Localização automática de danos estruturais utilizando técnicas de aprendizado de máquinas
| Ano de defesa: | 2021 |
|---|---|
| Autor(a) principal: | |
| Orientador(a): | |
| Banca de defesa: | |
| Tipo de documento: | Dissertação |
| Tipo de acesso: | Acesso aberto |
| Idioma: | por |
| Instituição de defesa: |
[s.n.]
|
| Programa de Pós-Graduação: |
Não Informado pela instituição
|
| Departamento: |
Não Informado pela instituição
|
| País: |
Não Informado pela instituição
|
| Palavras-chave em Português: | |
| Link de acesso: | https://hdl.handle.net/20.500.12733/1641681 |
Resumo: | Orientador: Eurípedes Guilherme de Oliveira Nóbrega |
| id |
UNICAMP-30_2f4b755d2cdec30d22bdbb9598e7d35e |
|---|---|
| oai_identifier_str |
oai::1165432 |
| network_acronym_str |
UNICAMP-30 |
| network_name_str |
Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) |
| repository_id_str |
|
| spelling |
Localização automática de danos estruturais utilizando técnicas de aprendizado de máquinasAutomatic localization of structural damage using machine learning techniquesAprendizado de máquinaMonitoramento de integridade estruturalAprendizado profundoRedes neurais profundasMáquina de vetores de suporteMachine learningStructural health monitoringDeep learningDeep neural networkSupport vector machineOrientador: Eurípedes Guilherme de Oliveira NóbregaDissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia MecânicaResumo: Monitoramento de integridade Estrutural (em inglês SHM) usa várias técnicas de processamento de sinais para detectar e classicar danos em estruturas de engenharia. Essas técnicas são geralmente baseadas na análise de vibrações, originadas em estruturas reais por um posicionamento adequado de sensores. Esta abordagem normalmente resulta em um excessivo número de sinais, tornando esta tarefa quase impossível para uma análise humana consistente, consequentemente exigindo métodos ecientes da ciência de dados, onde os métodos de inteligência articial têm sido utilizados com sucesso para resolver problemas complexos em uma ampla variedade de campos de engenharia. Este trabalho propõe uma metodologia para detectar e localizar danos em uma placa anisotrópica multicamadas, baseado em análise de séries temporais. Uma técnica de monitoramento baseada em ondas de Lamb, utilizando uma abordagem pitch-catch gera os sinais que compõe o conjunto de dados, que é analisado para avaliar a integridade da estrutura. A inspeção da estrutura é realizada por meio de um arranjo circular de transdutores piezoelétricos formando um conjunto de oito sensores com um atuador central. Este arranjo divide a área monitorada em oito regiões. A presença de dano, simulada por um par de massas cúbicas pontuais colocado em diferentes posições na placa, causa a dispersão das ondas. Isto inuencia diretamente a amplitude e a composição dos sinais medidos, que capturam a propagação das ondas. Este trabalho utiliza técnicas bem conhecidas para o pré-processamento de dados (transformadas Wavelet e Hilbert), com o objetivo de minimizar os efeitos de ruído e dispersão, gerando envelopes de sinais, que são enviados ao autoencoder para a extração de atributos. Porém, são também analisados os resultados dos modelos recebendo dados sem nenhum tipo de pré-processamento convencional. Neste caso, são utilizados técnicas de aprendizado de máquina para eliminar ruídos e extrair os principais atributos dos sinais brutos automaticamente. O algoritmo SVM, que utiliza um kernel linear, prossegue para detectar e localizar o dano. Os resultados obtidos pela metodologia proposta permitem que se espere um desempenho efetivo para a aplicação do método em estruturas reaisAbstract: Structural Health Monitoring (SHM) uses several signal processing techniques to detect and classify damages in engineering structures. These techniques are usually based on vibration analysis, originated from real structures by adequately positioned sensors. This normally results in an excessive number of signals, making this task almost impossible for consistent human analysis, consequently demanding ecient data science methods. Articial intelligence methods have been successfully used to solve complex problems in a wide variety of engineering elds. This work proposes a methodology to detect and locate damage in a multilayer anisotropic plate, based on a time series analysis. A Lamb wave based monitoring technique using the pitch-catch approach generates the signals that composes the dataset, which is analyzed in order to assess the structure’s integrity. The structure inspection is performed by means of a circular arrangement of piezoelectric transducers forming an array of eight sensors with a central actuator, dividing the monitored area into eight regions. Damage presence, simulated by a pair of punctual masses placed on dierent positions in the plate, causes waves scattering, which inuences the measured signals’ amplitude and composition, that capture the wave propagation. This work uses well-known data preprocessing techniques (Discrete Wavelet and Hilbert Transforms) in order to minimize noise and dispersion eects, generating signal envelopes that are submitted to the feature extraction autoencoder. However, the results of the models receiving data without any type of conventional pre-processing are also evaluated. In this case, machine learning techniques are used to minimize noise and extract the principal components of the raw signals automatically. The SVM algorithm, based on a linear kernel, proceeds to detect the damage and nd its localization. Good results obtained by the proposed methodology allow us to expect an eective performance when the proposed method is applied to real structuresMestradoMecânica dos Sólidos e Projeto MecânicoMestre em Engenharia MecânicaCAPES001[s.n.]Nóbrega, Eurípedes Guilherme de Oliveira, 1950-Ferreira, Janito VaqueiroGoes, Luis Carlos SandovalUniversidade Estadual de Campinas (UNICAMP). Faculdade de Engenharia MecânicaPrograma de Pós-Graduação em Engenharia MecânicaUNIVERSIDADE ESTADUAL DE CAMPINASSantos, Renan Barbosa Martins, 1993-20212021-03-16T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdf1 recurso online (108 p.) : il., digital, arquivo PDF.https://hdl.handle.net/20.500.12733/1641681SANTOS, Renan Barbosa Martins. Localização automática de danos estruturais utilizando técnicas de aprendizado de máquinas. 