Uso de Autocodificadores Variacionais para Monitoramento de Integridade Estrutural
Detecção e Quantificação de Alterações Estruturais Utilizando Autocodificadores Variacionais combinados com Cartas de Controle T²
DOI:
https://doi.org/10.34019/2179-3700.2024.v24.46198Palavras-chave:
Monitoramento de Integridade Estrutural, Detecção de danos, Autocodificador Variacional, SHM, Aprendizado de máquinaResumo
O monitoramento da integridade estrutural (SHM) tem como objetivo garantir a segurança e a confiabilidade de infraestruturas civis. Autocodificadores, modelos de aprendizado de máquina não supervisionado, mostram-se promissores para o SHM ao aprender características dos dados e reduzir a dimensionalidade. No entanto, estudos abrangentes comparando modelos de autocodificadores no SHM são escassos. Este estudo investiga a eficácia do autocodificador variacional (VAE), combinado às Cartas de Controle T², para detectar e quantificar mudanças estruturais em três estruturas de engenharia civil. Sinais de aceleração coletados por acelerômetros são utilizados como entrada para o autocodificador, com o objetivo de realizar uma classificação não supervisionada. Os dados das camadas latentes geradas pelo VAE são aplicados na análise com a ferramenta estatística T² e os valores obtidos são comparados entre os subgrupos de sinais para identificar alterações estruturais. O estudo conclui que o modelo VAE combinado com o T² é eficaz tanto para identificar quanto para quantificar alterações nas estruturas. O desenvolvimento contínuo dessa técnica pode contribuir para avanços no SHM, promovendo maior segurança, redução de custos e durabilidade a longo prazo em estruturas civis.
Downloads
Referências
ALVES, V.; CURY, A. An automated vibration-based structural damage localization strategy using filter-type feature selection. Mech. Syst. Signal Process. 2023, 190, 110145.
AVCI, O.; ABDELJABER, O.; KIRANYAZ, S.; HUSSEIN, M.; GABBOUJ, M.; INMAN, D.J. A Review of Vibration-Based Damage Detection in Civil Structures: From Traditional Methods to Machine Learning and Deep Learning Applications. Mech. Syst. Signal Process. 2021, 147, 107077.
DYKE, J.; BERNAL, D.; BECK, J.; VENTURA, C. Experimental Phase II of the Structural Health Monitoring Benchmark Problem. 2003.
FINOTTI, R.P.; SILVA, C.F.; OLIVEIRA, P.H.E.; BARBOSA, F.d.S.; CURY, A.A.; SILVA, R.C. Novelty detection on a laboratory benchmark slender structure using an unsupervised deep learning algorithm. Lat. Am. J. Solids Struct. 2023, 20, e512.
GOODFELLOW, I.; BENGIO, Y.; COURVILLE, A. Deep Learning. MIT Press: Cambridge, MA, USA, 2016.
MONTGOMERY, D. Introduction to Statistical Quality Control; John Wiley & Sons: Hoboken, NJ, USA, 2009.
MOU, M.; ZHAO, X.; LIU, K.; HUI, Y. NEES: Database for Structural Control and Monitoring Benchmark Problems. 2015.
SOUSA, H.; COURAGE, W. Value of information of a pro-active SHM-based tool supported by advanced FE models and Bayesian statistics towards efficiency in bridge management. Struct. Infrastruct. Eng. 2021, 18, 554–572.
SPÍNOLA NETO, M.; FINOTTI, R.; BARBOSA, F.; CURY, A. Structural Damage Identification Using Autoencoders: A Comparative Study. Buildings 2024, 14, 2014.
PEETERS, B.; DE ROECK, G. One year monitoring of the z24-bridge: Environmental influences versus damage events. Earthq. Eng. Struct. Dyn. 2001, 30, 149–171.
TEUGHELS, A.; DE ROECK, G. Structural damage identification of the highway bridge Z24 by FE model updating. J. Sound Vib. 2004, 278, 589–610.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2024 Alexandre Cury

Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial 4.0 International License.
Autores que publicam nesta revista concordam com os seguintes termos:
- Autores mantém os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons Attribution que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista.