Structural health monitoring using unsupervised quantum machine learning

Detalhes bibliográficos
Ano de defesa: 2025
Autor(a) principal: Alves, Victor Higino Meneguitte lattes
Orientador(a): Cury, Alexandre Abrahão lattes
Banca de defesa: Villas-Boas, Celso Jorge lattes, Barbosa, Flávio de Souza lattes
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: eng
Instituição de defesa: Universidade Federal de Juiz de Fora (UFJF)
Programa de Pós-Graduação: Programa de Pós-graduação em Engenharia Civil (PEC)
Departamento: Faculdade de Engenharia
País: Brasil
Palavras-chave em Português:
Monitoramento de integridade estrutural
Aprendizado de máquina quântico
Detecção de danos
Computação quântica
Aprendizado não supervisionado
Structural health monitoring
Quantum machine learning
Damage detection
Quantum computing
Unsupervised learning
Área do conhecimento CNPq:
CNPQ::ENGENHARIAS::ENGENHARIA CIVIL
Link de acesso: https://repositorio.ufjf.br/jspui/handle/ufjf/18789
Resumo: O presente estudo apresenta uma nova abordagem utilizando Aprendizado de Máquina Quântico não supervisionado (QML, do inglês Quantum Machine Learning) para o Monitoramento da Integridade Estrutural (SHM, do inglês Structural Health Monitoring). A metodologia proposta envolve a extração de características a partir de sinais de aceleração brutos e sua codificação em estados quânticos para posterior análise em um classificador quântico. Ao treinar o modelo com cenários conhecidos de integridade, uma função de pontuação de anomalias é avaliada para identificar desvios do comportamento normal, com o objetivo de detectar possíveis anomalias estruturais. O framework é validado por meio de aplicações experimentais em uma estrutura de laboratório de dois andares e em uma ponte ferroviária em escala real, demonstrando resultados promissores na detecção, localização e quantificação de anomalias. Através de experimentações e análises numéricas, este estudo avança na fronteira da pesquisa em SHM, estabelecendo as bases para futuras explorações na interseção entre Computação Quântica e Engenharia Civil.
id UFJF_b7da1605144ab85bfc0e3eecee20b5e2
oai_identifier_str oai:hermes.cpd.ufjf.br:ufjf/18789
network_acronym_str UFJF
network_name_str Repositório Institucional da UFJF
repository_id_str
spelling Cury, Alexandre Abrahãohttp://lattes.cnpq.br/1092810690505352Gomes, Raphael Fortes Infantehttp://lattes.cnpq.br/5150160591123690Villas-Boas, Celso Jorgehttp://lattes.cnpq.br/5700887540085418Barbosa, Flávio de Souzahttp://lattes.cnpq.br/3967943593612229http://lattes.cnpq.br/Alves, Victor Higino Meneguitte2025-05-27T15:57:40Z2025-05-272025-05-27T15:57:40Z2025-03-10https://repositorio.ufjf.br/jspui/handle/ufjf/18789O presente estudo apresenta uma nova abordagem utilizando Aprendizado de Máquina Quântico não supervisionado (QML, do inglês Quantum Machine Learning) para o Monitoramento da Integridade Estrutural (SHM, do inglês Structural Health Monitoring). A metodologia proposta envolve a extração de características a partir de sinais de aceleração brutos e sua codificação em estados quânticos para posterior análise em um classificador quântico. Ao treinar o modelo com cenários conhecidos de integridade, uma função de pontuação de anomalias é avaliada para identificar desvios do comportamento normal, com o objetivo de detectar possíveis anomalias estruturais. O framework é validado por meio de aplicações experimentais em uma estrutura de laboratório de dois andares e em uma ponte ferroviária em escala real, demonstrando resultados promissores na detecção, localização e quantificação de anomalias. Através de experimentações e análises numéricas, este estudo avança na fronteira da pesquisa em SHM, estabelecendo as bases para futuras explorações na interseção entre Computação Quântica e Engenharia Civil.This study presents a novel approach using unsupervised Quantum Machine Learning (QML) for Structural Health Monitoring (SHM). The proposed methodology involves extracting features from raw acceleration signals and encoding them into quantum states for a subsequent analysis in a quantum classifier. By training the model with known intact scenarios, an