Output-only methods for damage identification in structural health monitoring

• Autor(a) principal: SANTOS, Adam Dreyton Ferreira dos
• Data de Publicação: 2017
• Tipo de documento: Tese
• Idioma: eng
• Título da fonte: Repositório Institucional da UFPA
• Texto Completo: http://repositorio.ufpa.br/jspui/handle/2011/9076
• topic: CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA; CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::SISTEMAS DE COMPUTACAO; Sistemas de computação; Inteligência artificial; Localização de falhas (Engenharia) - Processamento de dados; Reconhecimento de padrões; Monitoramento de integridade estrutural; Identificação de danos; Condições ambientais; Falhas estruturais - Prevenção

No campo da monitorização de integridade estrutural (SHM), a identificação de dano baseada em vibração tem se tornado uma área de pesquisa crucial devido a sua potencial aplicação em estruturas de engenharia do mundo real. Assumindo que os sinais de vibração podem ser medidos pelo emprego de diferentes tipos de sistemas de monitorização, quando aplica-se o tratamento de dados adequado, as características sensíveis a dano podem ser extraídas e usadas para avaliar dano estrutural incipiente ou progressivo. Entretanto, as estruturas do mundo real estão sujeitas às mudanças regulares nas condições operacionais e ambientais (e.g., temperatura, umidade relativa, massa de tráfego e outros), as quais impõem dificuldades na identificação do dano estrutural uma vez que essas mudanças influenciam diferentes características de forma distinta. Nesta tese por agregação de artigos, a fim de superar essa limitação, novos métodos output-only são propostos para detectar e quantificar dano em estruturas sob influências operacionais e ambientais não medidas. Os métodos são baseados nos campos de aprendizagem de máquina e inteligência artificial e podem ser classificados como técnicas baseadas em kernel e clusterização. Quando os novos métodos são comparados àqueles do estado da arte, os resultados demonstraram que os primeiros possuem melhor performance de detecção de dano em termos de indicações de dano falso-positivas (variando entre 3,6Ű5,4%) e falso-negativas (variando entre 0Ű2,6%), sugerindo potencial aplicabilidade em soluções práticas de SHM. Se os métodos propostos são comparados entre si, aqueles baseados em clusterização, nomeadamente as abordagens de expectância-maximização global via algoritmos meméticos, provaram ser as melhores técnicas para aprender a condição estrutural normal, sem perda de informação ou sensibilidade aos parâmetros iniciais, e para detectar dano (erros totais iguais a 4,4%).