Geração de assinaturas de impedância para o monitoramento de integridade estrutural Utilizando Deep Learning

Abstract

As redes adversárias gerativas (GANs) são capazes de produzir dados artificiais que são iguais aos dados reais, e foram aplicados com sucesso a várias tarefas de geração de imagens como uma ferramenta útil para aumento de dados. Neste trabalho, busca-se desenvolver um gerador de sinais baseado em GAN para que aprenda com os sinais de impedância eletromecâncica e gere dados representativos realistas e confiáveis. A abordagem proposta será projetada para produzir sinais sintetizados realistas e os sinais gerados podem ser usados como dados reais para outras aplicações no diagnóstico de falha estrutural. A fim de avaliar o desempenho do modelo gerador, um conjunto de avaliações da qualidade das amostras geradas é introduzida na revisão bibliográfica. Finalmente, após a modelagem de dois estudos de caso, foi possível obter uma GAN eficaz na geração de sinais de impedância eletromecância muito semelhante às amostras experimentais coletadas e inseridas na rede de treinamento e obtendo um comportamento de sinais representativos de compensação de temperatura.