anomaly score function is evaluated to identify deviations from normal behavior aiming to detect potential structural anomalies. The framework is validated through experimental applications on a two-story laboratory frame and on a real-scale railway bridge, demonstrating encouraging results in anomaly detection, localization, and quantification. Through experimentation and numerical analyses, this study advances on the edge of SHM research, laying the foundation for future exploration at the intersection of Quantum Computing and Civil Engineering.engUniversidade Federal de Juiz de Fora (UFJF)Programa de Pós-graduação em Engenharia Civil (PEC)UFJFBrasilFaculdade de Engenhariahttp://creativecommons.org/licenses/by/3.0/br/info:eu-repo/semantics/openAccessCNPQ::ENGENHARIAS::ENGENHARIA CIVILMonitoramento de integridade estruturalAprendizado de máquina quânticoDetecção de danosComputação quânticaAprendizado não supervisionadoStructural health monitoringQuantum machine learningDamage detectionQuantum computingUnsupervised learningStructural health monitoring using unsupervised quantum machine learninginfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisreponame:Repositório Institucional da UFJFinstname:Universidade Federal de Juiz de Fora (UFJF)instacron:UFJFCC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8914https://repositorio.ufjf.br/jspui/bitstream/ufjf/18789/2/license_rdf4d2950bda3d176f570a9f8b328dfbbefMD52LICENSElicense.txtlicense.txttext/plain; charset=utf-81748https://repositorio.ufjf.br/jspui/bitstream/ufjf/18789/3/license.txt8a4605be74aa9ea9d79846c1fba20a33MD53ORIGINALvictorhiginomeneguittealves.pdfvictorhiginomeneguittealves.pdfPDF/Aapplication/pdf2587650https://repositorio.ufjf.br/jspui/bitstream/ufjf/18789/1/victorhiginomeneguittealves.pdf239d06a632344e38bb2ec63a553bc9b0MD51TEXTvictorhiginomeneguittealves.pdf.txtvictorhiginomeneguittealves.pdf.txtExtracted texttext/plain154475https://repositorio.ufjf.br/jspui/bitstream/ufjf/18789/4/victorhiginomeneguittealves.pdf.txt270767e84d96f7b5471209504483caf6MD54THUMBNAILvictorhiginomeneguittealves.pdf.jpgvictorhiginomeneguittealves.pdf.jpgGenerated Thumbnailimage/jpeg1302https://repositorio.ufjf.br/jspui/bitstream/ufjf/18789/5/victorhiginomeneguittealves.pdf.jpgc356cdc91a34ad1d118fb85482a10ea9MD55ufjf/187892025-05-28 03:03:51.481oai:hermes.cpd.ufjf.br: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Repositório InstitucionalPUBhttps://repositorio.ufjf.br/oai/requestopendoar:2025-05-28T06:03:51Repositório Institucional da UFJF - Universidade Federal de Juiz de Fora (UFJF)false
dc.title.pt_BR.fl_str_mv Structural health monitoring using unsupervised quantum machine learning
title Structural health monitoring using unsupervised quantum machine learning
spellingShingle Structural health monitoring using unsupervised quantum machine learning
Alves, Victor Higino Meneguitte
CNPQ::ENGENHARIAS::ENGENHARIA CIVIL
Monitoramento de integridade estrutural
Aprendizado de máquina quântico
Detecção de danos
Computação quântica
Aprendizado não supervisionado
Structural health monitoring
Quantum machine learning
Damage detection
Quantum computing
Unsupervised learning
title_short Structural health monitoring using unsupervised quantum machine learning
title_full Structural health monitoring using unsupervised quantum machine learning
title_fullStr Structural health monitoring using unsupervised quantum machine learning
title_full_unstemmed Structural health monitoring using unsupervised quantum machine learning
title_sort Structural health monitoring using unsupervised quantum machine learning
author Alves, Victor Higino Meneguitte
author_facet Alves, Victor Higino Meneguitte
author_role author
dc.contributor.advisor1.fl_str_mv Cury, Alexandre Abrahão
dc.contributor.advisor1Lattes.fl_str_mv http://lattes.cnpq.br/1092810690505352
dc.contributor.advisor-co1.fl_str_mv Gomes, Raphael Fortes Infante
dc.contributor.advisor-co1Lattes.fl_str_mv http://lattes.cnpq.br/5150160591123690
dc.contributor.referee1.fl_str_mv Villas-Boas, Celso Jorge
dc.contributor.referee1Lattes.fl_str_mv http://lattes.cnpq.br/5700887540085418
dc.contributor.referee2.fl_str_mv Barbosa, Flávio de Souza
