesses. Kompositionen. Wissenschaft. Technol. 148, 106–114 (2017).

Artikel CAS Google Scholar

Khan, T. et al. Überwachung des Harzinfusionsprozesses mithilfe von mit Graphen beschichteten Glasgewebesensoren und unschmelzbaren thermoplastischen und duroplastischen Matrizen. Polym. Kompositionen. 43(5), 2924–2940 (2022).

Artikel CAS Google Scholar

Hsiao, K.-T. & Advani, SG Strömungserfassungs- und Steuerungsstrategien zur Behebung von Race-Tracking-Störungen beim Harzspritzpressen. Teil I: Design und Algorithmenentwicklung. Kompositionen. Eine Appl. Wissenschaft. Hersteller 35(10), 1149–1159 (2004).

Artikel Google Scholar

Sozer, EM, Bickerton, S. & Advani, SG Strategische Online-Steuerung des Formfüllprozesses für flüssige Verbundstoffe. Kompositionen. Eine Appl. Wissenschaft. Hersteller 31(12), 1383–1394 (2000).

Artikel Google Scholar

Bickerton, S., Stadtfeld, HC, Steiner, KV & Advani, SG Design und Anwendung aktiv gesteuerter Injektionsschemata für das Harzspritzverfahren. Kompositionen. Wissenschaft. Technol. 61(11), 1625–1637 (2001).

Artikel Google Scholar

Yong, AXH, Aktas, A., May, D., Endruweit, A., Lomov, SV et al., Experimentelle Charakterisierung der Textilverdichtungsreaktion: Eine Benchmark-Übung. Kompositionen. Eine Appl. Wissenschaft. Hersteller 142 (2021).

Ali, MA et al. In-situ-Überwachung der Bewehrungsverdichtungsreaktion über MXene-beschichtete Glasgewebesensoren. Kompositionen. Wissenschaft. Technol. 227, 109623 (2022).

Artikel CAS Google Scholar

Dominauskas, A., Heider, D. & Gillespie, JW Elektrischer Zeitbereichs-Reflektometriesensor zur Online-Durchflussmessung bei der Verarbeitung flüssiger Verbundwerkstoffe. Kompositionen. Eine Appl. Wissenschaft. Hersteller 34(1), 67–74 (2003).

Artikel Google Scholar

Pandey, G., Deffor, H., Thostenson, ET & Heider, D. Intelligente Werkzeuge mit integrierter Zeitbereichs-Reflektometrie-Sensorleitung für die nicht-invasive Fluss- und Aushärtungsüberwachung während der Verbundwerkstoffherstellung. Kompositionen. Eine Appl. Wissenschaft. Hersteller 47, 102–108 (2013).

Artikel CAS Google Scholar

Yu, Y., Cui, X., Liang, Z., Qing, Kompositionen. Wissenschaft. Technol. 229, 109712 (2022).

Artikel CAS Google Scholar

Matsuzaki, R., Kobayashi, S., Todoroki, A. & Mizutani, Y. Steuerung des Harzflusses/der Harztemperatur mithilfe eines multifunktionalen Interdigitalelektroden-Array-Films während eines VaRTM-Prozesses. Kompositionen. Eine Appl. Wissenschaft. Hersteller 42(7), 782–793 (2011).

Artikel Google Scholar

Danisman, M., Tuncol, G., Kaynar, A. & Sozer, EM Überwachung des Harzflusses im Resin Transfer Molding (RTM)-Prozess mithilfe von Punktspannungssensoren. Kompositionen. Wissenschaft. Technol. 67(3), 367–379 (2007).

Artikel CAS Google Scholar

Dai, H. & Thostenson, ET Skalierbares und multifunktionales Textil auf Kohlenstoffnanoröhrenbasis als verteilte Sensoren für die Fluss- und Aushärtungsüberwachung. Kohlenstoff 164, 28–41 (2020).

Artikel CAS Google Scholar

Rocha, H., Fernandes, C., Ferreira, N., Lafont, U. & Nunes, JP Schadenslokalisierung an CFK-Verbundwerkstoffen durch elektrische Impedanztomographie. Mater. Heute Komm. 32, 104164 (2022).

Artikel CAS Google Scholar

Dai, H., Thostenson, ET & Schumacher, T. Verarbeitung und Charakterisierung eines neuartigen verteilten Dehnungssensors unter Verwendung von Vliesstoffverbundwerkstoffen auf Kohlenstoffnanoröhrenbasis. Sensoren 15(7), 17728–17747 (2015).

Artikel ADS PubMed PubMed Central Google Scholar

Dai, H., Gallo, GJ, Schumacher, T. & Thostenson, ET Eine neuartige Methode zur räumlichen Schadenserkennung und Bildgebung unter Verwendung eines verteilten Verbundsensors auf Kohlenstoffnanoröhrenbasis in Kombination mit elektrischer Impedanztomographie. J. Nondestr. Bewertung. 35(2), 26 (2016).

Artikel Google Scholar

Luo, S. et al. Hybride Sprühbeschichtung, Lasermarkierung und Tintenabgabe von Graphensensoren/-arrays mit einstellbarem Piezowiderstand zur In-situ-Überwachung von Verbundwerkstoffen. Kohlenstoff 139, 437–444 (2018).

