Les nanoparticules de graphène en tant que matériaux numériques générateurs de données dans l'industrie 4.0

Rapports scientifiques volume 13, Numéro d'article : 4945 (2023) Citer cet article

3085 accès

6 Altmétrique

Détails des métriques

L'une des applications potentielles des matériaux 2D est d'améliorer la multifonctionnalité des structures et des composants utilisés dans les industries aérospatiale, automobile, civile et de la défense. Ces attributs multifonctionnels incluent la détection, le stockage d'énergie, le blindage EMI et l'amélioration des propriétés. Dans cet article, nous avons exploré le potentiel d'utilisation du graphène et de ses variantes en tant qu'éléments sensoriels générant des données dans l'Industrie 4.0. Nous avons présenté une feuille de route complète pour couvrir trois technologies émergentes, à savoir les matériaux avancés, l'intelligence artificielle et la technologie de la chaîne de blocs. L'utilité des matériaux 2D tels que les nanoparticules de graphène reste à explorer en tant qu'interface pour la numérisation d'une usine intelligente moderne, c'est-à-dire "l'usine du futur". Dans cet article, nous avons exploré comment les composites améliorés par des matériaux 2D peuvent servir d'interface entre les espaces physiques et cyber. Un aperçu de l'utilisation de capteurs intégrés intelligents à base de graphène à différentes étapes des processus de fabrication de composites et de leur application dans la surveillance de la santé structurelle en temps réel est présenté. Les défis techniques associés à l'interfaçage des réseaux de détection à base de graphène avec l'espace numérique sont discutés. En outre, un aperçu de l'intégration d'outils associés tels que l'intelligence artificielle, l'apprentissage automatique et la technologie de la chaîne de blocs avec des dispositifs et des structures à base de graphène est également présenté.

Une révolution industrielle est une période au cours de laquelle des changements importants se produisent dans la manière dont les biens sont produits au point de transformer fondamentalement la société, et se caractérise par l'introduction de technologies perturbatrices et de nouvelles méthodes de production1,2,3. Cela conduit généralement à une efficacité accrue, à des coûts réduits, à une production accrue et à un impact économique et social généralisé3. La première révolution industrielle (Industrie 1.0) a été caractérisée par l'introduction de méthodes de production mécaniques utilisant l'eau et la vapeur3,4. L'industrie 2.0 a vu l'introduction de la production de masse utilisant l'électricité et la chaîne de montage5,6. L'industrie 3.0 a introduit l'utilisation des technologies de l'information, des ordinateurs et de l'automatisation dans la production, entraînant une efficacité et une personnalisation accrues6. L'industrie 4.0 va plus loin en intégrant des systèmes intelligents et autonomes, l'intelligence artificielle, la robotique, l'Internet des objets (IoT), le cloud computing et l'intégration de systèmes physiques et virtuels qui conduisent à un niveau supplémentaire d'automatisation et d'échange de données7,8,9,10. L'industrie 4.0 devrait évoluer progressivement vers l'industrie 5.0 qui se caractérisera par de nouvelles avancées dans les technologies susmentionnées10,11,12.

Dans l'industrie 4.0, l'interconnexion de l'espace physique et virtuel est une étape cruciale qui est nécessaire pour réaliser des opérations intelligentes dans les processus de conception et de fabrication de matériaux13,14,15,16. L'espace physique dans une configuration de fabrication intelligente fait référence aux outils de fabrication, aux matières premières et aux ressources humaines. Alors que l'espace virtuel comprend des ressources informatiques équipées de capacités de stockage et de partage de données ainsi que des outils d'analyse de données. La convergence de ces deux espaces est actuellement réalisée grâce à un réseau de capteurs embarqués ou via des dispositifs d'imagerie. Cependant, ces procédés sont inefficaces et impliquent l'incorporation d'objets étrangers dans le matériau ou la structure. Le remplacement de tels dispositifs par le matériau lui-même révolutionnera le paradigme de la fabrication numérique. Un tel matériel peut être "intelligent" et capable de détecter et de relayer les informations ou données collectées vers l'espace virtuel en temps réel.

Le graphène et d'autres matériaux 2D peuvent servir d'interface requise et faire communiquer directement le matériau avec le monde numérique17,18. Le graphène et les matériaux 2D associés font l'objet de recherches et de développements intensifs depuis plus d'une décennie, mais les produits utilisant ces matériaux n'ont pas encore conquis le marché. Le graphène, qualifié de "matériau miracle", devait avoir un large éventail d'applications allant de l'électronique, des structures civiles/mécaniques et de la filtration de l'eau à la technologie portable, aux biocapteurs et à la médecine19. Cependant, en raison de l'échelle et du coût de production, ces attentes n'ont pu être réalisées après plus d'une décennie20. Actuellement, les dispositifs de génération de données (tels que les capteurs) basés sur des matériaux 2D sont pour la plupart dans leurs niveaux de maturité technologique (TRL) initiaux. Des recherches supplémentaires sont nécessaires afin d'augmenter les niveaux de maturité technologique et de disposer de systèmes prototypes plus sophistiqués fabriqués pour un déploiement commercial. Afin d'accélérer la voie vers l'industrialisation des matériaux 2D et d'augmenter leur potentiel d'impact futur au niveau commercial, des outils associés tels que l'intelligence artificielle et la technologie de la chaîne de blocs doivent être développés et intégrés à ces dispositifs. L'une des applications potentielles des nanoparticules de graphène est de conférer une multifonctionnalité aux structures. Ces attributs multifonctionnels incluent la détection, le stockage d'énergie, le blindage EMI et l'amélioration des propriétés, etc.21,22,23,24.

Le graphène offre un certain nombre de qualités fondamentalement supérieures qui en font un matériau prometteur pour un large éventail d'applications, en particulier dans les appareils électroniques. Le graphène se présente sous une myriade de formes, telles que les nanoflocons, les nanoplaquettes, les nanofeuilles, les points quantiques, l'oxyde de graphène, l'oxyde de graphite, l'oxyde de graphène réduit, etc.25, avec différentes formes offrant différentes fonctionnalités22,26,27. La forme de graphène pour une application particulière peut ne pas être utile pour d'autres applications. Par exemple, le graphène utilisé pour le blindage EMI ne peut pas être utilisé comme biocapteur ou comme transistor. De même, le graphène utilisé pour le stockage d'énergie est différent de celui utilisé pour la détection de déformation mécanique. La forme de graphène ciblée ici est l'oxyde de graphène réduit (rGO) qui est principalement utilisé pour la détection basée sur les déformations mécaniques. La polyvalence des dispositifs à base de graphène va au-delà des circuits à transistors conventionnels et comprend l'électronique flexible et transparente, l'optoélectronique, les capteurs piézorésistifs, les systèmes électromécaniques et les dispositifs de stockage d'énergie28. La détection à base d'oxyde de graphène réduit a gagné du terrain dans le domaine des composites polymères très récemment29. Les flocons de graphène et le rGO peuvent être intégrés dans une structure, telle qu'une structure composite, soit en les mélangeant dans le système de résine, soit en enduisant les renforts en fibres29. Le principe de fonctionnement des capteurs piézo-résistifs à base de rGO implique des nanomatériaux formant un réseau électriquement conducteur et un effet tunnel électrique entre les particules qui est altéré par des stimuli externes, entraînant des modifications de la résistance électrique du réseau percolé de graphène.

Le rôle potentiel des capteurs rGO en tant qu'interface entre les mondes physique et cybernétique dans une fabrication numérique de composites polymères renforcés de fibres est illustré graphiquement à la Fig. 1. Des capteurs supplémentaires tels que des transducteurs de pression, des dispositifs d'imagerie numérique, etc. pourraient également être utilisés pour augmenter les informations obtenues via des capteurs basés sur rGO. En plus du système de détection, une unité de traitement du signal avec des capacités de diagnostic et un système de gestion des données sont également nécessaires pour des opérations intelligentes30. La technologie de la chaîne de blocs est un outil prometteur pour la collecte et la gestion des données, tandis que les outils d'intelligence artificielle peuvent fournir les capacités de traitement du signal requises. Par conséquent, les capteurs basés sur rGO, les outils alimentés par l'IA et la technologie de la chaîne de blocs peuvent former une triade qui pourrait permettre une fabrication intelligente. De plus, la base de données peut être diversifiée à l'aide d'outils de simulation et de jumeaux numériques.

Organigramme illustrant la numérisation de structures composites utilisant des nanoparticules de graphène comme interface pour créer un environnement d'usine numérique. Des capteurs à base d'oxyde de graphène réduit ainsi que des capteurs traditionnels peuvent être intégrés dans la configuration de fabrication pour la fabrication numérique. En utilisant des outils avancés tels que la technologie de la chaîne de blocs, l'intelligence artificielle, les simulations virtuelles et les jumeaux numériques, la fabrication intelligente peut être réalisée dans le cadre de l'industrie 4.0.

Dans cet article, nous avons reconnu l'utilisation prospective des nanoparticules de graphène comme matériaux numériques dans le contexte de l'Industrie 4.0. Dans un premier temps, nous avons expliqué comment utiliser rGO comme capteur embarqué, suivi des types de données générées par ces capteurs lors du processus de fabrication ainsi que pendant la durée de vie d'une structure. L'utilisation de la technologie de la chaîne de blocs et des outils d'intelligence artificielle pour la collecte et le traitement des données, ainsi que le rôle des jumeaux numériques dans la fabrication intelligente sont présentés. Les données générées à l'aide de capteurs traditionnels et basés sur rGO peuvent être collectées et stockées de manière efficace et sécurisée à l'aide de la technologie de la chaîne de blocs. Des outils d'apprentissage automatique et en profondeur peuvent être utilisés pour créer des modèles d'étalonnage, de détection et de prédiction à l'aide de cette base de données, qui peut analyser les signaux en temps réel capturés à l'aide de capteurs à base de graphène. En résumé, nous avons présenté une feuille de route pour faire converger trois technologies émergentes, à savoir les matériaux 2D avancés, l'intelligence artificielle et la blockchain, afin de réaliser une fabrication intelligente dans l'industrie 4.0.

Pour fabriquer des capteurs de contrainte basés sur rGO pour les composites, le graphène est utilisé comme précurseur, généralement synthétisé soit par une méthode descendante, soit par une approche ascendante31. Les approches descendantes, telles que l'exfoliation mécanique, l'oxydo-réduction de GO, l'exfoliation en phase liquide et la décharge d'arc, impliquent la décomposition structurelle d'un précurseur tel que le graphite, suivie de la séparation intercouche pour produire des feuilles de graphène32. Le dépôt chimique en phase vapeur (CVD), la croissance épitaxiale et la synthèse organique totale utilisant du gaz source de carbone pour synthétiser du graphène sur un substrat sont des exemples de technique ascendante31. Les nanoparticules de graphène et les matériaux 2D similaires peuvent être intégrés dans une structure composite renforcée de fibres soit en les dispersant dans la matrice, soit en les enduisant directement sur les renforts en fibres33,34.

Dans cette approche, la résine polymère (matrice) est modifiée en dispersant des nanoparticules de graphène dans la résine, ce qui donne un nanocomposite traditionnel35,36. Une quantité énorme de données utiles est recueillie, telles que les rapports de mélange, la force d'agitation mécanique, les paramètres de mélange centrifuge, etc. Les données recueillies lors du mélange des nanoparticules de graphène dans le système de résine sont utiles pour prédire l'état physique de l'oxyde de graphène réduit, comme l'exfoliation et la qualité de la réduction obtenue, qui peuvent directement influencer des propriétés telles que la conductivité électrique, le blindage EMI et un certain nombre de propriétés mécaniques différentes29. Cependant, la résine modifiée peut également causer des problèmes tels que la modification de la viscosité de la résine, l'agglomération des particules, la gélification prématurée, l'effet de filtrage dans le tissu lors de l'infusion de la résine et la répartition inégale de la charge dans le stratifié composite37,38. Ces problèmes ont entravé l'application pratique des résines chargées rGO et de leurs composites, en particulier lors de la fabrication de pièces volumineuses et épaisses, par exemple des pales d'éoliennes, où le remplissage des moules peut devenir très difficile.

