Please use this identifier to cite or link to this item: https://repositorio.ufjf.br/jspui/handle/ufjf/17427
Files in This Item:
File Description SizeFormat 
luiztadeudiasjunior.pdf10.84 MBAdobe PDFThumbnail
View/Open
Type: Dissertação
Title: Uso de autocodificadores variacionais para a detecção de danos estruturais
Author: Dias Júnior, Luiz Tadeu
First Advisor: Cury, Alexandre Abrahão
Co-Advisor: Barbosa, Flávio de Souza
Co-Advisor: Amaral, Rafaelle Piazzaroli Finotti
Referee Member: Moraes, YuriJosé Oliveira
Referee Member: Lopez, Rafael Holdorf
Resumo: O estado de integridade de uma estrutura, bem como o seu monitoramento, têm sido constantemente pauta de estudo, dados os avanços tecnológicos mundiais nesta área. Assim, surge o conceito de Monitoramento da Integridade Estrutural (SHM, do inglês Structural Health Monitoring), como sendo um conjunto de técnicas e equipamentos utilizados para investigar o estado de integridade de estruturas. Nesse contexto, com a rápida evolução tecnológica computacional e de informação, algoritmos de inteligência artificial focados no aprendizado profundo têm ganhado cada vez mais espaço no que tange à análise de comportamentos estruturais baseados em suas respostas dinâmicas. Dentro desse escopo, o presente trabalho se dedica à avaliação de um algoritmo de aprendizado profundo denominado Autocodificador Variacional (VAE) quando utilizado como extrator de características de dados dinâmicos. Desse modo, avalia-se a capacidade dos modelos VAE de fornecer conjuntos de variáveis que viabilizem a detecção de um comportamento considerado anormal para uma dada estrutura. A metodologia desenvolvida consiste na reconstrução dos sinais dinâmicos utilizando modelos VAE. A partir dos erros de reconstrução, duas métricas são utilizadas para discriminar diferentes cenários de danos nas estruturas analisadas: o MSE (Mean Square Error) e uma combinação do MSE com a Distância de Mahalanobis. Duas aplicações experimentais reais são utilizadas para validar a abordagem proposta. Inicialmente, uma estrutura de pequena escala: um pórtico plano ensaiado no Laboratório de Imagens e Sinais da UFJF; em seguida, uma estrutura em escala real: a clássica ponte Z24, na Suíça. Os resultados obtidos para o pórtico foram bastante satisfatórios, sendo a metodologia capaz de distinguir os diversos comportamentos estruturais com uma acurácia variando perto dos 99%. Entretanto, para o caso da ponte Z24, houve casos em que a classificação não se mostrou totalmente adequada, o que indica a dificuldade de se trabalhar diretamente com dados brutos de vibração para a detecção de comportamentos anormais em estruturas.
Abstract: The state of integrity of a structure, as well as its monitoring, have constantly been the subject of study, given global technological advances in this area. Thus, the concept of Structural Health Monitoring (SHM) emerges, as a set of techniques and equipment used to investigate the state of integrity of structures. In this context, with the rapid evolution of computational and information technology, artificial intelligence algorithms focused on deep learning have been gaining more and more space when it comes to analyzing structural behaviors based on their dynamic responses. Within this scope, the present work is dedicated to the evaluation of a deep learning algorithm called Variational Autoencoder (VAE) when used as a feature extractor from dynamic data. In this way, the ability of VAE models to provide sets of variables that enable the detection of behavior considered abnormal for a given structure is evaluated. The methodology now developed consists of reconstructing dynamic signals using VAE models. From the reconstruction errors, two metrics are used to discriminate different damage scenarios in the analyzed structures: the MSE (Mean Square Error) and a combination of the MSE with the Mahalanobis Distance. Two real experimental applications are used to validate the proposed approach. Initially, a small-scale structure: a flat portico tested at the UFJF Images and Signals Laboratory; then a full-scale structure: the classic Z24 bridge in Switzerland. The results obtained for the frame were quite satisfactory, with the methodology capable of distinguishing the different structural behaviors with an accuracy varying close to 99%. However, in the case of the Z24 bridge, there were cases in which the classification was not completely adequate, which indicates the difficulty of working directly with raw vibration data to detect abnormal behavior in structures.
Keywords: Dinâmica das estruturas
Monitoramento de integridade estrutural
Detecção de danos
Aprendizado de máquina
Autocodificadores variacionais
Dynamics of structures
Structural health monitoring
Damage detection
Machine learning
Variational autoencoder
CNPq: CNPQ::ENGENHARIAS::ENGENHARIA CIVIL
Language: por
Country: Brasil
Publisher: Universidade Federal de Juiz de Fora (UFJF)
Institution Initials: UFJF
Department: Faculdade de Engenharia
Program: Programa de Pós-graduação em Engenharia Civil (PEC)
Access Type: Acesso Aberto
Attribution 3.0 Brazil
Creative Commons License: http://creativecommons.org/licenses/by/3.0/br/
URI: https://repositorio.ufjf.br/jspui/handle/ufjf/17427
Issue Date: 26-Feb-2024
Appears in Collections:Mestrado em Engenharia Civil (Dissertações)



This item is licensed under a Creative Commons License Creative Commons