dc.contributor.referee2Lattes.fl_str_mv http://lattes.cnpq.br/3967943593612229
dc.contributor.authorLattes.fl_str_mv http://lattes.cnpq.br/
dc.contributor.author.fl_str_mv Alves, Victor Higino Meneguitte
contributor_str_mv Cury, Alexandre Abrahão
Gomes, Raphael Fortes Infante
Villas-Boas, Celso Jorge
Barbosa, Flávio de Souza
dc.subject.cnpq.fl_str_mv CNPQ::ENGENHARIAS::ENGENHARIA CIVIL
topic CNPQ::ENGENHARIAS::ENGENHARIA CIVIL
Monitoramento de integridade estrutural
Aprendizado de máquina quântico
Detecção de danos
Computação quântica
Aprendizado não supervisionado
Structural health monitoring
Quantum machine learning
Damage detection
Quantum computing
Unsupervised learning
dc.subject.por.fl_str_mv Monitoramento de integridade estrutural
Aprendizado de máquina quântico
Detecção de danos
Computação quântica
Aprendizado não supervisionado
Structural health monitoring
Quantum machine learning
Damage detection
Quantum computing
Unsupervised learning
description O presente estudo apresenta uma nova abordagem utilizando Aprendizado de Máquina Quântico não supervisionado (QML, do inglês Quantum Machine Learning) para o Monitoramento da Integridade Estrutural (SHM, do inglês Structural Health Monitoring). A metodologia proposta envolve a extração de características a partir de sinais de aceleração brutos e sua codificação em estados quânticos para posterior análise em um classificador quântico. Ao treinar o modelo com cenários conhecidos de integridade, uma função de pontuação de anomalias é avaliada para identificar desvios do comportamento normal, com o objetivo de detectar possíveis anomalias estruturais. O framework é validado por meio de aplicações experimentais em uma estrutura de laboratório de dois andares e em uma ponte ferroviária em escala real, demonstrando resultados promissores na detecção, localização e quantificação de anomalias. Através de experimentações e análises numéricas, este estudo avança na fronteira da pesquisa em SHM, estabelecendo as bases para futuras explorações na interseção entre Computação Quântica e Engenharia Civil.
publishDate 2025
dc.date.accessioned.fl_str_mv 2025-05-27T15:57:40Z
dc.date.available.fl_str_mv 2025-05-27
2025-05-27T15:57:40Z
dc.date.issued.fl_str_mv 2025-03-10
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://repositorio.ufjf.br/jspui/handle/ufjf/18789
url https://repositorio.ufjf.br/jspui/handle/ufjf/18789
dc.language.iso.fl_str_mv eng
language eng
dc.rights.driver.fl_str_mv http://creativecommons.org/licenses/by/3.0/br/
info:eu-repo/semantics/openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by/3.0/br/
eu_rights_str_mv openAccess
dc.publisher.none.fl_str_mv Universidade Federal de Juiz de Fora (UFJF)
dc.publisher.program.fl_str_mv Programa de Pós-graduação em Engenharia Civil (PEC)
dc.publisher.initials.fl_str_mv UFJF
dc.publisher.country.fl_str_mv Brasil
dc.publisher.department.fl_str_mv Faculdade de Engenharia
publisher.none.fl_str_mv Universidade Federal de Juiz de Fora (UFJF)
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFJF
instname:Universidade Federal de Juiz de Fora (UFJF)
instacron:UFJF
instname_str Universidade Federal de Juiz de Fora (UFJF)
instacron_str UFJF
institution UFJF
reponame_str Repositório Institucional da UFJF
collection Repositório Institucional da UFJF
bitstream.url.fl_str_mv https://repositorio.ufjf.br/jspui/bitstream/ufjf/18789/2/license_rdf
https://repositorio.ufjf.br/jspui/bitstream/ufjf/18789/3/license.txt
https://repositorio.ufjf.br/jspui/bitstream/ufjf/18789/1/victorhiginomeneguittealves.pdf
https://repositorio.ufjf.br/jspui/bitstream/ufjf/18789/4/victorhiginomeneguittealves.pdf.txt
https://repositorio.ufjf.br/jspui/bitstream/ufjf/18789/5/victorhiginomeneguittealves.pdf.jpg
bitstream.checksum.fl_str_mv 4d2950bda3d176f570a9f8b328dfbbef
8a4605be74aa9ea9d79846c1fba20a33
239d06a632344e38bb2ec63a553bc9b0
270767e84d96f7b5471209504483caf6
c356cdc91a34ad1d118fb85482a10ea9
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositório Institucional da UFJF - Universidade Federal de Juiz de Fora (UFJF)
repository.mail.fl_str_mv
_version_ 1833922281324150784

Registros relacionados