Le revêtement de rGO directement sur les renforts fibreux au lieu de modifier la matrice est une approche alternative pour surmonter les problèmes soulignés ci-dessus. En plus de conférer des capacités de détection, le revêtement des renforts avec rGO offre également la possibilité d'améliorer les propriétés mécaniques et physiques du composite ; par conséquent, conférant des propriétés multifonctionnelles à la structure finale39. Les techniques de dépôt de rGO sur des renforts fibreux comprennent, (i) le dépôt chimique en phase vapeur (CVD)40, (ii) le dépôt électrophorétique41, (iii) le revêtement en solution et par pulvérisation42, et (iv) l'encollage contenant du rGO directement appliqué sur les fibres pendant le processus de fabrication des fibres43. Lorsqu'elle est déposée sur les renforts, la pièce/structure composite devient électriquement conductrice du fait de la formation d'un réseau de nanoparticules rGO de méso-échelle30. Lorsqu'il est soumis à des stimuli externes, tels que la pression d'un fluide ou des forces mécaniques, le chemin conducteur est interrompu et la résistance/conductivité électrique globale de la pièce/structure est modifiée. Ce changement de résistance/conductivité est mesuré et corrélé avec les stimuli externes.

La résistance globale du réseau conducteur formé par rGO peut être divisée en trois types : (i) résistance intrinsèque de rGO, (ii) résistance de contact et (iii) résistance à effet tunnel/saut. Cela peut être exprimé à l'aide de l'équation suivante29

où Ri est la résistance intrinsèque, Rc est la résistance de contact et Rt est la résistance tunnel. L'exigence clé pour ces capteurs est la capacité de détecter tout petit changement dans la résistance globale (ΔR). Le signal est normalement manipulé comme un changement relatif ou fractionnaire de résistance (FCR) plutôt que comme des mesures absolues. La valeur mesurée est prise par rapport à une valeur de référence (R0) et normalisée par celle-ci (R0), donnée par ;

où R est la valeur mesurée et R0 est une valeur de référence. Le rGO enduit peut rendre le tissu "réactif numériquement" en générant des signaux qui peuvent être mesurés à l'aide de n'importe quel système d'acquisition de données (DAQ). Les changements physiques qui se produisent pendant la fabrication peuvent facilement être surveillés, tels que la réponse au compactage du renforcement, les forces de serrage du moule, la répartition de la pression de la résine, le suivi du front d'écoulement et la cinétique de durcissement de la résine, qui étaient traditionnellement collectés à l'aide de capteurs et d'actionneurs externes qui ne faisaient pas partie du matériau lui-même44. Pour la surveillance du processus, les changements de résistance électrique peuvent être exprimés en termes de facteur de gain, qui est une mesure du pourcentage de changement de la résistance initiale de la structure. Outre le signal, différents paramètres doivent également être archivés, tels que l'étalonnage du capteur, les paramètres de revêtement, etc.45. Il existe une quantité énorme de paramètres quantifiables qui peuvent être enregistrés à partir de l'étape de revêtement, tels que la concentration de la solution de revêtement, les paramètres de sonication (temps, température et fréquence), le nombre de couches de revêtement, le temps et la température de réduction rGO, etc. Ces paramètres affectent la valeur de résistance finale, et donc la sensibilité des capteurs basés sur rGO29. Les données recueillies peuvent être stockées et analysées pour concevoir des moules, sélectionner des portes d'injection et des évents optimaux, mesurer la perméabilité du renforcement et prévoir le durcissement de la résine46,47,48.

Pendant leur fonctionnement, les capteurs rGO génèrent des signaux qui correspondent à divers phénomènes/activités physiques en fonction de l'environnement auquel le matériau intelligent est exposé. Dans un processus de fabrication de composites typique tel que le processus de moulage de composite liquide (LCM), il existe trois étapes principales, à savoir le compactage du renfort sec, l'injection de résine et le durcissement de la résine, comme illustré à la Fig. 2. Les trois étapes sont sujettes à des variabilités de processus et doivent être surveillées à l'aide de capteurs de contrainte et de pression. Dans la littérature rapportée, des capteurs de tissu intégrés rGO ont été utilisés pour surveiller les processus LCM44,45, qui font partie des processus de fabrication de composites hors autoclave couramment utilisés. Les capteurs à base de tissu enduit rGO sont maintenant utilisés dans une variété de formes géométriques (capteurs ponctuels, capteurs linéaires ou capteurs de zone) et de configurations pour les applications de surveillance45. Il est également souhaitable que le concept de capteurs embarqués soit appliqué à d'autres procédés de fabrication de composites, tels que l'enroulement filamentaire et la pultrusion pour l'industrie civile et la construction. Les capteurs embarqués basés sur rGO fournissent des données utiles à chaque étape du cycle de fabrication, avec des informations vitales extraites liées au contenu des vides et à la santé structurelle de la structure fabriquée.

Données générées pendant le cycle de vie d'un composant composite intelligent, pendant et après la fabrication. La compressibilité du tissu est quantifiée par la contrainte appliquée requise pour atteindre la fraction volumique de fibres cible. L'évolution de la perméabilité du renfort et des caractéristiques d'écoulement sont les caractéristiques importantes lors de l'infusion de résine suivie de la cinétique de durcissement de la résine. La répartition des contraintes au sein d'une structure est cruciale pour surveiller son état de santé et adopter des mesures pronostiques. Tous les aspects sont surveillés à l'aide de tissus enduits in situ.

La première étape de la fabrication de composites via Liquid Composite Moulding (LCM) est l'étape de préformage, dans laquelle les renforts secs sont soumis à un compactage transversal, afin qu'ils puissent se conformer à la forme du moule et atteindre l'épaisseur de pièce cible et la teneur en volume de fibres. L'étape de compactage varie selon le type de technique LCM utilisée. Le moulage par transfert de résine (RTM) est un procédé en moule fermé où des plateaux de moulage rigides appliquent des forces de compactage élevées sur les renforts à l'aide d'une presse, tandis que, dans le RTM assisté par le vide (VARTM), la force du vide est appliquée pour comprimer le sac sous vide contre le renfort posé sur un moule simple face. Lors de la phase de compactage, une compression inégale au sein d'un moule peut entraîner des variations d'épaisseur, notamment dans le cas du VARTM. Dans les deux cas, les forces de compactage appliquées déterminent la fraction volumique de fibres du composite, qui à son tour détermine la qualité de la pièce finale et les propriétés mécaniques du composite. Les capteurs embarqués basés sur rGO ont été utilisés pour surveiller les forces de compactage agissant sur les armatures dans les processus VARTM et RTM. Les capteurs basés sur rGO sont capables de détecter les forces de compactage des renforts secs et imprégnés de résine sous la forme d'un changement de résistance. Au cours de cette étape, les forces de serrage du moule et les données de relaxation des contraintes sont nécessaires, qui sont généralement déterminées de manière proactive par des expériences de caractérisation49. Ces informations sont désormais obtenues in-situ via des capteurs basés sur des matériaux 2D50. Récemment, Ali et al.50 ont démontré que même un phénomène dépendant du temps très complexe, tel que la relaxation des contraintes des renforts dans un moule fermé, peut également être surveillé à l'aide de capteurs intégrés basés sur rGO et MXenes.

Lors de l'injection de résine, la répartition de la pression dans le moule change rapidement. Ce phénomène est généralement surveillé à l'aide de capteurs ponctuels percés dans le moule51,52,53,54,55. Les tissus enduits rGO peuvent constituer une alternative intéressante à ces réseaux de capteurs44. Les données de changement de résistance générées à partir des tissus enduits dépendent de la conductivité de la résine et des propriétés diélectriques du système de résine utilisé44. La conductivité/résistivité des nanoparticules de graphène joue un rôle important lorsque la résine s'imprègne à travers les fibres enduites. Le changement progressif de pression à l'intérieur du moule est également un indicateur d'imprégnation de résine capturé via le changement de résistance des capteurs intégrés. De plus, le suivi de course et la formation de points secs dans la pièce peuvent être détectés en comparant les signaux provenant de capteurs placés à différentes positions spatiales dans la préforme45. L'interaction de la résine avec les capteurs peut fournir des informations sur la distribution de la résine dans le moule. Il est également possible de créer des tracés 2D du processus d'infusion de résine par cartographie spatiale pendant le processus d'imprégnation56,57. Cela nécessite un réseau virtuel de capteurs, un système de multiplexage en combinaison avec une unité de mesure de source (SMU) ou une unité de mesure de résistance similaire.

La résistance des capteurs embarqués est sensible à la gélification et à la réticulation, car la résine observe un retrait lors de ces étapes et applique des forces de compactage sur les nanoparticules de graphène, entraînant ainsi une modification de la résistance électrique globale56. Diverses étapes de durcissement, y compris la gélification initiale, le durcissement (où le retrait de la résine a lieu) et le post-durcissement sont détectés en surveillant les changements relatifs de la résistance électrique des capteurs tels que décrits par Khan et al45.

Les structures composites sont fréquemment soumises à un certain nombre de scénarios de chargement dans de multiples applications tout au long de leur durée de vie. Selon le type d'application, ces charges peuvent aller d'un impact à grande vitesse à un impact à faible vitesse produisant de grandes déviations58,59. Tout système de surveillance de la santé structurelle se compose d'éléments de détection, de préférence intégrés dans la structure et connectés à une unité de traitement du signal avec des algorithmes de diagnostic, et une ressource de gestion des données30. Les capteurs revêtus de nanomatériaux à base de carbone ont montré un grand potentiel ces dernières années pour les applications de détection dans les structures composites. Comparés aux nanotubes de carbone, les capteurs rGO et à flocons de graphène se démarquent dans leurs applications de détection en raison d'un rapport d'aspect et d'une rentabilité plus élevés60. Les structures composites intégrées rGO peuvent être utilisées pour détecter les contraintes et les dommages au cours de leur durée de vie. Le mécanisme de détection piézo-résistive dans les FRPC dépend du fait que le rGO est enduit sur des tissus ou mélangé dans la résine. Lorsque rGO est présent dans la matrice, une augmentation irréversible de la résistance électrique61 peut être détectée en raison de l'initiation de fissures dans la matrice et du délaminage des couches de tissu. Alternativement, dans les cas où le rGO est enduit directement sur les renforts, les réseaux conducteurs sont confinés à la surface de la fibre, par conséquent, la détection des fissures de la matrice devient relativement difficile. Néanmoins, l'énorme quantité de données générées peut être utilisée pour des aménagements préventifs de structures composites avant qu'une défaillance catastrophique ne se produise62.

De nombreux travaux ont été rapportés sur la surveillance de l'état des structures (SHM) où les composites ont été testés dans différents modes, notamment la traction, la compression, la flexion, l'impact, le fluage et la relaxation des contraintes63. Une revue complète de la littérature sur le sujet montre qu'un certain nombre d'études ont rapporté une implication réussie des capteurs en tissu revêtus de rGO pour surveiller la réponse en flexion des structures composites. Il est assez intéressant de noter qu'en plus de la capacité de détection précise de la contrainte sous charge de flexion, ces capteurs intelligents peuvent également présenter une réponse distincte pour les charges de traction et de compression, s'ils sont placés au-dessus et en dessous des surfaces neutres en charge de flexion41,64. Un certain nombre de chercheurs ont poussé ces capteurs revêtus de rGO un peu plus loin pour étudier leur faisabilité pour détecter la charge répétitive à long terme dans les structures composites. Une répétabilité remarquable dans la réponse piézorésistive a été rapportée dans les charges cycliques de flexion et de traction jusqu'à 3000 cycles de charge65,66. Il convient également de mentionner que des capteurs à fibres à base de nanoparticules de graphène ont également été adoptés dans des structures composites complexes pour un SHM in situ réussi. En fait, ces capteurs intelligents étaient encore une fois capables de signaler une réponse distincte aux charges de compression et de tension en fonction de leur placement au-dessus et au-dessous de la surface neutre67. Fait intéressant, quelques études ont récemment étendu l'utilisation de capteurs revêtus de rGO sous la forme de feuilles de face composites intelligentes dans des structures sandwich en nid d'abeille pour SHM in situ. Les structures sandwich aérospatiales intelligentes étaient non seulement sensibles à la longueur de la portée et à l'épaisseur du noyau68, mais présentaient également des réponses distinctives aux taux de chargement multiples dans les poutres de toute largeur arbitraire d'intérêt69. Considérant que les composites sandwich à base de noyaux en nid d'abeille Nomex ™ font partie intégrante des aérostructures modernes, ces découvertes récentes montrent un potentiel remarquable en termes de capacités de détection des capteurs piézorésistifs actifs à revêtement rGO dans l'industrie aérospatiale.

