Navegando por Assunto "Environmental conditions"

Agora exibindo 1 - 2 de 2

Acesso aberto (Open Access)
Machine learning algorithms for damage detection in structures under changing normal conditions
(Universidade Federal do Pará, 2017-01-31) SILVA, Moisés Felipe Mello da; SALES JÚNIOR, Claudomiro de Souza de; http://lattes.cnpq.br/4742268936279649; COSTA, João Crisóstomo Weyl Albuquerque; http://lattes.cnpq.br/9622051867672434
Estruturas de engenharia têm desempenhado um papel importante para o desenvolvimento das sociedades no decorrer dos anos. A adequada gerência e manutenção de tais estruturas requer abordagens automatizadas para o monitoramento de integridade estrutural (SHM) no intuito de analisar a real condição dessas estruturas. Infelizmente, variações normais na dinâmica estrutural, causadas por efeitos operacionais e ambientais, podem ocultar a existência de um dano. Em SHM, normalização de dados é frequentemente referido como o processo de filtragem dos efeitos normais com objetivo de permitir uma avaliação adequada da integridade estrutural. Neste contexto, as abordagens baseadas em análise de componentes principais e agrupamento de dados têm sido empregadas com sucesso na modelagem dessas condições variadas, ainda que efeitos normais severos imponham alto grau de dificuldade para a detecção de danos. Contudo, essas abordagens tradicionais possuem limitações sérias quanto ao seu emprego em campanhas reais de monitoramento, principalmente devido as restrições existentes quanto a distribuição dos dados e a definição de parâmetros, bem como os diversos problemas relacionados a normalização dos efeitos normais. Este trabalho objetiva aplicar redes neurais de aprendizado profundo e propor um novo método de agrupamento aglomerativo para a normalização de dados e detecção de danos com o objetivo de superar as limitações impostas pelos métodos tradicionais. No contexto das redes neurais profundas, o emprego de novos métodos de treinamento permite alcançar modelos com maior poder de generalização. Em contrapartida, o novo algoritmo de agrupamento não requer qualquer parâmetro de entrada e não realiza asserções quanto a distribuição dos dados, permitindo um amplo dominínio de aplicações. A superioridade das abordagens propostas sobre as disponíveis na literatura é atestada utilizando conjuntos de dados oriundos de dois sistemas de monitoramento instalados em duas pontes distintas: a ponte Z-24 e a ponte Tamar. Ambas as técnicas revelaram um melhor desempenho de normalização dos dados e classificação do que os métodos tradicionais, em termos de falsas-positivas e falsas-negativas indicações de dano, o que sugere a aplicabilidade dos métodos em cenários reais de monitoramento de integridade estrutural.
Acesso aberto (Open Access)
Output-only methods for damage identification in structural health monitoring
(Universidade Federal do Pará, 2017-04-27) SANTOS, Adam Dreyton Ferreira dos; FIGUEIREDO, Elói João Faria; http://lattes.cnpq.br/2315380423001185; COSTA, João Crisóstomo Weyl Albuquerque; http://lattes.cnpq.br/9622051867672434
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%).