Identificação de danos em estruturas usando modelo preditor baseado em técnicas de aprendizagem de máquinas

O aumento na quantidade de novas edificações e a existência de inúmeras construções antigas, sejam de pequeno médio ou grande porte, chamam a atenção para a necessidade de medidas que mantenham a qualidade, segurança e vida útil das estruturas. A realização de inspeções e monitoramentos independentemente da idade da edificação, tornam-se indispensáveis para detectar a existência de danos principalmente na sua fase inicial, evitando a sua propagação ou consequências graves que se originam devido a um colapso da estrutura, por conta do elevado grau de deterioração e inexistência de técnicas para recuperação. Baseando-se nesses aspectos, a presente dissertação tem como objetivo geral realizar a detecção de danos em estruturas usando a abordagem de aprendizagem de máquinas (machine learning) que integra três técnicas: inicialmente aplica-se o Ensemble Empirical Mode Decomposition (EEMD) que faz um processamento dos sinais e busca adequá-los para aplicação do Modelo Auto Regressivo (AR) gerando os atributos, que servirão como padrões de entrada para o classificador Support Vector Machine (SVM). Os dados utilizados para aplicação dos métodos são provenientes da modelagem de vigas de aço bi-apoiadas, íntegras e com regiões danificadas, pelo Software de Análise Estrutural SAP 2000. Tendo como referência a criação das estruturas por elementos finitos, foram aplicados dois tipos de carregamentos. O primeiro caso de carregamento aleatório atuando em apenas um ponto da viga e o segundo caso com três carregamentos simultâneos em três pontos da viga. Conforme as variações de localização e grau de severidade dos danos, o estudo buscou avaliar a capacidade dos modelos preditores em classificar os dados corretamente. Nas análises com maiores perdas de massa, os valores de acurácia são mais elevados, diminuindo de acordo com a redução da geometria do dano, pois os sinais de deslocamento se tornam similares ao da estrutura íntegra. Em relação a quantidade de carregamentos, o método demonstrou melhor desempenho e acurácia nos casos com três cargas simultâneas.