Deteção de dano em pontes integrando algoritmos de aprendizagem, modelos de elementos finitos e dados da monitorização estrutural

Detalhes bibliográficos
Autor(a) principal: Campos, Pedro Miguel Ferreira
Data de Publicação: 2018
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
Texto Completo: http://hdl.handle.net/10437/8783
Resumo: Nas últimas décadas, a monitorização da integridade estrutural de estruturas de engenharia civil tem sido realizada com base em duas abordagens distintas: modelos numéricos de elementos finitos e análise direta de dados da monitorização. A primeira abordagem tenta identificar o dano relacionando os dados medidos da estrutura com a previsão retirada de modelos numéricos devidamente calibrados. A última abordagem baseia-se na medição de respostas estruturais ambientais ou sob ações conhecidas, onde os dados medidos (ex. acelerações, deslocamentos e extensões) ou caraterísticas extraídas (propriedades modais) numa dada condição são comparados com uma condição de referência. Contudo, em ambas as abordagens, a identificação de dano requer uma comparação entre duas condições da estrutura: a condição de referência (não danificada) e a condição danificada. Portanto, de uma forma geral, as duas abordagens fazem uso de técnicas de reconhecimento de padrões. Assim, esta dissertação pretende ser um contributo científico através da combinação das duas abordagens, isto é, integrando numa única abordagem os algoritmos de aprendizagem automática, a modelação de elementos finitos e o uso dos dados extraídos da monitorização de estruturas. Nesta combinação, dados de cenários estruturais sem dano, simulados através dos modelos de elementos finitos, são introduzidos no processo de aprendizagem juntamente com os dados da monitorização, permitindo assim treinar os algoritmos de aprendizagem com respostas estruturais que não foram medidas experimentalmente. A passagem superior Z24, da Suíça, é usada como estrutura de teste, devido à disponibilidade de dados da monitorização contínua de sensivelmente um ano.
id RCAP_0176b6de51c5a73e7f3ade8cd1e6b8f9
oai_identifier_str oai:recil.ensinolusofona.pt:10437/8783
network_acronym_str RCAP
network_name_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository_id_str 7160
spelling Deteção de dano em pontes integrando algoritmos de aprendizagem, modelos de elementos finitos e dados da monitorização estruturalMESTRADO EM ENGENHARIA CIVILENGENHARIA CIVILMONITORIZAÇÃOESTRUTURAS DE PONTESESTABILIDADE DE ESTRUTURASPONTESMÉTODO DE ELEMENTOS FINITOSDANOSESTUDOS DE CASOCIVIL ENGINEERINGMONITORINGBRIDGE STRUCTURESSTRUCTURAL STABILITYBRIDGESFINITE ELEMENT METHODDAMAGESCASE STUDIESNas últimas décadas, a monitorização da integridade estrutural de estruturas de engenharia civil tem sido realizada com base em duas abordagens distintas: modelos numéricos de elementos finitos e análise direta de dados da monitorização. A primeira abordagem tenta identificar o dano relacionando os dados medidos da estrutura com a previsão retirada de modelos numéricos devidamente calibrados. A última abordagem baseia-se na medição de respostas estruturais ambientais ou sob ações conhecidas, onde os dados medidos (ex. acelerações, deslocamentos e extensões) ou caraterísticas extraídas (propriedades modais) numa dada condição são comparados com uma condição de referência. Contudo, em ambas as abordagens, a identificação de dano requer uma comparação entre duas condições da estrutura: a condição de referência (não danificada) e a condição danificada. Portanto, de uma forma geral, as duas abordagens fazem uso de técnicas de reconhecimento de padrões. Assim, esta dissertação pretende ser um contributo científico através da combinação das duas abordagens, isto é, integrando numa única abordagem os algoritmos de aprendizagem automática, a modelação de elementos finitos e o uso dos dados extraídos da monitorização de estruturas. Nesta combinação, dados de cenários estruturais sem dano, simulados através dos modelos de elementos finitos, são introduzidos no processo de aprendizagem juntamente com os dados da monitorização, permitindo assim treinar os algoritmos de aprendizagem com respostas estruturais que não foram medidas experimentalmente. A passagem superior Z24, da Suíça, é usada como estrutura de teste, devido à disponibilidade de dados da monitorização contínua de sensivelmente um ano.In the last decades, the long-term structural health monitoring of civil structures has been performed using two approaches: model- and data-based. The former approach tries to identify damage by relating the monitoring data to the prediction of numerical (e.g., finite element) models of the structure. The latter approach is data-driven, where measured data from a given state condition is compared to the baseline or reference condition. The data-based approach has been rooted in the machine learning field, where machine learning algorithms are essential to learn (or to model) the structural behavior from the experience (or past data), and to perform pattern recognition for damage identification. In the structural health monitoring field, this approach is known as the statistical pattern recognition paradigm. In both approaches, the identification of damage requires data comparison between two state conditions, the baseline condition and the damaged condition; thus, in a general sense, the two approaches make use of pattern recognition techniques. This dissertation intends to step forward by combining machine