Artikel CAS Google Scholar

Panozzo, F., Zappalorto, M., Carraro, PA & Quaresimin, M. Änderung des elektrischen Widerstands im Vergleich zum Schadenszustand in rissigen symmetrischen Laminaten: Eine geschlossene Lösung. Kompositionen. Struktur. 184, 1081–1091 (2018).

Artikel Google Scholar

Gordan, M. et al. Aktueller Überblick über Fortschritte beim Data Mining in der strukturellen Gesundheitsüberwachung. Messung 193, 110939 (2022).

Artikel Google Scholar

Hassani, S., Mousavi, M. & Gandomi, AH Strukturelle Gesundheitsüberwachung in Verbundstrukturen: Eine umfassende Übersicht. Sensoren 22(1), 153 (2022).

Artikel ADS CAS Google Scholar

Luo, S., Obitayo, W. & Liu, T. SWCNT-Dünnfilm-fähige Fasersensoren für die lebenslange strukturelle Gesundheitsüberwachung von Polymerverbundwerkstoffen – von der Herstellung über die Nutzung bis zum Ausfall. Kohlenstoff 76, 321–329 (2014).

Artikel CAS Google Scholar

Irfan, MS et al. Mit MXen und Graphen beschichtete multifunktionale faserverstärkte Verbundwerkstoffe für die Luft- und Raumfahrt mit Sensor- und EMI-Abschirmfunktionen. Kompositionen. Eine Appl. Wissenschaft. Hersteller 165, 107351 (2023).

Artikel CAS Google Scholar

Wang, G. et al. Strukturabhängige Eigenschaften von Kohlenstoffnanomaterialien ermöglichten Fasersensoren für die In-situ-Überwachung von Verbundwerkstoffen. Kompositionen. Struktur. 195, 36–44 (2018).

Artikel Google Scholar

Luo, S. & Liu, T. Einbettbarer Fasersensor mit Graphit-Nanoplättchen für die In-situ-Härtungsüberwachung und die Überwachung des strukturellen Zustands von Polymerverbundwerkstoffen. ACS-Appl. Mater. Schnittstellen. 6(12), 9314–9320 (2014).

Artikel CAS PubMed Google Scholar

Ud Din, I. et al. Elektromechanisches Verhalten selbsterkennender Sandwich-Verbundstrukturen für elektrischere Flugzeugstrukturen der nächsten Generation. Kompositionen. Struktur. 300, 116169 (2022).

Artikel Google Scholar

Ud Din, I. et al. Geschwindigkeitsabhängige piezoresistive Charakterisierung intelligenter Sandwichstrukturen für die Luft- und Raumfahrt, eingebettet in mit reduziertem Graphenoxid (rGO) beschichtete Gewebesensoren. Kompositionen. Komm. 36, 101382 (2022).

Artikel Google Scholar

Can-Ortiz, A., Abot, JL & Avilés, F. Elektrische Charakterisierung von Fasern auf Kohlenstoffbasis und ihre Anwendung zur Erfassung der relaxationsinduzierten Piezoresistenz in Polymerverbundwerkstoffen. Kohlenstoff 145, 119–130 (2019).

Artikel CAS Google Scholar

Chen, B. et al. Smart Factory der Industrie 4.0: Schlüsseltechnologien, Anwendungsfall und Herausforderungen. IEEE Access 6, 6505–6519 (2018).

Artikel Google Scholar

Li, C., Chen, Y. & Shang, Y. Ein Überblick über industrielle Big Data für die Entscheidungsfindung in der intelligenten Fertigung. Ing. Wissenschaft. Technol. Int. J. 29, 101021 (2022).

Google Scholar

Qu, YJ, Ming, XG, Liu, ZW, Zhang, XY & Hou, ZT Intelligente Fertigungssysteme: Stand der Technik und zukünftige Trends. Int. J. Adv. Hersteller Technol. 103(9), 3751–3768 (2019).

Artikel Google Scholar

Cheng, GJ, Liu, LT, Qiang, XJ, Liu, Y. Industrie 4.0-Entwicklung und Anwendung intelligenter Fertigung. Im Jahr 2016 International Conference on Information System and Artificial Intelligence (ISAI) (2016), 407–410.

Abikoye, OC et al. Anwendung des Internets der Dinge und des Cyber-Physical-Systems in der intelligenten Fertigung von Industrie 4.0. In Emergence of Cyber ​​Physical System and IoT in Smart Automation and Robotics (Hrsg. Singh, KK et al.) 203–217 (Springer International Publishing, 2021).

Kapitel Google Scholar

Xu, LD, He, W. & Li, S. Internet der Dinge in der Industrie: Eine Umfrage. IEEE Trans. Industrie. Inf. 10(4), 2233–2243 (2014).

Artikel Google Scholar

Tao, F., Zhang, M. & Nee, AYC Digital Twin Driven Smart Manufacturing (Academic Press, 2019).