Des progrès significatifs ont été réalisés jusqu'à présent en termes de détection de la réponse mécanique conventionnelle dans les structures composites. Cependant, il est extrêmement important de noter que la nature viscoélastique héritée de la résine polymère et des renforts en fibres rend leur réponse mécanique dépendante du temps, par conséquent, la réponse piézorésistive de ces capteurs intelligents devient également une fonction du temps70. Par conséquent, il est très important d'étudier la réponse à long terme au fluage et à la relaxation des contraintes viscoélastiques à l'aide de capteurs intelligents basés sur rGO. Malgré l'importance d'une telle réponse dans l'application à long terme des structures composites, ce domaine de recherche n'a pas encore été correctement exploité. Irfan et al.65 ont mené la première étude de ce type basée sur des capteurs intelligents basés sur rGO, pour étudier l'effet de la température sur les performances mécaniques des composites à l'aide d'une analyse mécanique dynamique. Les résultats ont également été comparés à la réponse de capteurs en tissu revêtus de MXene dans le cadre d'une analyse mécanique dynamique similaire à l'aide d'expériences de balayage de température. Les résultats étaient assez prometteurs car les capteurs étaient non seulement capables de détecter la réponse thermomécanique, mais également de détecter le phénomène de transition vitreuse et la transition de la région vitreuse à la région caoutchouteuse. En fait, les capteurs basés sur rGO ont présenté une réponse plus fluide que les capteurs basés sur MXene.

Par conséquent, les capteurs basés sur rGO ont montré un grand potentiel pour les applications d'auto-détection dans de multiples applications industrielles de structures composites. Néanmoins, les structures composites intelligentes à auto-détection peuvent être considérées comme un domaine émergent, malgré un certain nombre de limites et de défis pour les chercheurs travaillant dans ce domaine. Avant leur implication à l'échelle industrielle, un certain nombre de domaines nécessitent des recherches rigoureuses. Certains de ces domaines peuvent inclure : (i) l'évolutivité de ces capteurs ; (ii) étalonnage ; (iii) effet d'autres stimuli externes, tels que des facteurs environnementaux ; (iv) comparaison avec des capteurs conventionnels bien établis pour ces applications, tels que les capteurs piézoélectriques (PZT) et les capteurs à réseau de Bragg (FBG) et (v) rendre ces capteurs suffisamment intelligents pour transmettre le signal directement sur des appareils portables tels que les téléphones mobiles.

Étant donné que les capteurs basés sur rGO ont un grand potentiel pour être utilisés dans un environnement industriel, leur intégration avec le cybermonde est toujours un défi et peu de travail a été fait. Dans cette section, nous présentons une feuille de route des technologies de l'industrie 4.0 et comment ces technologies peuvent utiliser les données générées par ces capteurs (comme décrit dans les sections mentionnées ci-dessus) pour créer des usines intelligentes. Une usine intelligente est un environnement de fabrication auto-adaptatif et hautement automatisé capable d'exécuter de manière autonome des processus de production entiers et de prendre des décisions basées sur les données71,72. Une telle configuration de fabrication a la capacité d'auto-optimiser les performances et d'améliorer l'efficacité, la flexibilité et le contrôle de la qualité en s'adaptant aux nouvelles conditions grâce à l'apprentissage en temps réel ou quasi réel73. Il intègre des systèmes numériques et physiques via un réseau interconnecté de machines, de mécanismes de communication et de puissance de calcul, et utilise des technologies avancées telles que la blockchain, l'intelligence artificielle, l'apprentissage automatique, etc., pour collecter et analyser des données74,75. Cette intégration est réalisée grâce à un réseau de capteurs et d'actionneurs permettant à un système physique d'accéder aux capacités de l'espace virtuel ou du « méta-vers »75,76.

Les données recueillies par les capteurs basés sur rGO peuvent être utilisées pour mener des expériences virtuelles et prendre des décisions dans une usine intelligente. Les capteurs revêtus de rGO peuvent transmettre des informations numériques de l'espace physique à l'espace numérique telles que les rapports de mélange rGO, les forces de serrage du moule, la répartition de la pression dans le moule, etc. Ces informations numériques se présentent sous différents formats (données numériques, images, données dépendant du temps, etc.). Le rôle de l'espace numérique ou du « méta-vers » est de collecter ces données en toute sécurité, d'interpréter les données et de générer des commandes actionnables. Ces commandes actionnables pourraient être un arbre de décision qui peut activer/désactiver les lignes d'alimentation en résine en fonction des informations recueillies à partir du moule à l'aide de capteurs basés sur rGO.

Le concept de « métaverse » est très large et ses composants clés sont la réalité virtuelle/augmentée utilisant des jumeaux numériques, l'intelligence artificielle, la chaîne de blocs, l'IoT, etc. Le jumeau numérique (DT) est l'un des composants essentiels de l'industrie 4.0, qui est appelé réplique virtuelle ou prototype numérique du processus physique, entièrement intégré au système physique et capable d'effectuer des simulations virtuelles en temps réel77,78,79. La simulation virtuelle est un aspect clé de la DT qui nécessite des itérations continues entre les entités physiques et virtuelles80,81. Ces simulations incluent des approches informatiques basées sur la physique (FEM/CFD)82,83,84,85,86,87 ainsi que des simulations stochastiques basées sur les données88,89,90. Les avantages des simulations numériques par rapport aux procédures expérimentales sont évidents en termes de consommation de matériaux, d'heures de travail et de réduction des coûts globaux. Outre ces avantages, ces simulations peuvent être utilisées pour générer des ensembles de données à utiliser dans la formation et la création de modèles d'apprentissage automatique. Bien que de telles simulations ne puissent pas être effectuées en temps réel, les modèles d'apprentissage automatique basés sur les données synthétiques peuvent être utiles91. Les capacités du jumeau numérique sont parfois améliorées avec les technologies de réalité virtuelle et augmentée92 qui permettent les interactions homme-machine93,94. Par exemple, Perez et al.95 ont présenté et validé un DT amélioré par la réalité virtuelle pour la conception du processus automatisé d'une configuration de fabrication multi-robot ainsi que sa mise en œuvre améliorée et sa surveillance in-operando.

Les jumeaux numériques sont mis en œuvre à des niveaux différents mais interconnectés13. Dans le cadre des structures composites, ces niveaux comprennent les phases de conception, de fabrication/assemblage et de mise en service/exploitation80. Au niveau de la conception, il est également connu sous le nom de "jumeau de matériau numérique" (DMT) qui fait référence aux modèles de calcul réalistes du matériau composite qui peuvent être utilisés pour la vérification de la conception et la prédiction des propriétés mécaniques du composite final, ainsi que l'estimation des paramètres de processus tels que la réponse au compactage et les propriétés d'écoulement de la résine dans les fibres de renforcement96,97,98. Ces paramètres sont bien capturés par les tissus enduits rGO (comme décrit dans les sections précédentes) et ces informations peuvent être stockées et utilisées pour créer des DMT « proches de la réalité ». De plus, les capteurs en tissu enduit rGO peuvent également être utilisés pour la validation expérimentale des simulations DT.

Des jumeaux de matériaux numériques pour la fabrication virtuelle peuvent être générés à partir de différentes techniques de numérisation 3D, telles que la tomodensitométrie à rayons X (XCT)99,100,101,102,103. Pendant la production, DT est mis en œuvre au niveau de l'atelier pour une surveillance, un contrôle et une optimisation efficaces des processus16,104,105. Séon et al. a créé un DT pour optimiser le processus de dégonflement des composites d'autoclave pour atténuer la formation de vides106. Zambal et al.107 ont généré des DT pour la détection de défauts lors de la pose de fibres de carbone en utilisant des données collectées à partir de divers capteurs ainsi qu'une modélisation analytique et des simulations par éléments finis. Enfin, en phase opérationnelle, la DT est utilisée pour les activités de pronostic et de diagnostic108. Milanoski et al.109,110 ont développé un DT basé sur FEM pour la surveillance de la santé structurelle des panneaux composites raidis en estimant la charge agissant sur la structure à l'aide de données de déformation acquises à partir de capteurs de réseau de Bragg (FBG). Sisson et al.111 ont poursuivi une approche de jumeau numérique pour optimiser les paramètres de vol du giravion en minimisant les contraintes sur les composants mécaniques critiques et grâce à un diagnostic, un pronostic et une optimisation probabilistes. En utilisant les données collectées à partir des capteurs de déformation, il est non seulement possible de détecter la présence du dommage mais aussi l'évolution du dommage, donc la durée de vie utile restante de la pièce peut également être prédite109. La connaissance de la santé des structures et des pièces aide à prendre des mesures préventives telles que le remplacement des pièces, la réparation des dommages, l'arrêt des fissures, etc.

L'intelligence artificielle (IA) désigne généralement des machines conçues pour effectuer des tâches qui nécessitent généralement une intelligence de type humain, telles que la perception, le raisonnement et la prise de décision112,113,114. Intrinsèquement, les systèmes d'IA consistent en des modèles mathématiques basés sur les données pour l'inférence et la résolution de problèmes de manière autonome114. L'IA englobe des sous-domaines de l'apprentissage automatique et profond, de la vision par ordinateur, du traitement du langage naturel et de l'informatique cognitive, chacun d'entre eux se concentrant sur différents aspects de la technologie de l'IA. L'intelligence artificielle et les matériaux 2D sont deux des technologies perturbatrices qui sont étroitement liées115,116,117. D'une part, les matériaux 2D pourraient être un catalyseur pour la construction de dispositifs pour l'IA, tels que des memristors, des photodétecteurs, etc.118,119,120,121,122. D'autre part, les outils d'IA tels que l'apprentissage automatique et en profondeur peuvent non seulement accélérer la découverte, la conception et l'optimisation de matériaux 2D123,124,125,126, mais peuvent également interpréter les signaux générés par des capteurs basés sur des matériaux 2D. Ici, puisque nous discutons du graphène en tant que capteur potentiel, nous limiterons nos discussions aux outils d'IA pour le traitement du signal.

Le rôle des techniques d'IA dans la fabrication numérique utilisant des capteurs rGO peut être principalement considéré comme un outil de traitement du signal. La surveillance du processus de fabrication implique généralement la détection d'anomalies et la mesure de grandeurs physiques telles que la pression, la température, etc., qui peuvent être facilement capturées à l'aide de capteurs rGO. Le traitement en temps réel des signaux avec une très faible puissance de calcul rend ces outils très attractifs127,128. Les signaux mesurés par les capteurs basés sur rGO se présenteraient normalement sous la forme de mesures de résistance/tension/courant. Ces signaux doivent être convertis en paramètres physiques tels que la pression, la contrainte, la déformation, la température, etc. via différents modèles d'étalonnage et de corrélation61,129,130,131,132. De tels modèles d'étalonnage peuvent être facilement développés à l'aide d'outils d'apprentissage automatique17,50,133. Zhu et al.17 ont utilisé un outil d'apprentissage automatique (analyse des composants principaux) pour prédire la concentration d'hydrogène gazeux à partir de la réponse mesurée du capteur de gaz basé sur rGO. Ali et al.50 ont calibré des capteurs en tissu de verre revêtu de MXene à l'aide d'algorithmes d'apprentissage automatique supervisé pour corréler la contrainte de compression avec le signal mesuré. Hajizadegan et al.133 ont extrait les niveaux de concentration des dopants biochimiques du spectre harmonique de capteurs harmoniques à base de graphène à l'aide de réseaux de neurones artificiels (ANN).

