Uso de Autocodificadores Variacionais para Monitoramento de Integridade Estrutural

Detecção e Quantificação de Alterações Estruturais Utilizando Autocodificadores Variacionais combinados com Cartas de Controle T²

Autores

  • Alexandre Cury Universidade Federal de Juiz de Fora https://orcid.org/0000-0002-8860-1286
  • Marcos Rezende Spínola Neto Universidade Federal de Juiz de Fora
  • Rafaelle Piazzaroli Finott
  • Flávio Souza Barbosa

DOI:

https://doi.org/10.34019/2179-3700.2024.v24.46198

Palavras-chave:

Monitoramento de Integridade Estrutural, Detecção de danos, Autocodificador Variacional, SHM, Aprendizado de máquina

Resumo

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 , 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 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 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

2025-04-09

Como Citar

Cury, A., Rezende Spínola Neto, M. ., Piazzaroli Finott, R. ., & Souza Barbosa, F. . (2025). Uso de Autocodificadores Variacionais para Monitoramento de Integridade Estrutural: Detecção e Quantificação de Alterações Estruturais Utilizando Autocodificadores Variacionais combinados com Cartas de Controle T². Principia: Caminhos Da Iniciação Científica, 24. https://doi.org/10.34019/2179-3700.2024.v24.46198

Edição

Seção

Artigos originais - Engenharias e Ciência da Computação