Google Scholar

Glaessgen, E. & Stargel, D. Das digitale Zwillingsparadigma für zukünftige Fahrzeuge der NASA und der US Air Force. Auf der 53. AIAA/ASME/ASCE/AHS/ASC-Konferenz zu Strukturen, Strukturdynamik und Materialien, Honolulu, Hawaii (2012).

Tuegel, E. Der digitale Zwilling der Flugzeugzelle: Einige Herausforderungen bei der Umsetzung in 53. AIAA/ASME/ASCE/AHS/ASC Structures, Structural Dynamics and Materials Conference (2012).

Xiong, M. & Wang, H. Digitale Zwillingsanwendungen in der Luftfahrtindustrie: Ein Rückblick. Int. J. Adv. Hersteller Technol. 121(9), 5677–5692 (2022).

Artikel Google Scholar

Phanden, RK, Sharma, P. & Dubey, A. Ein Überblick über Simulation im digitalen Zwilling für Luft- und Raumfahrt, Fertigung und Robotik. Mater. Heute Proc. 38, 174–178 (2021).

Artikel Google Scholar

Henning, F. et al. Schnelle Bearbeitung und kontinuierliche Simulation von Strukturverbundbauteilen für die Automobilindustrie. Kompositionen. Wissenschaft. Technol. 171, 261–279 (2019).

Artikel CAS Google Scholar

Shafto, M. et al. Roadmap für Modellierung, Simulation, Informationstechnologie und Verarbeitung. Nat. Aeronaut. Space-Administrator. 32 (2012), 1–38 (2012).

Google Scholar

Levy, A. & Kratz, J. Direkte numerische Simulation der Infusion und Fließfrontverfolgung in Materialien mit heterogener Permeabilität unter Verwendung eines Druckkartierungssensors. J. Compos. Mater. 54(13), 1647–1661 (2019).

Artikel Google Scholar

Chai, BX et al. Simulationsbasierte Optimierung für die Gestaltung der Einspritzkonfiguration von Spritzgussverfahren für flüssige Verbundstoffe: Ein Rückblick. Kompositionen. Eine Appl. Wissenschaft. Hersteller 149, 106540 ​​(2021).

Artikel CAS Google Scholar

Wijaya, W., Bickerton, S., Kelly, PA Meso-skalige Verdichtungssimulation mehrschichtiger 2D-Textilverstärkungen: Ein Kirchhoff-basiertes nichtlineares elastisches konstitutives Schleppmodell mit großer Dehnung, Compos. Eine Appl. Wissenschaft. Hersteller 137 (2020).

Boschert, S. & Rosen, R. Digitaler Zwilling – Der Simulationsaspekt. In Mechatronic Futures (Hrsg. Hehenberger, P. & Bradley, D.) (Springer, Berlin, 2016).

Google Scholar

Yerbolat, G. et al. Bestimmung der Eigenschaften von Verbundwerkstoffen durch Mischungsregel und Monte-Carlo-Simulation. IEEE International Conference on Advanced Manufacturing (ICAM) 2018, 384–387 (2018).

Artikel Google Scholar

Dodwell, TJ et al. Mehrstufige Monte-Carlo-Simulationen von Verbundstrukturen mit unsicheren Herstellungsfehlern. Wahrscheinlich. Ing. Mech. 63, 103116 (2021).

Artikel Google Scholar

Zhou, K., Enos, R., Berechnen. Mater. Wissenschaft. 207, 111257 (2022).

Artikel CAS Google Scholar

Li, L., Aslam, S., Wileman, A. & Perinpanayagam, S. Digitaler Zwilling in der Luft- und Raumfahrtindustrie: Eine sanfte Einführung. IEEE Access 10, 9543–9562 (2022).

Artikel Google Scholar

Yin, Y., Zheng, P., Li, C. & Wang, L. Eine hochmoderne Umfrage zum Augmented Reality-gestützten digitalen Zwilling für eine futuristische, menschenzentrierte Industrietransformation. Roboter. Comput.-Integr. Hersteller 81, 102515 (2023).

Artikel Google Scholar

Li, S. et al. Proaktive Mensch-Roboter-Kollaboration: Gegenseitig-kognitive, vorhersehbare und selbstorganisierende Perspektiven. Roboter. Comput.-Integr. Hersteller 81, 102510 (2023).

Artikel Google Scholar

Malik, AA, Masood, T. & Bilberg, A. Virtuelle Realität in der Fertigung: Immersive und kollaborative künstliche Realität bei der Gestaltung von Mensch-Roboter-Arbeitsräumen. Int. J. Comput. Integr. Hersteller 33(1), 22–37 (2020).

Artikel Google Scholar

Pérez, L., Rodríguez-Jiménez, S., Rodríguez, N., Usamentiaga, R. & García, DF Digitaler Zwilling und auf Virtual Reality basierende Methodik für die Inbetriebnahme von Fertigungszellen mit mehreren Robotern. Appl. Wissenschaft. 10(10), 3633 (2020).

Artikel Google Scholar

Ali, MA, Umer, R. & Khan, KA Ein virtuelles Permeabilitätsmess-Framework für Faserverstärkungen unter Verwendung von Mikro-CT-generierten digitalen Zwillingen. Int. J. Leichte Materie. Hersteller 3(3), 204–216 (2020).