Outre les modèles d'étalonnage, les outils d'IA peuvent être facilement utilisés pour les tâches de détection, d'inspection et de surveillance134. Ces tâches peuvent inclure la détection de la course de résine dans les moules135, les perturbations d'écoulement136 et la formation de zones non remplies137 pendant l'étape de remplissage d'un processus LCM ainsi que l'inspection des filaments cassés pendant la production de fibres138. De nouvelles méthodes basées sur l'IA pour l'inspection du processus de placement automatisé de fibres (AFP) ont également été présentées par plusieurs chercheurs139,140,141,142,143. Dans le cadre de la surveillance de l'état des structures, des modèles d'apprentissage automatique/profond ont été utilisés pour la détection des défauts/dommages144,145,146,147,148,149,150, la caractérisation des fissures/délaminage151,152,153 et la classification des niveaux d'impact154. Yu et al.154 ont démontré que les réseaux de neurones artificiels bayésiens probabilistes et traditionnels peuvent classer avec succès les niveaux d'énergie de différents événements d'impact sur la base des signaux obtenus à partir d'un réseau de capteurs piézoélectriques. Les outils d'apprentissage en profondeur sont particulièrement capables de telles tâches lorsque le signal se présente sous la forme de champs et de cartes 2D/3D56,57. Dans de tels cas, ces modèles sont non seulement capables de détecter ces défauts, mais aussi de les localiser152.

Enfin, les modèles de substitution/prédictifs basés sur l'apprentissage automatique/profond peuvent être utilisés pour les simulations de processus155,156,157 ainsi que pour les prédictions de défaillance dans la maintenance diagnostique et pronostique158,159,160. En utilisant les données fournies par un ensemble de capteurs de pression, Zhu et al.161 ont mis en œuvre un modèle de réseau neuronal pour la prédiction des modèles de front d'écoulement à tout moment d'imprégnation. Des modèles prédictifs similaires ont également été présentés pour prévoir le durcissement de la résine162 et la progression du front d'écoulement163. Stieber et al. ont présenté les modèles basés sur les réseaux neuronaux FlowFrontNet164 et PermeabilityNets165 pour la prédiction de la formation de points secs et des cartes de perméabilité à partir d'une séquence d'images de front d'écoulement respectivement. Pratim et al.166 ont présenté un cadre ANN pour prédire la durée de vie (durabilité) et la résistance résiduelle (tolérance aux dommages) des composites de polymères renforcés de fibres (FRP) à partir de la permittivité diélectrique acquise en temps réel du matériau. Hassan et al.167 ont utilisé des algorithmes génétiques pour la prédiction des défaillances dans les nanocomposites à auto-détection basés sur les changements de conductivité observés par tomographie d'impédance électrique.

En résumé, ces outils peuvent être intégrés dans la configuration de fabrication numérique en tant que modèles d'étalonnage, de détection et prédictifs, comme résumé à la Fig. 3. De plus, ces modèles peuvent être périodiquement ré-entraînés en fonction de la disponibilité de nouvelles données sans perdre les anciens poids, mettant ainsi véritablement à jour l'ensemble du processus de fabrication. Certains des modèles discutés ici utilisaient des données générées à partir de capteurs traditionnels ou des données synthétiques plutôt que des données collectées par des capteurs rGO piézorésistifs. Cependant, les méthodes discutées ici peuvent facilement être adaptées pour analyser les données obtenues via des capteurs rGO.

L'utilisation de modèles d'apprentissage automatique et profond pour diverses tâches dans la fabrication de composites dans l'industrie 4.0. L'application courante de ces modèles comprend l'étalonnage des capteurs, la détection d'anomalies en analysant les signaux et l'exécution de tâches prédictives en temps réel.

Comme les outils d'IA peuvent analyser efficacement les données collectées via des capteurs basés sur rGO, la technologie de la chaîne de blocs peut collecter et gérer les données de manière sécurisée, fiable et traçable168,169. Par définition, une blockchain est une liste évolutive d'enregistrements immuables, appelés blocs, qui sont reliés entre eux par cryptographie et stockés sur un réseau décentralisé d'ordinateurs ou de nœuds dans l'ordre chronologique170. La technologie de la chaîne de blocs utilise un morceau de code auto-exécutable, connu sous le nom de contrats intelligents, pour automatiser le processus de manière fiable et fiable171. Actuellement, cette technologie est largement exploitée par les secteurs financier et bancaire, de la santé et de la chaîne d'approvisionnement172. Par exemple, la technologie de la chaîne de blocs peut être utilisée dans la chaîne d'approvisionnement des matériaux composites renforcés de fibres, en particulier pour gérer le transport, la manipulation et le stockage à température contrôlée des préimprégnés sur un grand livre distribué inviolable173.

Lors de l'utilisation de rGO comme élément de détection pour la fabrication de composites polymères renforcés de fibres, les données sont générées à différentes étapes, qui incluent les propriétés physiques ainsi que les paramètres de processus. Ces étapes forment la chaîne d'approvisionnement à plusieurs échelons qui comprend les matières premières, le processus de fabrication et les composants/structures finis173,174. La nature et le format des données varient en fonction de l'étape de traitement et comprennent des valeurs numériques, des courbes dépendant du temps/température, voire des champs bi/tridimensionnels, ainsi que des descriptions subjectives. Toutes les données générées à chaque étape peuvent être collectées et stockées de manière efficace et sécurisée grâce à la blockchain. Une illustration conceptuelle de l'utilisation de la chaîne de blocs dans la collecte et le stockage des données générées est illustrée à la Fig. 4. Outre les données directement collectées à partir des capteurs rGO, les données liées aux caractéristiques physiques du renforcement et de la matrice, ainsi que les données générées à partir d'expériences physiques et virtuelles sont également cruciales pour un traitement efficace. Les caractéristiques physiques de l'armature et de la matrice sont généralement fournies par le fournisseur (premier bloc de la Fig. 4). Ces propriétés sont ensuite validées ainsi que de nouvelles caractéristiques déterminées via des expériences de caractérisation et des simulations virtuelles à l'aide de jumeaux numériques (deuxième bloc de la Fig. 4). La forme de la pièce à réaliser, qui se présentera sous la forme d'une géométrie 3D, est une autre donnée importante. Les conceptions de moules et d'autres paramètres de processus dépendent du type de méthode de fabrication utilisée. Dans le cas du LCM, les paramètres de processus incluent le nombre et l'emplacement des orifices d'entrée/sortie, la pression d'injection, etc. Pour le traitement des préimprégnés, le cycle de durcissement et la température sont les principaux paramètres. Les matériaux revêtus de rGO peuvent jouer un rôle vital dans l'acquisition de données in situ pendant le processus. L'inspection des pièces finies produira plus de données liées à la qualité de la pièce, telles que des cartes de porosité et la teneur en vide et les niveaux de tolérance175. Enfin, en service, la structure intelligente basée sur des capteurs rGO générera des signaux liés à sa santé structurelle, qui peuvent être gérés dans le journal de maintenance sur le registre de la chaîne de blocs176. Outre l'implication directe, la blockchain peut également aider à créer des DT169,177 et travailler en conjonction avec l'intelligence artificielle pour avoir un impact global178. Néanmoins, la technologie de la chaîne de blocs est un outil de collecte et de gestion de données sécurisé, à grande échelle et fiable pour la mise en œuvre d'opérations intelligentes utilisant des réseaux d'éléments sensoriels179, y compris des capteurs basés sur rGO.

Collecte de données à différentes étapes de la fabrication de composites à l'aide de la technologie de la chaîne de blocs. Les données générées à différentes étapes de fabrication, y compris les fiches techniques des matières premières et les signaux en service, peuvent être collectées de manière efficace et sécurisée en utilisant la technologie de la chaîne de blocs.

Il existe de nombreux défis et opportunités pour les applications technologiques et la pénétration du marché des nanoparticules de graphène en tant que matériaux numériques dans diverses applications du monde réel. Il est essentiel de considérer ces défis avant la commercialisation à grande échelle du graphène en tant qu'élément sensible dans les composites polymères renforcés de fibres, et de les rendre compatibles avec les normes de l'Industrie 4.0. Le processus de sélection des matériaux est d'une importance primordiale car plusieurs matériaux 2D sont désormais disponibles, et le matériau 2D choisi affectera non seulement les étapes de traitement, mais également les propriétés de détection finales du produit. L'économie d'échelle est également un facteur lors du choix d'un matériau 2D. La modélisation atomique peut être un outil pour affiner la sélection de matériaux pour une application particulière. Cela devient très important lorsqu'il s'agit de composites multifonctionnels. Les matériaux 2D d'ingénierie tels que les MXenes peuvent être conçus pour obtenir des propriétés optimisées. La modélisation atomique peut également aider à créer des hybrides de deux matériaux ou plus. La synthèse de matériaux de bonne qualité est également un défi, surtout si les processus ne sont pas bien définis dans la littérature et la pratique. Il faut décider si une synthèse interne est requise ou si des options standard peuvent fonctionner pour une application.

L'ajout de graphène et d'autres matériaux 2D dans la chaîne de processus est le prochain défi. Il existe de nombreuses façons d'incorporer du graphène dans des composites, par exemple en mélangeant dans le système de résine, en enduisant les renforts, en tissant une étoupe enduite dans le tissu de renfort ou en enduisant le composite final avec la solution de graphène. Il n'y a pas de solution unique, l'utilisateur doit décider quelle méthode est optimale pour l'application cible.

La fabrication de capteurs est un autre défi étroitement lié. Il est également important de décider de la taille, du nombre et de l'emplacement spatial des capteurs dans une structure. Intégrer un capteur dans une forme 3D complexe tout en conservant ses propriétés de détection peut être une tâche difficile. Il est également important de garder à l'esprit le processus de fabrication, où il faudrait différentes approches pour intégrer un capteur. Quelle que soit la technique utilisée pour intégrer des nanoparticules de graphène dans le composite, il est important de quantifier la capacité de détection du composite pour détecter tout changement physique.

L'étalonnage des capteurs est un défi majeur dans ce domaine, en particulier lorsque des capteurs inter-laboratoires sont impliqués. Il n'y a pas encore de standardisation de ces capteurs, cependant pour une application commerciale, un protocole de standardisation est souhaitable. La conservation des propriétés des capteurs dans le temps est également un facteur critique. Des facteurs environnementaux tels que la température et l'humidité peuvent affecter la capacité de détection au fil du temps. Ceci est également important dans les capteurs commerciaux tels que les capteurs FBG, et une inspection de routine est effectuée pour garantir le fonctionnement de ces capteurs dans des applications réelles telles que les ponts. De la même manière, les capteurs à base de nanoparticules de graphène devraient avoir une possibilité d'inspection dans le temps. Pendant ce temps, dans les environnements de laboratoire, des tests accélérés peuvent être effectués pour quantifier la rétention de propriété.

Un système de production à grande échelle est essentiel pour la commercialisation des nanoparticules de graphène en tant que matériau numérique viable. Comme mentionné précédemment, divers fournisseurs commerciaux sont disponibles pour la fourniture de matériaux de graphène, cependant, l'application du graphène dans différents domaines pose des défis uniques. Le graphène et d'autres matériaux 2D sont des nanomatériaux viables à utiliser comme capteurs intelligents dans les composites renforcés de fibres. Ils peuvent fournir une surveillance de l'état des processus et des structures à chaque étape de la fabrication et de l'application des composites. De plus, ces matériaux peuvent également améliorer d'autres propriétés de base du composite pur, y compris les propriétés mécaniques et le blindage EMI.

Les entités du méta-vers sont beaucoup plus matures que les matériaux 2D. L'espace numérique a connu d'énormes progrès dans les capacités de calcul, notamment le cloud computing, l'analyse de données volumineuses, l'IoT et l'intelligence artificielle (IA). Cependant, leur intégration avec des capteurs basés sur des matériaux 2D n'est pas encore réalisée. Même, la compatibilité de divers outils numériques n'est pas non plus claire. L'une des principales caractéristiques de la technologie de la chaîne de blocs est l'information accessible au public. Cependant, la plupart des informations dans un environnement de fabrication sont de nature exclusive. À cet égard, des consortiums ou des chaînes de blocs fédérées peuvent être utilisés lorsque les informations sont limitées à un public cible uniquement. Les outils d'IA sont axés sur les données et nécessitent des ensembles de données soigneusement sélectionnés pour la formation. Ce type de données est rare pour le moment, mais devrait croître avec le temps. Enfin, le concept de jumeau numérique basé sur des capteurs de nanoparticules de graphène est également dans sa phase conceptuelle. La croissance de toutes ces technologies ensemble peut apporter la véritable essence de l'Industrie 4.0. Il ne fait aucun doute qu'il existe de riches opportunités pour l'application du graphène et d'autres matériaux 2D dans ce domaine. Il est grand temps que les universitaires et les industries des composites, y compris les secteurs de l'aérospatiale et de l'automobile, travaillent ensemble pour résoudre les défis sur le terrain et viser l'adaptation à grande échelle du graphène en tant que matériau numérique afin de tirer parti de ce matériau merveilleux.

