Use este identificador para citar ou linkar para este item:
https://repositorio.ufpa.br/jspui/handle/2011/7187| Tipo: | Dissertação |
| Data do documento: | 14-Mai-2007 |
| Autor(es): | MACHADO, José Aristides dos Santos |
| Primeiro(a) Orientador(a): | VIEIRA JÚNIOR, Petrônio |
| Primeiro(a) coorientador(a): | MELLO, Hiran de |
| Título: | Redes neurais de múltiplas camadas para redução do tempo de aquisição de dados para testes modais em estruturas flexíveis |
| Agência de fomento: | FANC - Fundação Amazônica de Apoio a Pesquisa e Desenvolvimento Tecnológico André Nunes Coelho CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superior |
| Citar como: | MACHADO, José Aristides dos Santos. Redes neurais de múltiplas camadas para redução do tempo de aquisição de dados para testes modais em estruturas flexíveis. Orientador: Petrônio Vieira Júnior; Coorientador: Hiran de Mello. 2007. 87 f. Dissertação (Mestrado em Engenharia Elétrica) - Centro Tecnológico, Universidade Federal do Pará, Belém, 2007. Disponível em : http://repositorio.ufpa.br/jspui/handle/2011/7187. Acesso em:. |
| Resumo: | Neste trabalho discutem-se técnicas de aperfeiçoamento das estimativas dos parâmetros dinâmicos de modelos representativos de Sistemas de Um Grau de Liberdade (S1GL) e Sistema de Múltiplos Graus de Liberdade (SMGL) de estruturas flexíveis. As avaliações referem-se aos métodos que utilizam a Função Resposta em Freqüência (FRF) obtida mediante medições da resposta ao impulso de uma estrutura flexível. Utiliza-se como hipótese de trabalho o pressuposto de que o modelo subjacente possui adequação para uma descrição precisa do sistema. Portanto, um bom método de obtenção experimental da FRF deve levar a uma concordância significativa entre a FRF prevista pela teoria e a FRF obtida experimentalmente. No presente trabalho investiga-se o ganho em qualidade obtido com o aumento virtual do tempo de aquisição (previsão de valores futuros). Na realização desta estratégia faz-se uso de Previsores Não Lineares baseados em Redes Neurais de Múltiplas Camadas (RNMC). Para comparação de desempenho do Previsor Neural, utilizam-se Previsores Lineares (modelos ARX e ARMAX). Os resultados obtidos neste estudo sugerem a viabilidade do uso de redes RNMC para melhoria da estimativa de parâmetros de estruturas flexíveis. |
| Abstract: | This work presents techniques to improve the dynamics parameters estimation of Single Degree of Freedom (SDOF) and Multiple Degree of Freedom (MDOF) models characteristic from flexible structures. The analyses are referred to the method that uses the Frequency Response Function (FRF) obtained from the impulse response of the flexible structure. We use for assumption that the considered models are convenient for a suitable description of the system. Thus, an experimental good method of obtaining the FRF should produce a significant accordance between the theoretical and the experimental FRF. The improvement in increasing the acquisition time artificially (forecasting) is analyzed by using a Multilayer Neural Network (MNN) model. The performance of neural forecaster is compared with results obtained using ARX and ARMAX models. The obtained results in this research, suggest the viability to use the MNN. |
| Palavras-chave: | Vibrações Previsão Estimativa de parâmetros Redes neurais de múltiplas camadas Vibration Parameter estimation Forecasting Multilayer neural network |
| CNPq: | CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO |
| País: | Brasil |
| Instituição: | Universidade Federal do Pará |
| Sigla da Instituição: | UFPA |
| Instituto: | Instituto de Tecnologia |
| Programa: | Programa de Pós-Graduação em Engenharia Elétrica |
| Tipo de Acesso: | Acesso Aberto |
| Aparece nas coleções: | Dissertações em Engenharia Elétrica (Mestrado) - PPGEE/ITEC |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| Dissertacao_RedesNeuraisMultiplas.pdf | 799,91 kB | Adobe PDF | Visualizar/Abrir |
Este item está licenciado sob uma Licença Creative Commons
