Skip navigation
Veuillez utiliser cette adresse pour citer ce document : http://repositorio.unb.br/handle/10482/48176
Fichier(s) constituant ce document :
Fichier Description TailleFormat 
2023_AmandaArydaSilvaRodriguesDeSousa.pdf7,63 MBAdobe PDFVoir/Ouvrir
Titre: Monitoramento da integridade estrutural de vigas utilizando técnicas de aprendizado de máquina
Auteur(s): Sousa, Amanda Aryda Silva Rodrigues de
metadata.dc.contributor.email: eng.amandaaryda@gmail.com
Orientador(es):: Machado, Marcela Rodrigues
Assunto:: Aprendizado de máquina
Detecção de danos
Integridade de Integridade estrutural
Date de publication: 7-jui-2024
Référence bibliographique: SOUSA, Amanda Aryda Silva Rodrigues de. Monitoramento da integridade estrutural de vigas utilizando técnicas de aprendizado de máquina. 2023. 92 f., il. Dissertação (Mestrado em Ciências de Materiais) - Universidade de Brasília, Brasília, 2023.
Résumé: Danos estruturais induzem mudancas na flexibilidade local do sistema que podem gerar deslocamentos e vibrações indesejáveis A análise estatistica do recurso dinâmico da estrutura permite discriminar a condição estrutural atual e prever sua vida útil por períodos curtos ou longos. Sob condições não danificadas e danificadas dois índices de danos DI construíram o conjunto de dados da frequencia natural e da função de resposta de frequencia FRF analisados em dois tipos de danos o primeiro dano gerado numericamente atraves da alteração de profundidade da trinca em uma viga metálica engastada. No segundo dano gerado experimentalmente atrav és da perda de massa de uma viga métalica engastada reforcada com massas. Como o dano influencia diretamente a vibração do sistema o DI pode detectar danos e quantificar sua severidade. Neste trabalho, o monitoramento estrutural de vigas em balanço e realizado por algoritmos de aprendizado de maquina ML através da abordagem multiclasse e usando o conjunto de dados de teste os algoritmos usados foram k-vizinhos mais proximos (kNN), Máquina de Vetor de Suporte SVM, Árvore de Decis ão DT Floresta Aleatória RF e Bayes Ingênuo NB. Os desafios do uso dessas técnicas desempenho e implementação de cada método são discutidos. O monitoramento estrutural realizado com o algoritmo ML alcançou excelentes métricas ao inserir o conjunto de dados gerado pela simulação até 100%, e até 64% tendo como conjunto de dados de entrada fornecido a partir de testes experimentais. Demonstrando que o algoritmo ML pode classificar corretamente a condição de integridade da estrutura.
Abstract: Structural damage can cause changes in a system’s local flexibility, resulting in unwanted dis placements and vibrations. Statistical analysis of dynamic structural features enables us to differentiate between the current structural condition and predict its lifespan for short or ex tended periods. Two damage indexes are used to build a dataset from the beam’s natural frequency and frequency response function(FRF) under both undamaged and damaged con ditions, analyzed in two types of damage, the first numerically generated damage by changing the crack depth in a cantilevered steel beam. The second experimentally generated damage through the mass loss of a cantilevered steel beam reinforced with masses. As the damage can directly impact system vibration, the DI can detect damage and measure its severity. In this work, we use machine learning (ML) algorithms, through the multiclass approach and use the test dataset, such as k-nearest neighbors (kNN), Support Vector Machine (SVM), Decision Tree (DT), Random Forest (RF), and Na¨ıve Bayes (NB), to monitor the structural integrity of a cantilevered beam. We discuss the challenges of using, performing, and implementing each method. The structural monitoring performed with the ML algorithm achieved excellent metrics when inputting the simulation-generated dataset, up to 100%, and up to 64% having as input dataset provided from experimental tests. Demonstrating that the ML algorithm could correctly classify the health condition of the structure.
metadata.dc.description.unidade: Faculdade UnB Planaltina (FUP)
Description: Dissertação (mestrado)—Universidade de Brasília, Programa de Pós-Graduação em Ciências de Materiais, 2023.
metadata.dc.description.ppg: Programa de Pós-Graduação em Ciências de Materiais
Collection(s) :Teses, dissertações e produtos pós-doutorado

Affichage détaillé " class="statisticsLink btn btn-primary" href="/jspui/handle/10482/48176/statistics">



Tous les documents dans DSpace sont protégés par copyright, avec tous droits réservés.