Toutes les données générées ou analysées au cours de cette étude sont incluses dans cet article publié.

Plus, C. Comprendre la révolution industrielle (Routledge, 2000).

Google Scholar

Klingenberg, CO, Borges, MAV & Antunes, JADV Industrie 4.0 : Qu'est-ce qui en fait une révolution ? Un cadre historique pour comprendre le phénomène. Technol. Soc. 70, 102009 (2022).

Article Google Scholar

Deane, PM La première révolution industrielle (Cambridge University Press, 1979).

Google Scholar

Wrigley, EA Reconsidérer la révolution industrielle : Angleterre et Pays de Galles. J. Interdiscipl. Histoire 49(1), 9–42 (2018).

Article Google Scholar

Jull, J. La deuxième révolution industrielle : L'histoire d'un concept. Journal international de l'histoire de l'historiographie 36, 81–90 (1999).

Google Scholar

Vinitha, K., Ambrose Prabhu, R., Bhaskar, R. & Hariharan, R. Examen des mathématiques et des matériaux industriels de l'Industrie 1.0 à l'Industrie 4.0. Mater. Aujourd'hui Proc. 33, 3956–3960 (2020).

Article Google Scholar

Baena , F. , Guarin , A. , Mora , J. , Sauza , J. & Retat , S. Learning Factory : La voie vers l'industrie 4.0 . Actes Manuf. Rév. 9, 73–80 (2017).

Article Google Scholar

Schwab, K. La quatrième révolution industrielle (Crown Business, 2017).

Google Scholar

Parmar, H., Khan, T., Tucci, F., Umer, R. & Carlone, P. Robotique avancée et fabrication additive de composites : vers une nouvelle ère dans l'industrie 4.0. Mater. Fab. Processus. 37(5), 483–517 (2022).

Article CAS Google Scholar

Xu, X., Lu, Y., Vogel-Heuser, B. & Wang, L. Industrie 4.0 et Industrie 5.0 - Inception, conception et perception. J. Manuf. Syst. 61, 530–535 (2021).

Article Google Scholar

Maddikunta, PKR et al. Industrie 5.0 : Une enquête sur les technologies habilitantes et les applications potentielles. J. Ind. Inf. Intégr. 26, 100257 (2022).

Google Scholar

Nahavandi, S. Industrie 5.0 - Une solution centrée sur l'humain. Durabilité 11(16), 4371 (2019).

Article Google Scholar

Tao, F., Qi, Q., Wang, L. & Nee, AYC Jumeaux numériques et systèmes cyber-physiques vers la fabrication intelligente et l'industrie 4.0 : corrélation et comparaison. Ingénierie 5(4), 653–661 (2019).

Article Google Scholar

Negri, E., Fumagalli, L. & Macchi, M. Un examen des rôles du jumeau numérique dans les systèmes de production basés sur CPS. Procedia Manuf. 11, 939–948 (2017).

Article Google Scholar

Long, J. et al. Conception de systèmes de fabrication intelligents basés sur des jumeaux numériques dans l'industrie 4.0 : un examen. J. Manuf. Syst. 60, 119-137 (2021).

Article Google Scholar

Tao, F. & Zhang, M. Atelier jumeau numérique : un nouveau paradigme d'atelier vers une fabrication intelligente. Accès IEEE 5, 20418–20427 (2017).

Article Google Scholar

Zhu, J. et al. Détection de gaz graphène basée sur le textile et basée sur l'apprentissage automatique avec application IoT assistée par récupération d'énergie. Nano énergie 86, 106035 (2021).

Article CAS Google Scholar

Levchenko, I., Bazaka, K., Belmonte, T., Keidar, M. & Xu, S. Matériaux avancés pour les engins spatiaux de nouvelle génération. Adv. Mater. 30(50), 1802201 (2018).

Article Google Scholar

Döscher, H., Schmaltz, T., Neef, C., Thielmann, A. & Reiss, T. Graphene Roadmap Briefs (No. 2): Industrialization status and prospects 2020. 2D Mater. 8(2), 022005 (2021).

Article Google Scholar

Choi, SH et al. Synthèse à grande échelle de graphène et d'autres matériaux 2D vers l'industrialisation. Nat. Commun. 13(1), 1484 (2022).

Article ADS CAS PubMed PubMed Central Google Scholar

Mensah, B. et al. Nanocomposites élastomères renforcés de graphène : une revue. Polym. Test 68, 160-184 (2018).

Article CAS Google Scholar

Ren, S., Rong, P. & Yu, Q. Préparations, propriétés et applications du graphène dans les dispositifs fonctionnels : une revue concise. Céram. Int. 44(11), 11940–11955 (2018).

Article CAS Google Scholar

Hiew, BYZ et al. Examen de la synthèse de configurations à base de graphène 3D et de leurs performances d'adsorption pour les polluants dangereux de l'eau. Processus de sécurité. Environ. Prot. 116, 262-286 (2018).

Article CAS Google Scholar

Dasari, BL, Nouri, JM, Brabazon, D. & Naher, S. Graphène et dérivés - Techniques de synthèse, propriétés et leurs applications énergétiques. Énergie 140, 766–778 (2017).

Article CAS Google Scholar

Bianco, A. et al. Tous dans la famille des graphènes - Une nomenclature recommandée pour les matériaux carbonés bidimensionnels. Carbone 65, 1–6 (2013).

Article CAS Google Scholar

Zhang, F. et al. Avancées récentes sur le graphène : Synthèse, propriétés et applications. Compos. Une Appl. Sci. Fab. 160, 107051 (2022).

Article CAS Google Scholar

Yu, X. et al. Matériaux intelligents à base de graphène. Nat. Rév. Mater. 2(9), 17046 (2017).

Article ADS CAS Google Scholar

Weiss, NO et al. Graphène : Un matériau électronique émergent. Adv. Mater. 24(43), 5782–5825 (2012).

Article CAS PubMed Google Scholar

Irfan, MS, Khan, T., Hussain, T., Liao, K. & Umer, R. Capteurs à fibres piézorésistives revêtues de carbone : de la surveillance des processus à la surveillance de la santé structurelle des composites : une revue. Compos. Une Appl. Sci. Fab. 141, 106236 (2021).

Article CAS Google Scholar

Islam, MH, Afroj, S., Uddin, MA, Andreeva, DV, Novoselov, KS, Karim, N. Composites intelligents renforcés de fibres à base de graphène et de CNT : un examen. Adv. Fonct. Mater. (2022) 2205723.

Yan, Y. et al. Synthèse du graphène : précurseurs potentiels du carbone et approches. Nanotechnologie. Rév.9(1), 1284–1314 (2020).

Article CAS Google Scholar

Kumar, N. et al. Synthèse descendante du graphène : une revue complète. FlatChem 27, 100224 (2021).

Article CAS Google Scholar

Yu, R., Zhu, C., Wan, J., Li, Y. et Hong, X. Examen des capteurs de contrainte textile à base de graphène, en mettant l'accent sur la relation structure-activité. Polymères 13(1), 151 (2021).

Article CAS PubMed PubMed Central Google Scholar

Shi, J. et al. Systèmes microélectroniques intelligents intégrés au textile pour applications portables. Adv. Mater. 32(5), 1901958 (2020).

Article CAS Google Scholar

Zhang, H., Kuwata, M., Bilotti, E. & Peijs, T. Détection intégrée des dommages dans les composites renforcés de fibres avec des charges de nanotubes de carbone extrêmement faibles. J. Nanomater. 16(1), 243 (2015).

Google Scholar

Lazaridou, I., Kourkoulis, SK & Alexopoulos, ND Surveillance des dommages de différentes concentrations de nanotubes de carbone/composites renforcés de fibre de verre époxy sous des chargements incrémentiels quasi-statiques. Mater. Aujourd'hui Proc. 12, 262-270 (2019).

Article CAS Google Scholar

Böger, L., Wichmann, MHG, Meyer, LO & Schulte, K. Surveillance de la charge et de la santé dans les composites renforcés de fibres de verre avec une matrice époxy nanocomposite électriquement conductrice. Compos. Sci. Technol. 68(7), 1886–1894 (2008).

Article Google Scholar

Ma, P.-C., Mo, S.-Y., Tang, B.-Z. & Kim, J.-K. Dispersion, interaction interfaciale et ré-agglomération de nanotubes de carbone fonctionnalisés dans des composites époxy. Carbone 48(6), 1824–1834 (2010).

Article CAS Google Scholar

Qian, H., Greenhalgh, ES, Shaffer, MSP et Bismarck, A. Composites hiérarchiques à base de nanotubes de carbone : une revue. J. Mater. Chim. 20(23), 4751–4762 (2010).

Article CAS Google Scholar

Lui, D. et al. Conception de composites structuraux électriquement conducteurs en modulant la longueur de nanotubes de carbone alignés par CVD sur des fibres de verre. ACS Appl. Mater. Interfaces. 9(3), 2948-2958 (2017).

Article CAS PubMed Google Scholar

Mahmood, H., Vanzetti, L., Bersani, M. & Pegoretti, A. Propriétés mécaniques et surveillance de la déformation des composites verre-époxy avec des fibres revêtues de graphène. Compos. Une Appl. Sci. Fab. 107, 112-123 (2018).

Article CAS Google Scholar

Tzounis, L., Kirsten, M., Simon, F., Mäder, E. & Stamm, M. La microstructure d'interphase et les propriétés électriques des fibres de verre liées de manière covalente et non covalente avec des nanotubes de carbone multiparois. Carbone 73, 310–324 (2014).

Article CAS Google Scholar

Wiegand, N., Haupt, M., Mäder, E. & Cherif, C. Une étude comparative sur le traitement textile des fils de capteur de carbone et de fibre de verre multifonctionnelle pour la surveillance de la santé structurelle. Adv. Ing. Mater. 18(3), 385–390 (2016).

Article CAS Google Scholar

Ali, MA et al. Tissus piézo-résistifs enduits de graphène pour la surveillance du processus de moulage de composites liquides. Compos. Sci. Technol. 148, 106-114 (2017).

Article CAS Google Scholar

Khan, T. et al. Surveillance du processus d'infusion de résine à l'aide de capteurs en tissu de verre recouverts de graphène et de matrices thermoplastiques et thermodurcissables infusibles. Polym. Compos. 43(5), 2924-2940 (2022).

Article CAS Google Scholar

Hsiao, K.-T. & Advani, SG Stratégies de détection et de contrôle du flux pour traiter les perturbations de suivi de course dans le moulage par transfert de résine. Partie I : conception et développement d'algorithmes. Compos. Une Appl. Sci. Fab. 35(10), 1149-1159 (2004).

Article Google Scholar

Sozer, EM, Bickerton, S. & Advani, SG Contrôle stratégique en ligne du processus de remplissage de moules composites liquides. Compos. Une Appl. Sci. Fab. 31(12), 1383–1394 (2000).

Article Google Scholar

Bickerton, S., Stadtfeld, HC, Steiner, KV & Advani, SG Conception et application de schémas d'injection activement contrôlés pour le moulage par transfert de résine. Compos. Sci. Technol. 61(11), 1625-1637 (2001).

Article Google Scholar

Yong, AXH, Aktas, A., May, D., Endruweit, A., Lomov, SV et al., Caractérisation expérimentale de la réponse au compactage textile : un exercice de référence. Compos. Une Appl. Sci. Fab. 142 (2021).

Ali, MA et al. Surveillance in situ de la réponse au compactage des armatures via des capteurs en tissu de verre revêtus de MXene. Compos. Sci. Technol. 227, 109623 (2022).

Article CAS Google Scholar

Dominauskas, A., Heider, D. & Gillespie, JW Capteur de réflectométrie électrique dans le domaine temporel pour la détection de débit en ligne dans le traitement de moulage de composites liquides. Compos. Une Appl. Sci. Fab. 34(1), 67–74 (2003).