Google Scholar

Huang, W., Causse, P., Hu, H. & Trochu, F. Numerische und experimentelle Untersuchung der gesättigten Querpermeabilität von 2D-Glasgeweben basierend auf Materialzwillingen. Polym. Kompositionen. 41(4), 1341–1355 (2020).

Artikel CAS Google Scholar

Huang, W., Xu, R., Yang, J., Huang, Q. & Hu, H. Datengesteuerte Multiskalensimulation von FRP basierend auf Materialzwillingen. Kompositionen. Struktur. 256, 113013 (2021).

Artikel Google Scholar

Ali, MA, Umer, R. & Khan, KA CT-Scan-generierte Materialzwillinge für die Verbundwerkstofffertigung in Industrie 4.0 (Springer, 2020).

Buchen Sie Google Scholar

Ali, MA, Guan, Q., Umer, R., Cantwell, WJ & Zhang, T. Effiziente Verarbeitung von μCT-Bildern mit Deep-Learning-Tools zur Generierung digitaler Materialzwillinge von gewebten Stoffen. Kompositionen. Wissenschaft. Technol. 217, 109091 (2022).

Artikel CAS Google Scholar

Ali, MA, Guan, Q., Umer, R., Cantwell, WJ & Zhang, T. Deep-Learning-basierte semantische Segmentierung von µCT-Bildern zur Erstellung digitaler Materialzwillinge faseriger Verstärkungen. Kompositionen. Eine Appl. Wissenschaft. Hersteller 139, 106131 (2020).

Artikel Google Scholar

Huang, W., Causse, P., Brailovski, V., Hu, H. & Trochu, F. Rekonstruktion mesostruktureller Materialzwillingsmodelle technischer Textilien basierend auf Micro-CT-unterstützter geometrischer Modellierung. Kompositionen. Eine Appl. Wissenschaft. Hersteller 124, 105481 (2019).

Artikel Google Scholar

Song, Y., Qu, Z., Liao, H. & Ai, S. Generation von Materialzwillingen aus gewebten Polymerverbundwerkstoffen basierend auf Faltungs-Neuronalen Netzen ResL-U-Net. Kompositionen. Struktur. 307, 116672 (2023).

Artikel CAS Google Scholar

Yao, B., Xu, W., Shen, T., Ye, Wissenschaft. Rep. 13(1), 1769 (2023).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Lu, Y., Liu, C., Wang, KIK, Huang, H., Xu, X. Digital Twin-gesteuerte intelligente Fertigung: Konnotation, Referenzmodell, Anwendungen und Forschungsfragen. Roboter. Berechnen. Integr. Hersteller 61 (2020).

Seon, G., Nikishkov, Y., Makeev, A. und Ferguson, L. Auf dem Weg zu einem digitalen Zwilling zur Minderung der Hohlraumbildung beim Debulking von Autoklaven-Verbundteilen. Ing. Bruch. Mech. 225 (2020).

Zambal, S., Eitzinger, C., Clarke, M., Klintworth, J. & Mechin, P. Ein digitaler Zwilling für die Herstellung von Verbundteilen: Auswirkungen der Fehleranalyse basierend auf Fertigungsdaten. Im Jahr 2018 IEEE 16th International Conference on Industrial Informatics (INDIN) (2018), 803–808.

Lee, J., Lapira, E., Bagheri, B. & Kao, H.-A. Aktuelle Fortschritte und Trends bei prädiktiven Fertigungssystemen im Big-Data-Umfeld. Hersteller Lette. 1(1), 38–41 (2013).

Artikel Google Scholar

Milanoski, D., Galanopoulos, G., Zarouchas, D., Loutas, T. Mehrstufige Schadensdiagnose an versteiften Verbundplatten basierend auf einem schadensuninformativen digitalen Zwilling. Struktur. Gesundheitsüberwachung. (2022) 14759217221108676.

Milanoski, DP, Galanopoulos, GK und Loutas, TH Digitale Zwillinge von Verbundflugzeugstrukturen für die Überwachung des strukturellen Zustands. Im Jahr 2021 IEEE 8. Internationaler Workshop zur Metrologie für die Luft- und Raumfahrt (MetroAeroSpace) (2021) 613–618.

Sisson, W., Karve, P. & Mahadevan, S. Digitaler Zwillingsansatz zur Optimierung der Flugparameter von Drehflüglern mit Informationen zum Komponentenzustand. AIAA J. 60(3), 1923–1936 (2022).

Artikel ADS CAS Google Scholar

Russell, SJ Künstliche Intelligenz: Ein moderner Ansatz (Pearson Education, Inc, 2010).

MATH Google Scholar

Winston, PH Künstliche Intelligenz (Addison-Wesley, 1992).

MATH Google Scholar

Girasa, R. AI as a disruptive Technology, Artificial Intelligence as a disruptive Technology: Economic Transformation and Government Regulation 3–21 (Springer, 2020).

Google Scholar

Chaudhary, V., Kaushik, AK, Furukawa, H., Khosla, A. Auf dem Weg zu KI- und IoT-gesteuerten nachhaltigen intelligenten Sensoren der 5. Generation auf Basis von 2D-Mxenen und Borophen. ECS-Sensoren Plus (2022).

