https://repositorio.ufjf.br/jspui/handle/ufjf/14354
File | Description | Size | Format | |
---|---|---|---|---|
rafaellepiazzarolifinottiamaral.pdf | PDF/A | 26.15 MB | Adobe PDF | View/Open |
Type: | Tese |
Title: | Inteligência artificial aplicada ao monitoramento de estruturas: detecção de alterações mecânico-estruturais baseada no uso de redes neurais autocodificadoras esparsas para a caracterização de respostas dinâmicas |
Author: | Amaral, Rafaelle Piazzaroli Finotti |
First Advisor: | Barbosa, Flávio de Souza |
Co-Advisor: | Cury, Alexandre Abrahão |
Referee Member: | Carvalho, Graciela Nora Doz de |
Referee Member: | Silva, Samuel da |
Referee Member: | Santos, João Pedro de Oliveira Dias Prudente dos |
Referee Member: | Borges, Carlos Cristiano Hasenclever |
Referee Member: | Fonseca, Leonardo Goliatt da |
Resumo: | Com a rápida evolução da tecnologia computacional e de informação, notáveis avanços foram alcançados nos sistemas de Monitoramento da Saúde Estrutural (SHM, do inglês “Structural Health Monitoring”), fazendo com que o desenvolvimento de estratégias mais automatizadas de detecção de comportamentos estruturais anômalos por meio da caracterização adequada das respostas dinâmicas ocupem um espaço considerável nas pesquisas atuais sobre o assunto. Nos últimos anos, algoritmos de inteligência artificial focados no aprendizado profundo têm se tornado cada vez mais populares como ferramentas para a detecção de alterações em estruturas. O conceito de aprendizado profundo tem origem na teoria de redes neurais e compreende diversas abordagens que, devido à grande capacidade de processamento de dados, foram principalmente formuladas para tratar problemas nãolineares e de alta dimensão. Embora os fundamentos básicos de tais algoritmos tenham sido estabelecidos na década de 60, seu uso em estratégias SHM ainda é relativamente novo. Diante deste cenário, o presente trabalho se debruça sobre a avaliação do algoritmo de aprendizado profundo denominado Autocodificador Esparso (SAE, do inglês “Sparse AutoEncoder”) quando utilizado como extrator de parâmetros de dados dinâmicos. Mais especificamente, avalia-se a capacidade dos modelos SAE de fornecer conjuntos de variáveis representativas, determinados através do processamento de sinais no domínio do tempo, que viabilizem a detecção de um comportamento considerado anormal para uma dada estrutura. Primeiramente, uma análise de sensibilidade é realizada, visando verificar a influência que as variáveis que definem o funcionamento do SAE exercem sobre a sua habilidade de representar as respostas vibracionais. Em seguida, com o intuito de investigar se os parâmetros modelados pelo SAE permitem de fato distinguir diferentes estados estruturais, uma estratégia supervisionada que utiliza o SAE como seletor de características e o algoritmo de Máquina de Vetor Suporte (SVM, do inglês “Support Vector Machine”) como classificador é apresentada e aplicada a um modelo numérico de viga e a uma ponte monitorada em João Pessoa no estado da Paraíba. Por fim, na tentativa de explorar a capacidade do SAE em situações mais próximas àquelas encontradas em sistemas SHM reais, propõe-se uma metodologia de detecção de alterações estruturais não-supervisionada. A ideia é caracterizar as respostas dinâmicas através de modelos SAE e, posteriormente, detectar o início do comportamento anormal por meio de cartas de controle T 2 de Hotelling, calculada com os parâmetros extraídos pelo SAE. Além disso, apresenta-se aqui um critério automatizado para a definição dos modelos a serem aplicados em problemas SHM baseado na associação do erro de reconstrução dos dados dos modelos a um índice de generalização dos pontos T 2 proposto. A maioria dos estudos que vêm sendo feitos na área classicamente definem como os modelos SAE mais adequados àqueles com menor erro de reconstrução dos sinais dinâmicos, o que não garante o bom desempenho quanto à detecção de alterações estruturais, conforme aqui constatado. A abordagem não-supervisionada é analisada e exemplificada em três casos: um pórtico monitorado em laboratório; o caso clássico da ponte Z24; e uma torre instrumentada na Itália. Ressalta-se que para as duas últimas estruturas citadas, a influência da temperatura também foi avaliada. Em todos os casos estudados, seja na abordagem supervisionada ou na não-supervisionada, chegou-se a resultados satisfatórios, mesmo sob influência de variações de temperatura, deixando claro que o SAE se apresenta como uma ferramenta eficaz e robusta quando aplicada a problemas SHM. |
