Please use this identifier to cite or link to this item: http://repositorio.ufpa.br/jspui/handle/2011/9076
Compartilhar:
Type: Tese
Issue Date: 27-Apr-2017
Authors: SANTOS, Adam Dreyton Ferreira dos
First Advisor: COSTA, João Crisóstomo Weyl Albuquerque
First Co-Advisor: FIGUEIREDO, Elói João Faria
Title: Output-only methods for damage identification in structural health monitoring
Sponsor: CNPq - Conselho Nacional de Desenvolvimento Científico e Tecnológico
Citation: SANTOS, Adam Dreyton Ferreira dos. Output-only methods for damage identification in structural health monitoring. 2017. 149 f. Tese (Doutorado) - Universidade Federal do Pará, Instituto de Tecnologia, Belém, 2017. Programa de Pós-Graduação em Engenharia Elétrica.
Resumo: 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%).
Abstract: In the structural health monitoring (SHM) field, vibration-based damage identification has become a crucial research area due to its potential to be applied in real-world engineering structures. Assuming that the vibration signals can be measured by employing different types of monitoring systems, when one applies appropriate data treatment, damage-sensitive features can be extracted and used to assess early and progressive structural damage. However, real-world structures are subjected to regular changes in operational and environmental conditions (e.g., temperature, relative humidity, traffic loading and so on) which impose difficulties to identify structural damage as these changes influence different features in a distinguish manner. In this thesis by papers, to overcome this drawback, novel output-only methods are proposed for detecting and quantifying damage on structures under unmeasured operational and environmental influences. The methods are based on the machine learning and artificial intelligence fields and can be classified as kernel- and cluster-based techniques. When the novel methods are compared to the state-of-the-art ones, the results demonstrated that the former ones have better damage detection performance in terms of false-positive (ranging between 3.65.4%) and false-negative (ranging between 0-2.6%) indications of damage, suggesting their applicability for real-world SHM solutions. If the proposed methods are compared to each other, the cluster-based ones, namely the global expectation-maximization approaches based on memetic algorithms, proved to be the best techniques to learn the normal structural condition, without loss of information or sensitivity to the initial parameters, and to detect damage (total errors equal to 4.4%).
Keywords: 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
CNPq: CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA
CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::SISTEMAS DE COMPUTACAO
Country: Brasil
Publisher: Universidade Federal do Pará
Institution Acronym: UFPA
Department: Instituto de Tecnologia
Program: Programa de Pós-Graduação em Engenharia Elétrica
Appears in Collections:Teses em Engenharia Elétrica (Doutorado) - PPGEE/ITEC

Files in This Item:
File Description SizeFormat 
Tese_Output-onlyMethodsDamage.pdf8,82 MBAdobe PDFView/Open


This item is licensed under a Creative Commons License Creative Commons