Kaspar, C., Ravoo, BJ, van der Wiel, WG, Wegner, SV & Pernice, WHP Der Aufstieg der intelligenten Materie. Nature 594(7863), 345–355 (2021).

Artikel ADS CAS PubMed Google Scholar

Mennel, L. et al. Ultraschnelle maschinelle Bildverarbeitung mit 2D-Material-Neuronalen-Netzwerk-Bildsensoren. Nature 579(7797), 62–66 (2020).

Artikel ADS CAS PubMed Google Scholar

Gao, W., Yu, C. & Chen, R. Beschleuniger für künstliche Intelligenz basierend auf optoelektronischen Graphen-Geräten. Adv. Photon. Res. 2(6), 2100048 (2021).

Artikel Google Scholar

Lemme, MC, Akinwande, D., Huyghebaert, C. & Stampfer, C. 2D-Materialien für zukünftige heterogene Elektronik. Nat. Komm. 13(1), 1392 (2022).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Konstantatos, G. Aktueller Stand und technologische Aussichten von Fotodetektoren auf Basis zweidimensionaler Materialien. Nat. Komm. 9(1), 5266 (2018).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Kim, I. et al. Simulatorbeschleunigung und inverses Design von Finnen-Feldeffekttransistoren mittels maschinellem Lernen. Wissenschaft. Rep. 12(1), 1140 (2022).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Wachter, S., Polyushkin, DK, Bethge, O. & Mueller, T. Ein Mikroprozessor basierend auf einem zweidimensionalen Halbleiter. Nat. Komm. 8(1), 14948 (2017).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Tritsaris, GA, Carr, S. & Schleder, GR Computergestütztes Design von Moiré-Anordnungen mit Hilfe künstlicher Intelligenz. Appl. Physik. Rev. 8(3), 031401 (2021).

Artikel ADS CAS Google Scholar

Sorkun, MC, Astruc, S., Koelman, JMVA & Er, S. Ein durch künstliche Intelligenz unterstütztes virtuelles Screening-Rezept für die Entdeckung zweidimensionaler Materialien. NPJ-Berechnung. Mater. 6(1), 106 (2020).

Artikel ADS Google Scholar

Huang, M., Li, Z., Zhu, H. Aktuelle Fortschritte von Graphen und verwandten Materialien in der künstlichen Intelligenz. Adv. Intel. Syst. n/a(n/a) (2022).

Qiu, C., Han, Y., Shanmugam, L., Zhao, Y., Dong, S., Du, S., Yang, J. Eine Deep-Learning-basierte Verbundwerkstoff-Designstrategie für eine effiziente Materialauswahl und Layup-Sequenzen aus einer bestimmten Datenbank. Kompositionen. Wissenschaft. Technol. (2021) 109154.

Kikuchi, M., Ogasawara, T., Fujii, S. & Takeda, S.-I. Anwendung von maschinellem Lernen zur Verbesserung der Genauigkeit gleichzeitiger Temperatur- und Dehnungsmessungen von kohlenstofffaserverstärkten Kunststofflaminaten mithilfe eines eingebetteten geneigten Faser-Bragg-Gitter-Sensors. Kompositionen. Eine Appl. Wissenschaft. Hersteller 161, 107108 (2022).

Artikel CAS Google Scholar

Salehi, H. & Burgueño, R. Neue Methoden der künstlichen Intelligenz im Bauingenieurwesen. Ing. Struktur. 171, 170–189 (2018).

Artikel Google Scholar

Balaji, R. & Sasikumar, M. Graphenbasiertes Dehnungs- und Schadensvorhersagesystem für Polymerverbundwerkstoffe. Kompositionen. Eine Appl. Wissenschaft. Hersteller 103, 48–59 (2017).

Artikel CAS Google Scholar

Reghat, M. et al. Graphen als piezoresistive Beschichtung zur Dehnungsüberwachung in Glasfaserverbundwerkstoffen. Kompositionen. Wissenschaft. Technol. 211, 108842 (2021).

Artikel CAS Google Scholar

Alexopoulos, ND, Bartholome, C., Poulin, P. & Marioli-Riga, Z. Strukturelle Gesundheitsüberwachung von glasfaserverstärkten Verbundwerkstoffen unter Verwendung eingebetteter Kohlenstoffnanoröhrenfasern (CNT). Kompositionen. Wissenschaft. Technol. 70(2), 260–271 (2010).

Artikel CAS Google Scholar

Kalantari, M., Dargahi, J., Kövecses, J., Mardasi, MG & Nouri, S. Ein neuer Ansatz zur Modellierung piezoresistiver Kraftsensoren basierend auf halbleitenden Polymerverbundwerkstoffen. IEEE/ASME Trans. Mechatron. 17(3), 572–581 (2012).

Artikel Google Scholar

Hajizadegan, M., Sakhdari, M., Abbasi, S. & Chen, PY Maschinelles Lernen unterstützte multifunktionale harmonische Sensoren auf Graphenbasis. IEEE Sens. J. 21(6), 8333–8340 (2021).