learning, finite element modeling and monitoring data from civil structures in an unique damage detection approach. To achieve this combination, data from simulated undamaged scenarios are introduced into the learning process using predictions from finite element models. To test this new approach, monitoring data from the Z-24 Bridge are used along with finite element and machine learning modeling.2018-05-16T14:07:22Z2018-01-01T00:00:00Z2018info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttp://hdl.handle.net/10437/8783TID:201909669porCampos, Pedro Miguel Ferreirainfo:eu-repo/semantics/openAccessreponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãoinstacron:RCAAP2023-03-09T14:08:31Zoai:recil.ensinolusofona.pt:10437/8783Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-19T17:15:41.711004Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãofalse
dc.title.none.fl_str_mv Deteção de dano em pontes integrando algoritmos de aprendizagem, modelos de elementos finitos e dados da monitorização estrutural
title Deteção de dano em pontes integrando algoritmos de aprendizagem, modelos de elementos finitos e dados da monitorização estrutural
spellingShingle Deteção de dano em pontes integrando algoritmos de aprendizagem, modelos de elementos finitos e dados da monitorização estrutural
Campos, Pedro Miguel Ferreira
MESTRADO EM ENGENHARIA CIVIL
ENGENHARIA CIVIL
MONITORIZAÇÃO
ESTRUTURAS DE PONTES
ESTABILIDADE DE ESTRUTURAS
PONTES
MÉTODO DE ELEMENTOS FINITOS
DANOS
ESTUDOS DE CASO
CIVIL ENGINEERING
MONITORING
BRIDGE STRUCTURES
STRUCTURAL STABILITY
BRIDGES
FINITE ELEMENT METHOD
DAMAGES
CASE STUDIES
title_short Deteção de dano em pontes integrando algoritmos de aprendizagem, modelos de elementos finitos e dados da monitorização estrutural
title_full Deteção de dano em pontes integrando algoritmos de aprendizagem, modelos de elementos finitos e dados da monitorização estrutural
title_fullStr Deteção de dano em pontes integrando algoritmos de aprendizagem, modelos de elementos finitos e dados da monitorização estrutural
title_full_unstemmed Deteção de dano em pontes integrando algoritmos de aprendizagem, modelos de elementos finitos e dados da monitorização estrutural
title_sort Deteção de dano em pontes integrando algoritmos de aprendizagem, modelos de elementos finitos e dados da monitorização estrutural
author Campos, Pedro Miguel Ferreira
author_facet Campos, Pedro Miguel Ferreira
author_role author
dc.contributor.author.fl_str_mv Campos, Pedro Miguel Ferreira
dc.subject.por.fl_str_mv MESTRADO EM ENGENHARIA CIVIL
ENGENHARIA CIVIL
MONITORIZAÇÃO
ESTRUTURAS DE PONTES
ESTABILIDADE DE ESTRUTURAS
PONTES
MÉTODO DE ELEMENTOS FINITOS
DANOS
ESTUDOS DE CASO
CIVIL ENGINEERING
MONITORING
BRIDGE STRUCTURES
STRUCTURAL STABILITY
BRIDGES
FINITE ELEMENT METHOD
DAMAGES
CASE STUDIES
topic MESTRADO EM ENGENHARIA CIVIL
ENGENHARIA CIVIL
MONITORIZAÇÃO
ESTRUTURAS DE PONTES
ESTABILIDADE DE ESTRUTURAS
PONTES
MÉTODO DE ELEMENTOS FINITOS
DANOS
ESTUDOS DE CASO
CIVIL ENGINEERING
MONITORING
BRIDGE STRUCTURES
STRUCTURAL STABILITY
BRIDGES
FINITE ELEMENT METHOD
DAMAGES
CASE STUDIES
description Nas últimas décadas, a monitorização da integridade estrutural de estruturas de engenharia civil tem sido realizada com base em duas abordagens distintas: modelos numéricos de elementos finitos e análise direta de dados da monitorização. A primeira abordagem tenta identificar o dano relacionando os dados medidos da estrutura com a previsão retirada de modelos numéricos devidamente calibrados. A última abordagem baseia-se na medição de respostas estruturais ambientais ou sob ações conhecidas, onde os dados medidos (ex. acelerações, deslocamentos e extensões) ou caraterísticas extraídas (propriedades modais) numa dada condição são comparados com uma condição de referência. Contudo, em ambas as abordagens, a identificação de dano requer uma comparação entre duas condições da estrutura: a condição de referência (não danificada) e a condição danificada. Portanto, de uma forma geral, as duas abordagens fazem uso de técnicas de reconhecimento de padrões. Assim, esta dissertação pretende ser um contributo científico através da combinação das duas abordagens, isto é, integrando numa única abordagem os algoritmos de aprendizagem automática, a modelação de elementos finitos e o uso dos dados extraídos da monitorização de estruturas. Nesta combinação, dados de cenários estruturais sem dano, simulados através dos modelos de elementos finitos, são introduzidos no processo de aprendizagem juntamente com os dados da monitorização, permitindo assim treinar os algoritmos de aprendizagem com respostas estruturais que não foram medidas experimentalmente. A passagem superior Z24, da Suíça, é usada como estrutura de teste, devido à disponibilidade de dados da monitorização contínua de sensivelmente um ano.
publishDate 2018
dc.date.none.fl_str_mv 2018-05-16T14:07:22Z
2018-01-01T00:00:00Z
2018
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://hdl.handle.net/10437/8783
TID:201909669
url http://hdl.handle.net/10437/8783
identifier_str_mv TID:201909669
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron:RCAAP
instname_str Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron_str RCAAP
institution RCAAP
reponame_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
collection Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository.name.fl_str_mv Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
repository.mail.fl_str_mv
_version_ 1799131254218555392

Registros relacionados