Técnicas de aprendizado profundo aplicadas ao monitoramento de integridade estrutural por impedância eletromecânica

Página do item simplificado
dc.contributor.advisor1Moura Júnior, José dos Reis Vieira de
dc.contributor.advisor1IDhttps://orcid.org/0000-0002-8701-8355pt_BR
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/2479225716217997pt_BR
dc.contributor.referee1Moura Júnior, José dos Reis Vieira de
dc.contributor.referee2Rabelo, Marcos Napoleão
dc.contributor.referee3Lima, William Júnio de
dc.creatorRezende, Stanley Washington Ferreira de
dc.creator.IDhttps://orcid.org/0000-0003-3163-9862pt_BR
dc.creator.Latteshttp://lattes.cnpq.br/0170146847455578pt_BR
dc.date.accessioned2021-08-19T13:53:35Z
dc.date.accessioned2022-04-26T13:40:45Z
dc.date.available2021-08-19T13:53:35Z
dc.date.available2022-04-26T13:40:45Z
dc.date.issued2021-07-12
dc.description.abstractIn this work, a study of structural health monitoring (SHM) techniques is carried out, with a primary focus on the application of the eletromechanical impedance-based SHM method to characterize structural failures in mechanical systems. This methodology generally combines modern sensors with intelligent algorithms to identify the presence of damage, observing changes in the monitored signals and correlating them with physical phenomena. However, when these variations are sufficiently complex, it becomes necessary to apply more sophisticated techniques, capable of abstracting information pertinent to the condition of structural health. In this sense, innovative machine learning tools (especially Artificial Neural Networks - RNA) have been gaining prominence, being extensively investigated to avoid errors in structural prognosis and focusing mainly on vibration analysis. Therefore, the present work aims to contribute to the SHM area, providing an improvement of the electromechanical impedance technique in terms of structural health analysis, associating it with two neural architectures (CNN and LSTM) to facilitate the decision-making process. Thus, this contribution presents a bibliographical review of some of the main concepts associated with this theme, such as intelligent materials, evaluation methods, the electromechanical impedance-based method itself, the concepts associated with machine learning techniques and the artificial neural networks used. Then, four experimental tests were investigated, employing a combination of the impedance-based method with the respective CNN and LSTM architectures for the identification and/or prediction of structural failures. Thus, it was possible to validate the proposed methodologies, verifying the sensitivity of the networks to some environmental influences (such as temperature and humidity conditions) and operational (operating speed and unbalanced) influences of the mechanical systems under study. As a result, both proposed methodologies are efficient in terms of the structural health monitoring, allowing an optimization of the structural diagnosis.eng
dc.description.resumoNeste trabalho é realizado um estudo das técnicas de monitoramento da integridade estrutural (SHM – Structural Health Monitoring), com foco principal na aplicação da metodologia SHM por impedância eletromecânica para caracterizar falhas estruturais em sistemas mecânicos. Essa metodologia geralmente combina sensores modernos com algoritmos inteligentes para identificar a presença de danos, observando alterações nos sinais monitorados e correlacionando-as com fenômenos físicos. Entretanto, quando essas variações são suficientemente complexas, torna-se necessário aplicar técnicas mais sofisticadas, capazes de abstrair informações pertinentes à condição de integridade estrutural. Nesse sentido, ferramentas inovadoras de aprendizado de máquina (em especial as Redes Neurais Artificiais - RNAs) vêm ganhando destaque, sendo extensivamente investigadas para se evitar erros no prognóstico estrutural e concentrando-se principalmente na análise de vibrações. Diante disso, o presente trabalho visa contribuir com a área de SHM, propiciando um aperfeiçoamento da técnica de impedância eletromecânica em termos da análise de integridade estrutural, associando-a à duas arquiteturas neurais (CNN e LSTM) para facilitar o processo de tomada de decisão. Assim, esta contribuição apresenta uma revisão bibliográfica de alguns dos principais conceitos associados a este tema, como materiais inteligentes, métodos de avaliação, o próprio método de impedância, os conceitos associados ao aprendizado de máquina e as arquiteturas neurais utilizadas. Em seguida, foram investigados quatro ensaios experimentais, empregando uma combinação do método da impedância com as respectivas arquiteturas CNN e LSTM para a identificação e/ou previsão de falhas estruturais. Assim, foi possível validar as metodologias propostas, verificando a sensibilidade das redes a algumas influências ambientais (como condições de temperatura e umidade) e operacionais (velocidade de operação e desbalanceamento) dos sistemas mecânicos em estudo. Como resultado, ambas as metodologias propostas são eficientes em termos de monitoramento da integridade estrutural, permitindo uma otimização do prognóstico estrutural.pt_BR
dc.description.sponsorshipCoordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPESpt_BR
dc.identifier.citationREZENDE, S. W. F. Técnicas de aprendizado profundo aplicadas ao monitoramento de integridade estrutural por impedância eletromecânica. 2021. 143 f. Dissertação (Mestrado em Modelagem e Otimização) - Universidade Federal de Goiás, Catalão, 2021.pt_BR
dc.identifier.urihttp://repositorio.ufcat.edu.br/tede/handle/tede/11559
dc.languageporpt_BR
dc.publisherUniversidade Federal de Goiáspt_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.departmentRegional Catalão (RC)pt_BR
dc.publisher.initialsUFGpt_BR
dc.publisher.programPrograma de Pós-graduação em Modelagem e Otimização (RC)pt_BR
dc.rightsAttribution-NonCommercial-NoDerivatives 4.0 International*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/*
dc.subjectMonitoramento de integridade estruturalpor
dc.subjectImpedância eletromecânicapor
dc.subjectAprendizado profundopor
dc.subjectRedes neurais vonvolucionaispor
dc.subjectLong short-term memorypor
dc.subjectStructural health monitoringeng
dc.subjectElectromechanical impedanceeng
dc.subjectDeep learningeng
dc.subjectConvolutional neural networkseng
dc.subjectLong short-term memoryeng
dc.subject.cnpqCIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::MATEMATICA DA COMPUTACAO::MODELOS ANALITICOS E DE SIMULACAOpt_BR
dc.titleTécnicas de aprendizado profundo aplicadas ao monitoramento de integridade estrutural por impedância eletromecânicapt_BR
dc.title.alternativeDeep learning techniques applied to the electromechanical impedance-based structural health monitoringeng
dc.typeDissertaçãopt_BR

Arquivos

Pacote Original
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
Dissertação - Stanley Washington Ferreira de Rezende - 2021.pdf
Tamanho:
48.41 MB
Formato:
Adobe Portable Document Format
Baixar
Licença do Pacote
Agora exibindo 1 - 1 de 1
Nenhuma Miniatura disponível
Nome:
license.txt
Tamanho:
1.71 KB
Formato:
Plain Text
Descrição:
Baixar

Coleções

Mestrado em Modelagem e Otimização - PPGMO