Artikel ADS CAS Google Scholar

Shahbazi, Z. & Byun, Y.-C. Echtzeitanalyse für intelligente Fertigung basierend auf Blockchain- und maschinellen Lernansätzen. Appl. Wissenschaft. 11(8), 3535 (2021).

Artikel CAS Google Scholar

Fernández-León, J. et al. Eine maschinelle Lernstrategie zur Race-Tracking-Erkennung während der Herstellung von Verbundwerkstoffen durch Flüssigformen. Integr. Mater. Hersteller Innov. 11(2), 296–311 (2022).

Artikel Google Scholar

González, C. & Fernández-León, J. Ein maschinelles Lernmodell zur Erkennung von Strömungsstörungen während der Herstellung von Verbundwerkstoffen durch Flüssigformen. J. Compos. Wissenschaft. 4(2), 71 (2020).

Artikel Google Scholar

Mendikute, J. et al. Diagnose der Imprägnierungsqualität beim Harzspritzpressen durch maschinelles Lernen. Kompositionen. B Eng. 221, 108973 (2021).

Artikel CAS Google Scholar

Li, D., Hua, S., Li, Z., Gong, IEEE Trans. Instrument. Mess. 71, 1–12 (2022).

Artikel Google Scholar

Sacco, C., Baz Radwan, A., Anderson, A., Harik, R., Gregory, E. Maschinelles Lernen in der Verbundwerkstoffherstellung: Eine Fallstudie zur automatisierten Faserplatzierungsinspektion. Kompositionen. Struktur. 250 (2020).

Tang, Y., Wang, Q., Cheng, L., Li, J. & Ke, Y. Eine prozessbegleitende Inspektionsmethode, die Deep Learning und klassischen Algorithmus für die automatisierte Faserplatzierung integriert. Kompositionen. Struktur. 300, 116051 (2022).

Artikel Google Scholar

Meister, S., Wermes, M. Leistungsbewertung von CNN- und R-CNN-basierten zeilenweisen Analysealgorithmen zur Klassifizierung von Faserplatzierungsfehlern. Prod. Ing. (2022).

Meister, S., Wermes, M., Stüve, J. & Groves, RM Untersuchungen zu erklärbaren Methoden der künstlichen Intelligenz für die Deep-Learning-Klassifizierung von Faserlagenfehlern in der automatisierten Verbundwerkstofffertigung. Kompositionen. B Eng. 224, 109160 (2021).

Artikel Google Scholar

Meister, S., Wermes, M., Stüve, J. & Groves, RM Kreuzbewertung eines parallel arbeitenden SVM-CNN-Klassifikators für zuverlässige interne Entscheidungsprozesse bei der Verbundprüfung. J. Manufaktur Syst. 60, 620–639 (2021).

Artikel Google Scholar

Li, X. et al. Deep-Learning-basierte Fehlererkennung bestimmter Flugtriebwerksschaufeln und -leitschaufeln mit DDSC-YOLOv5s. Wissenschaft. Rep. 12(1), 13067 (2022).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Rovinelli, A., Sangid, MD, Proudhon, H. & Ludwig, W. Mithilfe von maschinellem Lernen und einem datengesteuerten Ansatz die treibende Kraft kleiner Ermüdungsrisse in polykristallinen Materialien identifizieren. NPJ-Berechnung. Mater. 4(1), 35 (2018).

Artikel ADS Google Scholar

Marani, R., Palumbo, D., Galietti, U., Stella, E., Orazio, TD Automatische Erkennung von Defekten unter der Oberfläche in Verbundwerkstoffen mithilfe von Thermografie und unbeaufsichtigtem maschinellem Lernen. Im Jahr 2016 IEEE 8th International Conference on Intelligent Systems (IS), 516–521 (2016).

Gong, Y., Shao, H., Luo, J. & Li, Z. Ein Deep-Transfer-Lernmodell zur Erkennung von Einschlussdefekten in Verbundwerkstoffen für die Luftfahrt. Kompositionen. Struktur. 252, 112681 (2020).

Artikel Google Scholar

Lee, H., Lim, HJ, Skinner, T., Chattopadhyay, A. & Hall, A. Automatisierte Technik zur Erkennung und Klassifizierung von Ermüdungsschäden für Verbundstrukturen unter Verwendung von Lambwellen und tiefem Autoencoder. Mech. Syst. Signalprozess. 163, 108148 (2022).

Artikel Google Scholar

Dabetwar, S., Ekwaro-Osire, S., Dias, JP Schadenserkennung von Verbundwerkstoffen mittels Datenfusion mit tiefen neuronalen Netzen. ASME Turbo Expo 2020: Technische Konferenz und Ausstellung für Turbomaschinen (2020)

Bandara, S., Herath, M., Epaarachchi, J. Sensorische Methoden und auf maschinellem Lernen basierende Schadensidentifizierung von faserverstärkten Verbundstrukturen: Eine einführende Übersicht. J. Verstärkter Kunststoff. Kompositionen. (2022).

Guo, P., Meng, Kompositionen. B Eng. 242, 110096 (2022).