2021. 1 recurso online (108 p.) Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Mecânica, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/1641681. Acesso em: 28 fev. 2025.https://repositorio.unicamp.br/acervo/detalhe/1165432Requisitos do sistema: Software para leitura de arquivo em PDFporreponame:Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)instname:Universidade Estadual de Campinas (UNICAMP)instacron:UNICAMPinfo:eu-repo/semantics/openAccess2021-06-28T13:11:48Zoai::1165432Biblioteca Digital de Teses e DissertaçõesPUBhttp://repositorio.unicamp.br/oai/tese/oai.aspsbubd@unicamp.bropendoar:2021-06-28T13:11:48Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) - Universidade Estadual de Campinas (UNICAMP)false |
| dc.title.none.fl_str_mv |
Localização automática de danos estruturais utilizando técnicas de aprendizado de máquinas Automatic localization of structural damage using machine learning techniques |
| title |
Localização automática de danos estruturais utilizando técnicas de aprendizado de máquinas |
| spellingShingle |
Localização automática de danos estruturais utilizando técnicas de aprendizado de máquinas Santos, Renan Barbosa Martins, 1993- Aprendizado de máquina Monitoramento de integridade estrutural Aprendizado profundo Redes neurais profundas Máquina de vetores de suporte Machine learning Structural health monitoring Deep learning Deep neural network Support vector machine |
| title_short |
Localização automática de danos estruturais utilizando técnicas de aprendizado de máquinas |
| title_full |
Localização automática de danos estruturais utilizando técnicas de aprendizado de máquinas |
| title_fullStr |
Localização automática de danos estruturais utilizando técnicas de aprendizado de máquinas |
| title_full_unstemmed |
Localização automática de danos estruturais utilizando técnicas de aprendizado de máquinas |
| title_sort |
Localização automática de danos estruturais utilizando técnicas de aprendizado de máquinas |
| author |
Santos, Renan Barbosa Martins, 1993- |
| author_facet |
Santos, Renan Barbosa Martins, 1993- |
| author_role |
author |
| dc.contributor.none.fl_str_mv |
Nóbrega, Eurípedes Guilherme de Oliveira, 1950- Ferreira, Janito Vaqueiro Goes, Luis Carlos Sandoval Universidade Estadual de Campinas (UNICAMP). Faculdade de Engenharia Mecânica Programa de Pós-Graduação em Engenharia Mecânica UNIVERSIDADE ESTADUAL DE CAMPINAS |
| dc.contributor.author.fl_str_mv |
Santos, Renan Barbosa Martins, 1993- |
| dc.subject.por.fl_str_mv |
Aprendizado de máquina Monitoramento de integridade estrutural Aprendizado profundo Redes neurais profundas Máquina de vetores de suporte Machine learning Structural health monitoring Deep learning Deep neural network Support vector machine |
| topic |
Aprendizado de máquina Monitoramento de integridade estrutural Aprendizado profundo Redes neurais profundas Máquina de vetores de suporte Machine learning Structural health monitoring Deep learning Deep neural network Support vector machine |
| description |
Orientador: Eurípedes Guilherme de Oliveira Nóbrega |
| publishDate |
2021 |
| dc.date.none.fl_str_mv |
2021 2021-03-16T00:00:00Z |
| 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://hdl.handle.net/20.500.12733/1641681 SANTOS, Renan Barbosa Martins. Localização automática de danos estruturais utilizando técnicas de aprendizado de máquinas. 2021. 1 recurso online (108 p.) Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Mecânica, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/1641681. Acesso em: 28 fev. 2025. |
| url |
https://hdl.handle.net/20.500.12733/1641681 |
| identifier_str_mv |
SANTOS, Renan Barbosa Martins. Localização automática de danos estruturais utilizando técnicas de aprendizado de máquinas. 2021. 1 recurso online (108 p.) Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Mecânica, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/1641681. Acesso em: 28 fev. 2025. |
| dc.language.iso.fl_str_mv |
por |
| language |
por |
| dc.relation.none.fl_str_mv |
https://repositorio.unicamp.br/acervo/detalhe/1165432 Requisitos do sistema: Software para leitura de arquivo em PDF |
| dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
| eu_rights_str_mv |
openAccess |
| dc.format.none.fl_str_mv |
application/pdf 1 recurso online (108 p.) : il., digital, arquivo PDF. |
| dc.publisher.none.fl_str_mv |
[s.n.] |
| publisher.none.fl_str_mv |
[s.n.] |
| dc.source.none.fl_str_mv |
reponame:Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) instname:Universidade Estadual de Campinas (UNICAMP) instacron:UNICAMP |
| instname_str |
Universidade Estadual de Campinas (UNICAMP) |
| instacron_str |
UNICAMP |
| institution |
UNICAMP |
| reponame_str |
Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) |
| collection |
Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) |
| repository.name.fl_str_mv |
Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) - Universidade Estadual de Campinas (UNICAMP) |
| repository.mail.fl_str_mv |
sbubd@unicamp.br |
| _version_ |
1829137717059911680 |