Article Google Scholar

Pandey, G., Deffor, H., Thostenson, ET & Heider, D. Outillage intelligent avec ligne de détection de réflectométrie intégrée dans le domaine temporel pour la surveillance non invasive du flux et du durcissement pendant la fabrication des composites. Compos. Une Appl. Sci. Fab. 47, 102-108 (2013).

Article CAS Google Scholar

Yu, Y., Cui, X., Liang, Z., Qing, X. & Yan, W. Surveillance du front d'écoulement tridimensionnel de la résine à l'aide d'un réseau de capteurs hybrides à fibre piézoélectrique dans un processus de moulage de composite liquide. Compos. Sci. Technol. 229, 109712 (2022).

Article CAS Google Scholar

Matsuzaki, R., Kobayashi, S., Todoroki, A. & Mizutani, Y. Contrôle du débit/de la température de la résine à l'aide d'un film multifonctionnel à réseau d'électrodes interdigitées au cours d'un processus VaRTM. Compos. Une Appl. Sci. Fab. 42(7), 782–793 (2011).

Article Google Scholar

Danisman, M., Tuncol, G., Kaynar, A. & Sozer, EM Surveillance du flux de résine dans le processus de moulage par transfert de résine (RTM) à l'aide de capteurs de tension ponctuelle. Compos. Sci. Technol. 67(3), 367–379 (2007).

Article CAS Google Scholar

Dai, H. & Thostenson, ET Textile évolutif et multifonctionnel à base de nanotubes de carbone en tant que capteurs distribués pour la surveillance du flux et du durcissement. Carbone 164, 28–41 (2020).

Article CAS Google Scholar

Rocha, H., Fernandes, C., Ferreira, N., Lafont, U. & Nunes, JP Localisation des dommages sur les composites CFRP par tomographie d'impédance électrique. Mater. Aujourd'hui Commun. 32, 104164 (2022).

Article CAS Google Scholar

Dai, H., Thostenson, ET & Schumacher, T. Traitement et caractérisation d'un nouveau capteur de contrainte distribué utilisant des composites non tissés à base de nanotubes de carbone. Capteurs 15(7), 17728–17747 (2015).

Article ADS PubMed PubMed Central Google Scholar

Dai, H., Gallo, GJ, Schumacher, T. & Thostenson, ET Une nouvelle méthodologie pour la détection et l'imagerie des dommages spatiaux à l'aide d'un capteur composite à base de nanotubes de carbone distribué combiné à une tomographie par impédance électrique. J. Nondestr. Éval. 35(2), 26 (2016).

Article Google Scholar

Luo, S. et al. Revêtement hybride par pulvérisation, traçage au laser et distribution d'encre de capteurs/matrices de graphène avec piézorésistivité réglable pour la surveillance in situ des composites. Carbone 139, 437–444 (2018).

Article CAS Google Scholar

Panozzo, F., Zappalorto, M., Carraro, PA et Quaresimin, M. Changement de résistance électrique par rapport à l'état des dommages dans les stratifiés symétriques fissurés : une solution de forme fermée. Compos. Structure. 184, 1081-1091 (2018).

Article Google Scholar

Gordon, M. et al. Revue de l'état de l'art sur les progrès de l'exploration de données dans la surveillance de l'état des structures. Mesure 193, 110939 (2022).

Article Google Scholar

Hassani, S., Mousavi, M. & Gandomi, AH Surveillance de la santé structurelle dans les structures composites : une revue complète. Capteurs 22(1), 153 (2022).

Article ADS CAS Google Scholar

Luo, S., Obitayo, W. & Liu, T. Capteurs à fibres compatibles avec les couches minces SWCNT pour la surveillance de l'état structurel tout au long de la vie des composites polymères - De la fabrication à l'utilisation jusqu'à la défaillance. Carbone 76, 321–329 (2014).

Article CAS Google Scholar

Irfan, MS et al. Composites aérospatiaux renforcés de fibres multifonctionnels revêtus de MXène et de graphène avec des capacités de détection et de blindage EMI. Compos. Une Appl. Sci. Fab. 165, 107351 (2023).

Article CAS Google Scholar

Wang, G. et al. Les propriétés dépendantes de la structure des nanomatériaux de carbone ont permis des capteurs à fibre pour la surveillance in situ des composites. Compos. Structure. 195, 36–44 (2018).

Article Google Scholar

Luo, S. & Liu, T. Capteur à fibre intégrable activé par les nanoplaquettes de graphite pour la surveillance du durcissement in situ et la surveillance de la santé structurelle des composites polymères. ACS Appl. Mater. Interfaces. 6(12), 9314–9320 (2014).

Article CAS PubMed Google Scholar

Ud Din, I. et al. Comportement électromécanique des structures sandwich composites auto-sensibles pour les aérostructures plus électriques de nouvelle génération. Compos. Structure. 300, 116169 (2022).

Article Google Scholar

Ud Din, I. et al. Caractérisation piézorésistive dépendante de la vitesse de structures sandwich aérospatiales intelligentes intégrées avec des capteurs de tissu revêtus d'oxyde de graphène réduit (rGO). Compos. Commun. 36, 101382 (2022).

Article Google Scholar

Can-Ortiz, A., Abot, JL & Avilés, F. Caractérisation électrique des fibres à base de carbone et leur application pour détecter la piézorésistivité induite par la relaxation dans les composites polymères. Carbone 145, 119–130 (2019).

Article CAS Google Scholar

Chen, B. et al. Usine intelligente de l'industrie 4.0 : technologies clés, cas d'application et enjeux. Accès IEEE 6, 6505–6519 (2018).

Article Google Scholar

Li, C., Chen, Y. & Shang, Y. Un examen des mégadonnées industrielles pour la prise de décision dans la fabrication intelligente. Ing. Sci. Technol. Int. J. 29, 101021 (2022).

Google Scholar

Qu, YJ, Ming, XG, Liu, ZW, Zhang, XY & Hou, ZT Systèmes de fabrication intelligents : état de l'art et tendances futures. Int. J. Adv. Fab. Technol. 103(9), 3751–3768 (2019).

Article Google Scholar

Cheng, GJ, Liu, LT, Qiang, XJ, Liu, Y. Développement de l'industrie 4.0 et application de la fabrication intelligente. En 2016, Conférence internationale sur les systèmes d'information et l'intelligence artificielle (ISAI) (2016), 407–410.

Abikoye, OC et al. Application de l'Internet des objets et du système physique cybernétique dans la fabrication intelligente de l'industrie 4.0. Dans Emergence of Cyber ​​Physical System and IoT in Smart Automation and Robotics (eds Singh, KK et al.) 203–217 (Springer International Publishing, 2021).

Chapitre Google Scholar

Xu, LD, He, W. & Li, S. Internet des objets dans les industries : une enquête. IEEE Trans. Industrie Inf. 10(4), 2233–2243 (2014).

Article Google Scholar

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

Google Scholar

Glaessgen, E., & Stargel, D. Le paradigme du jumeau numérique pour les futurs véhicules de la NASA et de l'US Air Force. Dans la 53e conférence AIAA/ASME/ASCE/AHS/ASC Structures, Structural Dynamics and Materials, Honolulu, Hawaï (2012).

Tuegel, E. Le jumeau numérique de la cellule : quelques défis de réalisation dans la 53e conférence AIAA/ASME/ASCE/AHS/ASC sur les structures, la dynamique structurelle et les matériaux (2012).

Xiong, M. & Wang, H. Applications de jumeaux numériques dans l'industrie aéronautique : un examen. Int. J. Adv. Fab. Technol. 121(9), 5677–5692 (2022).

Article Google Scholar

Phanden, RK, Sharma, P. & Dubey, A. Un examen de la simulation dans le jumeau numérique pour l'aérospatiale, la fabrication et la robotique. Mater. Aujourd'hui Proc. 38, 174–178 (2021).

Article Google Scholar

Henning, F. et al. Traitement rapide et simulation continue des composants composites structurels automobiles. Compos. Sci. Technol. 171, 261–279 (2019).

Article CAS Google Scholar

Shafto, M. et al. Feuille de route pour la modélisation, la simulation, les technologies de l'information et le traitement. Nat. Aéronaute. Administrateur de l'espace. 32 (2012), 1–38 (2012).

Google Scholar

Levy, A. & Kratz, J. Simulation numérique directe de l'infusion et du suivi du front d'écoulement dans des matériaux à perméabilité hétérogène à l'aide d'un capteur de cartographie de pression. J. Compos. Mater. 54(13), 1647-1661 (2019).

Article Google Scholar

Chai, BX et al. Optimisation basée sur la simulation pour la conception de la configuration d'injection des processus de moulage de composites liquides : une revue. Compos. Une Appl. Sci. Fab. 149, 106540 ​​(2021).

Article CAS Google Scholar

Wijaya, W., Bickerton, S., Kelly, PA Simulation de compactage à méso-échelle de renforts textiles 2D multicouches : modèle de câble constitutif élastique non linéaire à grande déformation basé sur Kirchhoff, Compos. Une Appl. Sci. Fab. 137 (2020).

Boschert, S. & Rosen, R. Digital Twin-The Simulation Aspect. Dans Mechatronic Futures (eds Hehenberger, P. & Bradley, D.) (Springer, Berlin, 2016).

Google Scholar

Yerbolat, G. et al. Détermination des propriétés des matériaux composites par règle de mélange et simulation Monte Carlo. Conférence internationale IEEE sur la fabrication avancée (ICAM) 2018, 384–387 (2018).

Article Google Scholar

Dodwell, TJ et al. Simulations Monte Carlo multiniveaux de structures composites avec des défauts de fabrication incertains. Probablement. Ing. Méca. 63, 103116 (2021).

Article Google Scholar

Zhou, K., Enos, R., Xu, D., Zhang, D. et Tang, J. Processus gaussiens multi-réponses hiérarchiques pour l'analyse de l'incertitude avec simulation de fabrication de composites multi-échelles. Calcul. Mater. Sci. 207, 111257 (2022).

Article CAS Google Scholar

Li, L., Aslam, S., Wileman, A. & Perinpanayagam, S. Jumeau numérique dans l'industrie aérospatiale : une introduction en douceur. Accès IEEE 10, 9543–9562 (2022).

Article Google Scholar

Yin, Y., Zheng, P., Li, C. et Wang, L. Une enquête de pointe sur le jumeau numérique assisté par la réalité augmentée pour une transformation futuriste de l'industrie centrée sur l'humain. Robot. Comput.-Intégr. Fab. 81, 102515 (2023).

Article Google Scholar

Li, S. et al. Collaboration proactive homme-robot : perspectives mutuelles cognitives, prévisibles et auto-organisées. Robot. Comput.-Intégr. Fab. 81, 102510 (2023).

Article Google Scholar

Malik, AA, Masood, T. & Bilberg, A. Réalité virtuelle dans le secteur manufacturier : réalité artificielle immersive et collaborative dans la conception d'un espace de travail humain-robot. Int. J. Comput. Intégr. Fab. 33(1), 22–37 (2020).

Article Google Scholar

Pérez, L., Rodríguez-Jiménez, S., Rodríguez, N., Usamentiaga, R. & García, DF Méthodologie basée sur le jumeau numérique et la réalité virtuelle pour la mise en service de cellules de fabrication multi-robots. Appl. Sci. 10(10), 3633 (2020).

Article Google Scholar

Ali, MA, Umer, R. & Khan, KA Un cadre de mesure de perméabilité virtuelle pour les renforts de fibres utilisant des jumeaux numériques générés par micro CT. Int. J. Mater léger. Fab. 3(3), 204–216 (2020).

Google Scholar

Huang, W., Causse, P., Hu, H. & Trochu, F. Étude numérique et expérimentale de la perméabilité transversale saturée de tissus de verre tissés 2D à base de matériaux jumeaux. Polym. Compos. 41(4), 1341–1355 (2020).

Article CAS Google Scholar

Huang, W., Xu, R., Yang, J., Huang, Q. & Hu, H. Simulation multi-échelles basée sur les données de FRP basée sur des jumeaux de matériaux. Compos. Structure. 256, 113013 (2021).

Article Google Scholar

Ali, MA, Umer, R. & Khan, KA Jumeaux de matériaux générés par tomodensitométrie pour la fabrication de composites dans l'industrie 4.0 (Springer, 2020).

Réserver Google Scholar

Ali, MA, Guan, Q., Umer, R., Cantwell, WJ et Zhang, T. Traitement efficace des images μCT à l'aide d'outils d'apprentissage en profondeur pour générer des jumeaux de matériaux numériques de tissus tissés. Compos. Sci. Technol. 217, 109091 (2022).

Article CAS Google Scholar

Ali, MA, Guan, Q., Umer, R., Cantwell, WJ et Zhang, T. Segmentation sémantique basée sur l'apprentissage profond d'images µCT pour créer des jumeaux matériels numériques de renforts fibreux. Compos. Une Appl. Sci. Fab. 139, 106131 (2020).

Article Google Scholar

Huang, W., Causse, P., Brailovski, V., Hu, H. et Trochu, F. Reconstruction de modèles jumeaux de matériaux mésostructuraux de textiles techniques basés sur la modélisation géométrique assistée par micro-CT. Compos. Une Appl. Sci. Fab. 124, 105481 (2019).

Article Google Scholar

Song, Y., Qu, Z., Liao, H. & Ai, S. Génération de matériaux jumeaux de composites polymères tissés basés sur des réseaux de neurones convolutifs ResL-U-Net. Compos. Structure. 307, 116672 (2023).

Article CAS Google Scholar

Yao, B., Xu, W., Shen, T., Ye, X. & Tian, ​​S. Réordonnancement des tâches à plusieurs niveaux basé sur un jumeau numérique pour la chaîne de montage robotique. Sci. Rep. 13(1), 1769 (2023).

Article ADS CAS PubMed PubMed Central Google Scholar

Lu, Y., Liu, C., Wang, KIK, Huang, H., Xu, X. Digital Twin-driven smart manufacturing : connotation, modèle de référence, applications et problèmes de recherche. Robot. Calcul. Intégr. Fab. 61 (2020).

Seon, G., Nikishkov, Y., Makeev, A. et Ferguson, L. Vers un jumeau numérique pour atténuer la formation de vides lors du dégonflement des pièces composites d'autoclave. Ing. Fracturé. Méca. 225 (2020).

Zambal, S., Eitzinger, C., Clarke, M., Klintworth, J. et Mechin, P. Un jumeau numérique pour la fabrication de pièces composites : effets de l'analyse des défauts basée sur les données de fabrication. En 2018, 16e Conférence internationale de l'IEEE sur l'informatique industrielle (INDIN) (2018), 803–808.

Lee, J., Lapira, E., Bagheri, B. & Kao, H.-A. Progrès récents et tendances des systèmes de fabrication prédictive dans l'environnement du Big Data. Fab. Lett. 1(1), 38–41 (2013).

Article Google Scholar

Milanoski, D., Galanopoulos, G., Zarouchas, D., Loutas, T. Diagnostic de dommages à plusieurs niveaux sur des panneaux composites raidis basé sur un jumeau numérique non informatif sur les dommages. Structure. Moniteur de santé. (2022) 14759217221108676.

Milanoski, DP, Galanopoulos, GK, & Loutas, TH Jumeaux numériques d'aérostructures composites vers la surveillance de l'état des structures. En 2021, 8e atelier international de l'IEEE sur la métrologie pour l'aérospatiale (MetroAeroSpace) (2021) 613–618.

Sisson, W., Karve, P. & Mahadevan, S. Approche de jumeau numérique pour l'optimisation des paramètres de vol des giravions tenant compte de la santé des composants. AIAA J. 60(3), 1923-1936 (2022).

Article ADS CAS Google Scholar

Russell, SJ Intelligence artificielle : une approche moderne (Pearson Education, Inc, 2010).

MATH Google Scholar

Winston, PH Intelligence artificielle (Addison-Wesley, 1992).

MATH Google Scholar

Girasa, R. L'IA en tant que technologie perturbatrice, l'intelligence artificielle en tant que technologie perturbatrice : transformation économique et réglementation gouvernementale 3–21 (Springer, 2020).

Google Scholar

Chaudhary, V., Kaushik, AK, Furukawa, H., Khosla, A. Vers des capteurs intelligents durables pilotés par ai et iot de 5e génération basés sur des mxènes 2d et du borophène. Capteurs ECS Plus (2022).

Kaspar, C., Ravoo, BJ, van der Wiel, WG, Wegner, SV & Pernice, WHP L'essor de la matière intelligente. Nature 594(7863), 345–355 (2021).

Article ADS CAS PubMed Google Scholar

Mennel, L. et al. Vision industrielle ultra-rapide avec capteurs d'image de réseau de neurones matériels 2D. Nature 579(7797), 62–66 (2020).

Article ADS CAS PubMed Google Scholar

Gao, W., Yu, C. & Chen, R. Accélérateurs d'intelligence artificielle basés sur des dispositifs optoélectroniques au graphène. Adv. Photon. Rés. 2(6), 2100048 (2021).

Article Google Scholar

Lemme, MC, Akinwande, D., Huyghebaert, C. & Stampfer, C. Matériaux 2D pour l'électronique hétérogène du futur. Nat. Commun. 13(1), 1392 (2022).

Article ADS CAS PubMed PubMed Central Google Scholar

Konstantatos, G. État actuel et perspectives technologiques des photodétecteurs à base de matériaux bidimensionnels. Nat. Commun. 9(1), 5266 (2018).

Article ADS CAS PubMed PubMed Central Google Scholar

Kim, I. et al. Accélération du simulateur et conception inverse de transistors à effet de champ à ailettes à l'aide de l'apprentissage automatique. Sci. Rep. 12(1), 1140 (2022).

Article ADS CAS PubMed PubMed Central Google Scholar

Wachter, S., Polyushkin, DK, Bethge, O. & Mueller, T. Un microprocesseur basé sur un semi-conducteur bidimensionnel. Nat. Commun. 8(1), 14948 (2017).

Article ADS CAS PubMed PubMed Central Google Scholar

Tritsaris, GA, Carr, S. & Schleder, GR Conception informatique d'assemblages de moiré assistée par l'intelligence artificielle. Appl. Phys. Rév. 8(3), 031401 (2021).

Article ADS CAS Google Scholar

Sorkun, MC, Astruc, S., Koelman, JMVA & Er, S. Une recette de criblage virtuel assistée par intelligence artificielle pour la découverte de matériaux bidimensionnels. Calcul NPJ. Mater. 6(1), 106 (2020).

Annonces d'article Google Scholar

Huang, M., Li, Z., Zhu, H. Progrès récents du graphène et des matériaux connexes en intelligence artificielle. Adv. Renseignement. Syst. s/o(s/o) (2022).

Qiu, C., Han, Y., Shanmugam, L., Zhao, Y., Dong, S., Du, S., Yang, J. Compos. Sci. Technol. (2021) 109154.

Kikuchi, M., Ogasawara, T., Fujii, S. & Takeda, S.-I. Application de l'apprentissage automatique pour améliorer la précision des mesures simultanées de température et de déformation des stratifiés plastiques renforcés de fibres de carbone à l'aide d'un capteur à réseau de Bragg à fibre inclinée intégré. Compos. Une Appl. Sci. Fab. 161, 107108 (2022).

Article CAS Google Scholar

Salehi, H. & Burgueño, R. Méthodes d'intelligence artificielle émergentes en ingénierie structurelle. Ing. Structure. 171, 170-189 (2018).

Article Google Scholar

Balaji, R. & Sasikumar, M. Système de prédiction des déformations et des dommages basé sur le graphène pour les composites polymères. Compos. Une Appl. Sci. Fab. 103, 48–59 (2017).

Article CAS Google Scholar

Reghat, M. et al. Le graphène en tant que revêtement piézorésistif pour permettre la surveillance des contraintes dans les composites en fibre de verre. Compos. Sci. Technol. 211, 108842 (2021).

Article CAS Google Scholar

Alexopoulos, ND, Bartholome, C., Poulin, P. & Marioli-Riga, Z. Surveillance de la santé structurelle des composites renforcés de fibres de verre à l'aide de fibres de nanotubes de carbone (CNT) intégrées. Compos. Sci. Technol. 70(2), 260–271 (2010).

Article CAS Google Scholar

Kalantari, M., Dargahi, J., Kövecses, J., Mardasi, MG & Nouri, S. Une nouvelle approche pour modéliser des capteurs de force piézorésistifs basés sur des composites polymères semi-conducteurs. IEEE/ASME Trans. Mécatron. 17(3), 572–581 (2012).

Article Google Scholar

Hajizadegan, M., Sakhdari, M., Abbasi, S. & Chen, PY Capteurs harmoniques multifonctionnels à base de graphène assistés par apprentissage automatique. IEEE Sens. J. 21(6), 8333–8340 (2021).

Article ADS CAS Google Scholar

Shahbazi, Z. & Byun, Y.-C. Analyse en temps réel de la fabrication intelligente basée sur les approches Blockchain et Machine Learning. Appl. Sci. 11(8), 3535 (2021).

Article CAS Google Scholar

Fernández-León, J. et al. Une stratégie d'apprentissage automatique pour la détection de course lors de la fabrication de composites par moulage liquide. Intégr. Mater. Fab. Innov. 11(2), 296–311 (2022).

Article Google Scholar

González, C. & Fernández-León, J. Un modèle d'apprentissage automatique pour détecter les perturbations d'écoulement lors de la fabrication de composites par moulage liquide. J. Compos. Sci. 4(2), 71 (2020).

Article Google Scholar

Mendikute, J. et al. Diagnostic de qualité d'imprégnation en moulage par transfert de résine par machine learning. Compos. B Ing. 221, 108973 (2021).

Article CAS Google Scholar

Li, D., Hua, S., Li, Z., Gong, X. & Wang, J. Système d'inspection en ligne automatique basé sur la vision pour les filaments cassés de fibre de carbone avec apprentissage de caractéristiques à plusieurs échelles. IEEE Trans. Instrument. Mes. 71, 1–12 (2022).

Article Google Scholar

Sacco, C., Baz Radwan, A., Anderson, A., Harik, R., Gregory, E. Apprentissage automatique dans la fabrication de composites : une étude de cas sur l'inspection automatisée du placement des fibres. Compos. Structure. 250 (2020).

Tang, Y., Wang, Q., Cheng, L., Li, J. & Ke, Y. Une méthode d'inspection en cours de fabrication intégrant un apprentissage en profondeur et un algorithme classique pour le placement automatisé des fibres. Compos. Structure. 300, 116051 (2022).

Article Google Scholar

Meister, S., Wermes, M. Évaluation des performances des algorithmes d'analyse ligne par ligne basés sur CNN et R-CNN pour la classification des défauts de placement des fibres. Prod. Ing. (2022).

Meister, S., Wermes, M., Stüve, J. & Groves, RM Enquêtes sur les méthodes d'intelligence artificielle explicable pour la classification par apprentissage en profondeur des défauts de superposition de fibres dans la fabrication automatisée de composites. Compos. B Ing. 224, 109160 (2021).

Article Google Scholar

Meister, S., Wermes, M., Stüve, J. & Groves, RM Évaluation croisée d'un classificateur SVM-CNN fonctionnant en parallèle pour des processus décisionnels internes fiables dans l'inspection composite. J. Manuf. Syst. 60, 620–639 (2021).

Article Google Scholar

Li, X. et al. Détection des défauts basée sur l'apprentissage en profondeur de certaines aubes et aubes de moteurs d'avion avec DDSC-YOLOv5. Sci. Rep. 12(1), 13067 (2022).

Article ADS CAS PubMed PubMed Central Google Scholar

Rovinelli, A., Sangid, MD, Proudhon, H. & Ludwig, W. Utilisation de l'apprentissage automatique et d'une approche basée sur les données pour identifier la petite force motrice des fissures de fatigue dans les matériaux polycristallins. Calcul NPJ. Mater. 4(1), 35 (2018).

Annonces d'article Google Scholar

Marani, R., Palumbo, D., Galietti, U., Stella, E., Orazio, TD Détection automatique des défauts souterrains dans les matériaux composites à l'aide de la thermographie et de l'apprentissage automatique non supervisé. En 2016, 8e Conférence internationale de l'IEEE sur les systèmes intelligents (IS), 516–521 (2016).