Artikel CAS Google Scholar

Yoon, J., Lee, J., Kim, G., Ryu, S. & Park, J. Auf einem tiefen neuronalen Netzwerk basierende Technik zur Überwachung des Strukturzustands zur Risserkennung und -lokalisierung in Echtzeit mithilfe von Dehnungsmessstreifensensoren. Wissenschaft. Rep. 12(1), 20204 (2022).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Liu, H., Liu, S., Liu, Z., Mrad, N. & Milani, AS Datengesteuerte Ansätze zur Charakterisierung von Delaminationsschäden in Verbundwerkstoffen. IEEE Trans. Industrie. Elektron. 68(3), 2532–2542 (2021).

Artikel Google Scholar

Yu, H., Seno, AH, Sharif Khodaei, Z. & Aliabadi, MHF Strukturelle Gesundheitsüberwachungs-Auswirkungsklassifizierungsmethode basierend auf dem Bayes'schen neuronalen Netzwerk. Polymere 14(19), 3947 (2022).

Artikel CAS PubMed PubMed Central Google Scholar

Cassola, S., Duhovic, M., Schmidt, T. & May, D. Maschinelles Lernen für die Prozesssimulation von Polymerverbundwerkstoffen – Ein Überblick. Kompositionen. B Eng. 246, 110208 (2022).

Artikel CAS Google Scholar

Sharma, A., Mukhopadhyay, T., Rangappa, SM, Siengchin, S. & Kushvaha, V. Fortschritte in der rechnerischen Intelligenz von Polymerverbundwerkstoffen: Maschinelles Lernen unterstützte Modellierung. Analyse und Design, Archives of Computational Methods in Engineering 29(5), 3341–3385 (2022).

Google Scholar

Tifkitsis, KI & Skordos, AA Echtzeit-Unsicherheitsabschätzung in der Füllphase des Harzspritzverfahrens. Polym. Kompositionen. 41(12), 5387–5402 (2020).

Artikel CAS Google Scholar

Leukel, J., González, J. & Riekert, M. Einführung maschineller Lerntechnologie zur Fehlervorhersage in der industriellen Wartung: Eine systematische Überprüfung. J. Manufaktur Syst. 61, 87–96 (2021).

Artikel Google Scholar

Elenchezhian, MRP, Vadlamudi, V., Raihan, R., Reifsnider, K. & Reifsnider, E. Künstliche Intelligenz in der Echtzeitdiagnose und -prognose von Verbundwerkstoffen und ihren Unsicherheiten – eine Übersicht. Kluge Mater. Struktur. 30(8), 083001 (2021).

Artikel ADS Google Scholar

Nelon, C., Myers, O. & Hall, A. Die Schnittstelle zwischen Schadensbewertung von faserverstärkten Verbundwerkstoffen und maschinellem Lernen: Ein Rückblick. J. Compos. Mater. 56(9), 1417–1452 (2022).

Artikel ADS Google Scholar

Zhu, J., Droste, D., Dimassi, A. & Herrmann, AS Eine durch ein neuronales Netzwerk unterstützte Methode zur Fließfrontschätzung beim Harzspritzpressen mithilfe von Drucksensoren. J. Compos. Mater. 56(19), 2979–2993 (2022).

Artikel ADS CAS Google Scholar

Zhang, J. & Pantelelis, NG Modellierung und Optimierungssteuerung von Polymerverbundformprozessen mithilfe von Bootstrap-aggregierten neuronalen Netzwerkmodellen. Internationale Konferenz für elektrische Informations- und Steuerungstechnik 2011, 2363–2366 (2011).

Google Scholar

Golovatov, DA, Tatarkanov, AA, Shavaev, AA, Gusev, SA Der Einsatz moderner Informationstechnologie bei der Vorhersage des Prozesses der Imprägnierung von Verbundvorformlingen mit Polymerharzen. Im Jahr 2019 Internationale Konferenz „Qualitätsmanagement, Transport- und Informationssicherheit, Informationstechnologien“ (IT&QM&IS), (2019) 486–489.

Stieber, S., Schröter, N., Schiendorfer, A., Hoffmann, A., Reif, W., FlowFrontNet: Verbesserung der Herstellung von Kohlenstoffverbundwerkstoffen mit CNNs. In European Conference, ECML PKDD (Springer, Gent, 2020) 411–426.

Stieber, S., Schröter, N., Fauster, E., Schiendorfer, A. & Reif, W. PermeabilityNets: Vergleich neuronaler Netzwerkarchitekturen bei einer Sequenz-zu-Instanz-Aufgabe in der CFK-Herstellung. In: 2021 20. IEEE International Conference on Machine Learning and Applications (ICMLA), (2021) 694–697.

Das, PP, Elenchezhian, M., Vadlamudi, V., & Raihan, R., Künstliche Intelligenz unterstützte Restfestigkeit und Lebensdauervorhersage von faserverstärkten Polymerverbundwerkstoffen. AIAA SCITECH 2023 Forum (2023).

Hassan, H. & Tallman, TN Fehlervorhersage in selbsterkennenden Nanokompositen durch genetische Algorithmen-gestützte piezoresistive Inversion. Struktur. Gesundheitsüberwachung. 19(3), 765–780 (2020).

