Use este identificador para citar ou linkar para este item: https://repositorio.ufpa.br/jspui/handle/2011/16609
Tipo: Dissertação
Data do documento: 31-Mar-2023
Autor(es): LIMÃO, Caio Henrique Esquina
Primeiro(a) Orientador(a): FRANCÊS, Carlos Renato Lisboa
Título: Detecção de erosão em taludes baseada em deep learning
Agência de fomento: 
Citar como: LIMÃO, Caio Henrique Esquina. Detecção de erosão em taludes baseada em deep learning. Orientador: Carlos Renato Lisboa Francês. 2023. 54 f. Dissertação (Mestrado em Engenharia Elétrica) - Instituto de Tecnologia, Universidade Federal do Pará, Belém, 2023. Disponível em: https://repositorio.ufpa.br/jspui/handle/2011/16609. Acesso em:.
Resumo: As recentes catástrofes desencadeadas pelo rompimento das barragens de Fundão e Córrego do Feijão causaram cerca de 300 mortes e inúmeros danos socioambientais irreparáveis. Visto que a utilização de sistemas de monitoramento mais precisos e a realização adequada de manutenções preventivas e corretivas permitiriam identificar, e até amenizar, os danos causados à sociedade, pode-se constatar que há necessidade de maior investimento e incentivo à criação de soluções de Monitoramento da Integridade Estrutural (SHM) capazes de diagnosticar ocorrências que comprometem as principais estruturas civis, como pontes, barragens e taludes. As técnicas de Inteligência Artificial (IA) de alto desempenho têm sido capazes de resolver estes problemas de análise estrutural e apresentado resultados superiores às soluções anteriores, sua utilização têm aumentado drasticamente nos mais diversos cenários de SHM. Quando se trata de soluções de análise e classificação de imagens, a Rede Neural Convolucional (CNN) é o tipo de rede neural que apresenta os melhores resultados. Logo, esta dissertação irá descrever o processo de desenvolvimento de uma CNN com três camadas de convolução que combina a utilização das tecnologias mais consolidadas no atual cenário de visão computacional, tais como o otimizador Adam e a normalização em lotes. A CNN proposta foi treinada com uma base de dados montada especificamente para esta dissertação, sendo composta por imagens de relatórios públicos de obras do governo brasileiro, portifólios de empresas que trabalham com construção e manutenção de taludes e reportagens sobre deslizamentos e/ou catástrofes. Estas imagens foram rotuladas, de acordo com o contexto de cada uma delas, como taludes estáveis ou não. Os resultados obtidos foram bastante satisfatórios, apresentando uma acurácia de 96,67% e provando que esta solução é capaz de identificar de maneira precisa e aprimorada os indicadores de instabilidade apresentados pelos taludes analisados, permitindo um planejamento mais adequado das manutenções para cada caso, na prevenção de possíveis desastres, gestão mais eficiente da mão de obra, redução de custos, maior segurança e saúde estrutural para garantir sua integridade a longo prazo.
Abstract: The recent catastrophes triggered by the rupture of the Fundão and Córrego do Feijão dams caused around 300 deaths and countless irreparable socio-environmental damages. Since the use of more accurate monitoring systems and the proper execution of preventive and corrective maintenance would allow identifying, and even mitigating, the damage caused to society, it can be stated that there is a need for greater investment and incentive to create solutions of Structural Health Monitoring (SHM) capable of diagnosing occurrences that compromise the most crucial civil structures, such as bridges, buildings, dams and slopes. High-performance Artificial Intelligence (AI) techniques have been able to solve these structural analysis problems and presented superior results to previous solutions, their use has increased dramatically in the most diverse (SHM) scenarios. When it comes to image analysis and classification solutions, Convolutional Neural Network (CNN) is the type of neural network that delivers the best results. Therefore, this dissertation will describe the development process of a CNN with three convolutional layers that combines the use of the most consolidated technologies in the current scenario of computer vision, such as the Adam optimizer and batch normalization. The proposed CNN was trained with a database set up specifically for this dissertation, consisting of images of public work reports made by the Brazilian government, portfolios of companies that work with construction and maintenance of slopes and reports on landslides and/or catastrophes. These images were labeled, according to the context of each one of them, as stable or instable slopes. The results obtained were quite satisfactory, presenting an accuracy of 96.67% and proving that this solution is capable of identifying in a precise and improved way the instability indicators presented by the analyzed slopes, allowing a more adequate planning of the maintenance for each case, in the prevention of possible disasters, more efficient manpower management, cost reduction, greater safety and structural health to ensure its long-term integrity.
Palavras-chave: SHM - Monitoramento da integridade estrutural
CNN (Rede neural convolucional)
Aprendizado profundo
Erosão talude
Inteligência artificial
Deep learning
Erosian slope
CNN (Convolutional neural network)
SHM - Structural health monitoring
Área de Concentração: COMPUTAÇÃO APLICADA
Linha de Pesquisa: INTELIGÊNCIA COMPUTACIONAL
CNPq: CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA
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
Attribution-NonCommercial-NoDerivs 3.0 Brazil
Fonte URI: Disponível na internet via correio eletrônico: bibliotecaitec@ufpa.br
Aparece nas coleções:Dissertações em Engenharia Elétrica (Mestrado) - PPGEE/ITEC

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
Dissertacao_DeteccaoErosaoTaludes.pdf2,15 MBAdobe PDFVisualizar/Abrir


Este item está licenciado sob uma Licença Creative Commons Creative Commons