Gong, Y., Shao, H., Luo, J. & Li, Z. Un modèle d'apprentissage par transfert profond pour la détection des défauts d'inclusion des matériaux composites aéronautiques. Compos. Structure. 252, 112681 (2020).

Article Google Scholar

Lee, H., Lim, HJ, Skinner, T., Chattopadhyay, A. & Hall, A. Technique automatisée de détection et de classification des dommages par fatigue pour les structures composites à l'aide d'ondes de Lamb et d'un auto-encodeur profond. Méca. Syst. Processus de signalisation. 163, 108148 (2022).

Article Google Scholar

Dabetwar, S., Ekwaro-Osire, S., Dias, JP Détection des dommages des matériaux composites à l'aide de la fusion de données avec des réseaux de neurones profonds. ASME Turbo Expo 2020 : Conférence et exposition techniques sur les turbomachines (2020)

Bandara, S., Herath, M., Epaarachchi, J. Méthodes sensorielles et identification des dommages basées sur l'apprentissage automatique des structures composites renforcées de fibres : une revue introductive. J. Plastique renforcé. Compos. (2022).

Guo, P., Meng, X., Meng, W. & Bao, Y. Surveillance et caractérisation automatique des fissures dans le composite cimentaire durcissant par déformation (SHCC) grâce à une interprétation intelligente des photos. Compos. B Ing. 242, 110096 (2022).

Article CAS Google Scholar

Yoon, J., Lee, J., Kim, G., Ryu, S. & Park, J. Technique de surveillance de la santé structurelle basée sur un réseau neuronal profond pour la détection et la localisation des fissures en temps réel à l'aide de capteurs à jauge de contrainte. Sci. Rep. 12(1), 20204 (2022).

Article ADS CAS PubMed PubMed Central Google Scholar

Liu, H., Liu, S., Liu, Z., Mrad, N. & Milani, AS Approches basées sur les données pour la caractérisation des dommages de délaminage dans les matériaux composites. IEEE Trans. Industrie Électron. 68(3), 2532-2542 (2021).

Article Google Scholar

Yu, H., Seno, AH, Sharif Khodaei, Z. & Aliabadi, MHF Méthode de classification de l'impact de la surveillance de la santé structurelle basée sur le réseau neuronal bayésien. Polymères 14(19), 3947 (2022).

Article CAS PubMed PubMed Central Google Scholar

Cassola, S., Duhovic, M., Schmidt, T. et May, D. Apprentissage automatique pour la simulation de processus de composites polymères - Une revue. Compos. B Ing. 246, 110208 (2022).

Article CAS Google Scholar

Sharma, A., Mukhopadhyay, T., Rangappa, SM, Siengchin, S. et Kushvaha, V. Avancées dans l'intelligence informatique des matériaux composites polymères : modélisation assistée par apprentissage automatique. Analyse et conception, Archives des méthodes computationnelles en ingénierie 29(5), 3341–3385 (2022).

Google Scholar

Tifkitsis, KI & Skordos, AA Estimation de l'incertitude en temps réel dans l'étape de remplissage du processus de moulage par transfert de résine. Polym. Compos. 41(12), 5387–5402 (2020).

Article CAS Google Scholar

Leukel, J., González, J. & Riekert, M. Adoption de la technologie d'apprentissage automatique pour la prédiction des défaillances dans la maintenance industrielle : une revue systématique. J. Manuf. Syst. 61, 87–96 (2021).

Article Google Scholar

Elenchezhian, MRP, Vadlamudi, V., Raihan, R., Reifsnider, K. & Reifsnider, E. L'intelligence artificielle dans le diagnostic et le pronostic en temps réel des matériaux composites et ses incertitudes - une revue. Maître intelligent. Structure. 30(8), 083001 (2021).

Annonces d'article Google Scholar

Nelon, C., Myers, O. & Hall, A. L'intersection de l'évaluation des dommages des matériaux composites renforcés de fibres avec l'apprentissage automatique : une revue. J. Compos. Mater. 56(9), 1417–1452 (2022).

Annonces d'article Google Scholar

Zhu, J., Droste, D., Dimassi, A. & Herrmann, AS Une méthode assistée par réseau de neurones pour l'estimation du front d'écoulement dans le moulage par transfert de résine à l'aide de capteurs de pression. J. Compos. Mater. 56(19), 2979–2993 (2022).

Article ADS CAS Google Scholar

Zhang, J. & Pantelelis, NG Modélisation et contrôle de l'optimisation des processus de moulage de composites polymères à l'aide de modèles de réseaux de neurones agrégés bootstrap. Conférence internationale sur l'ingénierie de l'information et du contrôle électriques 2011, 2363–2366 (2011).

Google Scholar

Golovatov, DA, Tatarkanov, AA, Shavaev, AA, Gusev, SA L'utilisation des technologies de l'information modernes pour prédire le processus d'imprégnation des préformes composites avec des résines polymères. En 2019 Conférence internationale "Gestion de la qualité, transport et sécurité de l'information, technologies de l'information" (IT&QM&IS), (2019) 486–489.

Stieber, S., Schröter, N., Schiendorfer, A., Hoffmann, A., Reif, W., FlowFrontNet : Améliorer la fabrication de composites de carbone avec les CNN. Dans Conférence européenne, ECML PKDD (Springer, Gand, 2020) 411–426.

Stieber, S., Schröter, N., Fauster, E., Schiendorfer, A. et Reif, W. PermeabilityNets : comparaison des architectures de réseaux de neurones sur une tâche de séquence à instance dans la fabrication de CFRP. Dans : 2021 20th IEEE International Conference on Machine Learning and Applications (ICMLA), (2021) 694–697.

Das, PP, Elenchezhian, M., Vadlamudi, V. et Raihan, R., Résistance résiduelle assistée par intelligence artificielle et prédiction de la durée de vie des composites polymères renforcés de fibres. Forum AIAA SCITECH 2023 (2023).

Hassan, H. & Tallman, TN Prédiction des défaillances dans les nanocomposites à auto-détection via une inversion piézorésistive activée par un algorithme génétique. Structure. Moniteur de santé. 19(3), 765–780 (2020).

Article Google Scholar

Fernández-Caramés, TM & Fraga-Lamas, P. Un examen de l'application de la blockchain à la prochaine génération d'usines intelligentes 4.0 de l'industrie cybersécurisée. Accès IEEE 7, 45201–45218 (2019).

Article Google Scholar

Mandolla, C., Petruzzelli, AM, Percoco, G. & Urbinati, A. Construire un jumeau numérique pour la fabrication additive grâce à l'exploitation de la blockchain : Une analyse de cas de l'industrie aéronautique. Calcul. Ind. 109, 134–152 (2019).

Article Google Scholar

Teng, Y., Li, L., Song, L., Yu, FR et Leung, VCM Maximisation des bénéfices de la fabrication intelligente sur des chaînes de blocs configurables compatibles avec l'IA. IEEE Internet Things J. 9(1), 346–358 (2022).

Article Google Scholar

Hasan, H., AlHadhrami, E., AlDhaheri, A., Salah, K. & Jayaraman, R. Approche contractuelle intelligente pour une gestion efficace des expéditions. Calcul. Ing. ind. 136, 149–159 (2019).

Article Google Scholar

Javaid, M., Haleem, A., Pratap Singh, R., Khan, S. et Suman, R. Applications de la technologie Blockchain pour l'industrie 4.0 : une revue de la littérature. Blockchain Rés. Appl. 2(4), 100027 (2021).

Article Google Scholar

Mondragon, AEC, Mondragon, CEC & Coronado, ES Explorer l'applicabilité de la technologie blockchain pour améliorer les chaînes d'approvisionnement de fabrication dans l'industrie des matériaux composites. Conférence internationale IEEE sur l'invention de systèmes appliqués (ICASI) 2018, 1300–1303 (2018).

Article Google Scholar

Mondragon, AEC, & Mondragon, CEC Améliorer la chaîne d'approvisionnement avec des matériaux composites : une analyse soutenue par des outils informatiques dans la fabrication d'autocars/autobus. En 2017, 4e Conférence internationale sur le génie industriel et ses applications (ICIEA), 121–125 (2017).

Wang, J., Wu, P., Wang, X. & Shou, W. Les perspectives de la technologie blockchain pour la gestion de l'ingénierie de la construction. Devant. Ing. Géré. 4(1), 67–75 (2017).

Article Google Scholar

Ahmad, RW et al. Le rôle de la technologie blockchain dans l'industrie aéronautique. IEEE Aerosp. Électron. Syst. Mag. 36(3), 4–15 (2021).

Article Google Scholar

Hasan, HR et al. Une approche basée sur la blockchain pour la création de jumeaux numériques. Accès IEEE 8, 34113–34126 (2020).

Article Google Scholar

Baalamurugan , KM , Bacanin , PPN , Venkatachalam , K. , Askar , SS & Abouhawwash , M. Cadre K-harmonique compatible avec la blockchain pour les systèmes industriels basés sur l'IoT . Sci. représentant 13(1), 1004 (2023).

Article ADS CAS PubMed PubMed Central Google Scholar

Rovira-Sugranes, A. & Razi, A. Optimiser l'ère de l'information pour la technologie blockchain avec des applications aux capteurs IoT. IEEE commun. Lett. 24(1), 183–187 (2020).

Article Google Scholar

Télécharger les références

Ce travail est financé par la subvention interne CIRA-2020-007, numéro de subvention 8474000275 de l'Université des sciences et technologies de Khalifa.

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

Adresse actuelle : Department of Aerospace Engineering, Khalifa University of Science and Technology (KUST), Abu Dhabi, Émirats arabes unis

Département de génie aérospatial, Université des sciences et technologies de Khalifa (KUST), Abu Dhabi, Émirats arabes unis

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

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

MAA : Conceptualisation, Curation des données, Méthodologie, Analyse formelle, Rédaction-Brouillon original. MSI : Méthodologie, Curation des données, Analyse formelle, Rédaction-Brouillon original. TK : Dessin de Figures, Rédaction- Révision et Édition, MYK : Dessin de Figures, Rédaction- Révision et ÉditionR.U. : Conceptualisation, Supervision, Méthodologie, Enquête, Acquisition de financement, Ressources, Rédaction-révision et édition.

Correspondance à Rehan Umer.

Les auteurs ne déclarent aucun intérêt concurrent.

Springer Nature reste neutre en ce qui concerne les revendications juridictionnelles dans les cartes publiées et les affiliations institutionnelles.

Libre accès Cet article est sous licence Creative Commons Attribution 4.0 International, qui autorise l'utilisation, le partage, l'adaptation, la distribution et la reproduction sur tout support ou format, à condition que vous accordiez le crédit approprié à l'auteur ou aux auteurs originaux et à la source, fournissez un lien vers la licence Creative Commons et indiquez si des modifications ont été apportées. Les images ou tout autre matériel de tiers dans cet article sont inclus dans la licence Creative Commons de l'article, sauf indication contraire dans une ligne de crédit au matériel. Si le matériel n'est pas inclus dans la licence Creative Commons de l'article et que votre utilisation prévue n'est pas autorisée par la réglementation légale ou dépasse l'utilisation autorisée, vous devrez obtenir l'autorisation directement du détenteur des droits d'auteur. Pour voir une copie de cette licence, visitez http://creativecommons.org/licenses/by/4.0/.

Réimpressions et autorisations

Ali, MA, Irfan, MS, Khan, T. et al. Les nanoparticules de graphène en tant que matériaux numériques générateurs de données dans l'industrie 4.0. Sci Rep 13, 4945 (2023). https://doi.org/10.1038/s41598-023-31672-y

Télécharger la citation

Reçu : 10 décembre 2022

Accepté : 15 mars 2023

Publié: 27 mars 2023

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

Toute personne avec qui vous partagez le lien suivant pourra lire ce contenu :

Désolé, aucun lien partageable n'est actuellement disponible pour cet article.

Fourni par l'initiative de partage de contenu Springer Nature SharedIt

En soumettant un commentaire, vous acceptez de respecter nos conditions d'utilisation et nos directives communautaires. Si vous trouvez quelque chose d'abusif ou qui ne respecte pas nos conditions ou directives, veuillez le signaler comme inapproprié.