Abstract: | The evolution of computational technologies has brought remarkable advances in Structural Health Monitoring (SHM) systems, making the development of more automated strategies for detecting anomalous structural behaviors, through the adequate characterization of dynamic responses, plays an important role in this field of research. In the last few years, artificial intelligence algorithms focused on deep learning have become increasingly popular as tools for detecting changes in structures. The concept of deep learning has its origins in the theory of neural networks and comprises several approaches mainly formulated to deal with non-linear and high-dimensional problems. Although the basic foundations of such algorithms were established in the 1960s, their use in SHM strategies is still relatively new. In this context, the present work evaluates the deep learning algorithm called Sparse AutoEncoder (SAE) when used as an extractor of parameters from dynamic data. More specifically, the ability of SAE models to provide sets of representative variables is studied to detect abnormal structural behaviors through dynamic signal processing directly in the time domain. Firstly, a sensitivity analysis is performed, aiming to verify the influence of the variables that define the functioning of the SAE exert on its ability to represent vibrational responses. Then, in order to investigate whether the parameters modeled by SAE allow different structural states to be distinguished, a supervised strategy that uses SAE as a feature selector and the Support Vector Machine (SVM) algorithm as a classifier is applied to a numerical beam model and a monitored bridge in João Pessoa, Brasil. Finally, in an attempt to explore the capacity of the SAE in situations closer to those found in actual SHM systems, an unsupervised methodology for detecting structural alterations is proposed. The fundamental idea is to characterize the structural dynamic responses via SAE models and, subsequently, to detect the onset of abnormal behavior through the well-known T 2 Hotelling’s control chart, calculated with SAE extracted features. An automated criterion for models’ definition to be applied in SHM problems is also presented, based on the association of the model data reconstruction error and a proposed generalization index of the points T 2 . Most studies that have been carried out in the area classically define the SAE models most suitable as those with the lowest reconstruction error of dynamic signals, which does not guarantee a good performance in terms of structural alteration detection, as found here. The unsupervised approach is analyzed and exemplified in three cases: a laboratory steel frame, the classic case of the Z24 bridge, and an instrumented tower in Italy. It is noteworthy that the influence of temperature was also evaluated for the last two mentioned structures. In all cases studied, whether, in the supervised or unsupervised approach, satisfactory results were achieved, even under the influence of temperature variations, making it clear that the SAE presents itself as an effective and robust tool when applied to SHM problems. |
Keywords: | Inteligência artificia Detecção de danos Monitoramento da saúde estrutural Dinâmica das estruturas Autocodificador esparso Artificial intelligence Damage detection Structural health monitoring Structural dynamic Sparse autoencoder |
CNPq: | CNPQ::ENGENHARIAS |
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 Modelagem Computacional |
Access Type: | Acesso Aberto Attribution-NonCommercial-NoDerivs 3.0 Brazil |
Creative Commons License: | http://creativecommons.org/licenses/by-nc-nd/3.0/br/ |
DOI: | https://doi.org/10.34019/ufjf/te/2022/00043 |
URI: | https://repositorio.ufjf.br/jspui/handle/ufjf/14354 |
Issue Date: | 6-May-2022 |
Appears in Collections: | Doutorado em Modelagem Computacional (Teses) |
This item is licensed under a Creative Commons License