Artikel Google Scholar

Fernández-Caramés, TM & Fraga-Lamas, P. Ein Überblick über die Anwendung von Blockchain auf die nächste Generation cybersicherer intelligenter Industrie 4.0-Fabriken. IEEE Access 7, 45201–45218 (2019).

Artikel Google Scholar

Mandolla, C., Petruzzelli, AM, Percoco, G. & Urbinati, A. Aufbau eines digitalen Zwillings für die additive Fertigung durch Nutzung der Blockchain: Eine Fallanalyse der Flugzeugindustrie. Berechnen. Ind. 109, 134–152 (2019).

Artikel Google Scholar

Teng, Y., Li, L., Song, L., Yu, FR & Leung, VCM Gewinnmaximierung durch intelligente Fertigung über KI-gestützte konfigurierbare Blockchains. IEEE Internet Things J. 9(1), 346–358 (2022).

Artikel Google Scholar

Hasan, H., AlHadhrami, E., AlDhaheri, A., Salah, K. & Jayaraman, R. Intelligenter vertragsbasierter Ansatz für effizientes Sendungsmanagement. Berechnen. Ind. Eng. 136, 149–159 (2019).

Artikel Google Scholar

Javaid, M., Haleem, A., Pratap Singh, R., Khan, S. & Suman, R. Blockchain-Technologieanwendungen für Industrie 4.0: Eine literaturbasierte Übersicht. Blockchain Res. Appl. 2(4), 100027 (2021).

Artikel Google Scholar

Mondragon, AEC, Mondragon, CEC & Coronado, ES Erkundung der Anwendbarkeit der Blockchain-Technologie zur Verbesserung der Fertigungslieferketten in der Verbundwerkstoffindustrie. IEEE International Conference on Applied System Invention (ICASI) 2018, 1300–1303 (2018).

Artikel Google Scholar

Mondragon, AEC und Mondragon, CEC Verbesserung der Lieferkette mit Verbundwerkstoffen: Eine durch IT-Tools unterstützte Analyse in der Reisebusherstellung. Im Jahr 2017 4. Internationale Konferenz für Wirtschaftsingenieurwesen und Anwendungen (ICIEA), 121–125 (2017).

Wang, J., Wu, P., Wang, X. & Shou, W. Die Aussichten der Blockchain-Technologie für das Bauingenieurmanagement. Vorderseite. Ing. Geschäftsführer 4(1), 67–75 (2017).

Artikel Google Scholar

Ahmad, RW et al. Die Rolle der Blockchain-Technologie in der Luftfahrtindustrie. IEEE Aerosp. Elektron. Syst. Mag. 36(3), 4–15 (2021).

Artikel Google Scholar

Hasan, HR et al. Ein Blockchain-basierter Ansatz zur Erstellung digitaler Zwillinge. IEEE Access 8, 34113–34126 (2020).

Artikel Google Scholar

Baalamurugan, KM, Bacanin, PPN, Venkatachalam, K., Askar, SS & Abouhawwash, M. Blockchain-fähiges K-Harmonic-Framework für industrielle IoT-basierte Systeme. Wissenschaft. Rep. 13(1), 1004 (2023).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Rovira-Sugranes, A. & Razi, A. Optimierung des Informationszeitalters für die Blockchain-Technologie mit Anwendungen auf IoT-Sensoren. IEEE-Komm. Lette. 24(1), 183–187 (2020).

Artikel Google Scholar

Referenzen herunterladen

Diese Arbeit wird durch den internen Zuschuss CIRA-2020-007, Zuschussnummer 8474000275, der Khalifa University of Science and Technology finanziert.

Muhammad A. Ali, Muhammad S. Irfan, Tayyab Khan und Muhammad Y. Khalid

Aktuelle Adresse: Department of Aerospace Engineering, Khalifa University of Science and Technology (KUST), Abu Dhabi, Vereinigte Arabische Emirate

Abteilung für Luft- und Raumfahrttechnik, Khalifa University of Science and Technology (KUST), Abu Dhabi, Vereinigte Arabische Emirate

Muhammad A. Ali, Muhammad S. Irfan, Tayyab Khan, Muhammad Y. Khalid und Rehan Umer

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

MAA: Konzeptualisierung, Datenkuration, Methodik, formale Analyse, Schreiben – Originalentwurf. MSI: Methodik, Datenkuration, formale Analyse, Schreiben – Originalentwurf. TK: Figuren zeichnen, schreiben – überprüfen und bearbeiten, MYK: Figuren zeichnen, schreiben – überprüfen und bearbeitenR.U.: Konzeptualisierung, Überwachung, Methodik, Untersuchung, Finanzierungsbeschaffung, Ressourcen, Schreiben, Überprüfen und Bearbeiten.

Korrespondenz mit Rehan Umer.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die Originalautor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Ali, MA, Irfan, MS, Khan, T. et al. Graphen-Nanopartikel als datengenerierende digitale Materialien in der Industrie 4.0. Sci Rep 13, 4945 (2023). https://doi.org/10.1038/s41598-023-31672-y

Zitat herunterladen

Eingegangen: 10. Dezember 2022

Angenommen: 15. März 2023

Veröffentlicht: 27. März 2023

DOI: https://doi.org/10.1038/s41598-023-31672-y

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.