Probabilistic damage tolerance analysis using inspection data from integrated sensors

Abstract

ABSTRACT : Fatigue failures are common failures within the aeronautical field. microcracks appear after many repetitions of cyclic stresses, then, these microcracks grow until a point of no return is reached and the growth becomes unstable and imminent. It is hard to do reliable estimations of a system subject to fatigue due to multiple random factors that affect the material, geometry, and stresses, among others. In this work, to estimate this type of failure, a probabilistic analysis is performed, where each parameter from the model is represented as a probability density function. This work presents a software application to perform fatigue failure analysis using MATLAB and SMART|DT. This last program follows the standards issued by the Federal Aviation Administration of United States (FAA). The application implements a Bayesian inference process to update the model’s crack size distribution when inspections are performed, to add more accuracy to risk predictions. This application is expected to support decisions about when to perform inspections based on an allowable desired risk for the fleet.

RESUMEN : Las fallas a fatiga son fallas comunes dentro del campo aeronáutico. Luego de muchas repeticiones de esfuerzos cíclicos, microgrietas aparecen, estas crecen hasta alcanzar un punto de no retorno en el cuál terminan de crecer de manera inestable e inminente. Es difícil hacer estimaciones confiables de un sistema sujeto a fatiga debido a múltiples factores aleatorios que afectan al material, la geometría y los esfuerzos, entre otros. En este trabajo, para estimar este tipo de falla, se utiliza un análisis probabilístico, donde cada parámetro del modelo es representado como una función de densidad de probabilidad. Este trabajo presenta una aplicación para realizar análisis de falla por fatiga usando los programas MATLAB y SMART|DT, este último sigue las normas emitidas por la Administración Federal de Aviación de Los Estados Unidos (FAA), e implementa un proceso de inferencia bayesiana para actualizar la distribución de tamaño de grietas del modelo cada que se realiza una inspección para proporcionar más precisión a las predicciones de riesgo. Se espera que esta aplicación sea de soporte a la hora de tomar decisiones sobre cuando realizar inspecciones en la flota basadas en el riesgo que se quiera tomar.