1 |
[pt] IDENTIFICAÇÃO MODAL DE DANOS EM PASSARELAS METÁLICAS COM USO DE REDES NEURAIS ARTIFICIAIS / [en] MODAL IDENTIFICATION OF DAMAGE IN STEEL FOOTBRIDGES USING ARTIFICIAL NEURAL NETWORKVITOR ABRAHAO GONCALVES 22 March 2022 (has links)
[pt] As estruturas civis durante toda a sua vida útil estão sujeitas a diversas ações
de deterioração, desgastes ou corrosão de seus membros, que podem gerar
variações em suas características físicas. Estas ações podem causar danos ao seu
funcionamento, podendo chegar até ao colapso, em casos mais extremos. Além
disso, o avanço tecnológico que permite a concepção de estruturas cada vez mais
esbeltas, e que geram assim possíveis vibrações excessivas, elevam o
monitoramento estrutural a um patamar de extrema importância e atenção na ótica
dos gestores desses sistemas. Particularmente, no caso de obras de infraestrutura
como pontes e passarelas, as grandes dimensões são características significativas
que tornam as práticas de monitoramento e inspeção mais difíceis. Dessa forma,
com o objetivo auxiliar no monitoramento estrutural e direcionar inspeções
visuais, diversos métodos de identificação de danos são estudados com base nas
características dinâmicas das estruturas, como as frequências naturais e os modos
de vibração. A revisão de literatura, porém, demonstra que há uma dificuldade na
aplicação desta identificação em estruturas mais complexas de grande porte.
Assim, este trabalho visa estudar esta dificuldade e propor uma solução baseada
na construção de um índice, composto pelos modos de vibração. Além disso,
através da aplicação de algoritmos de aprendizado de máquina e de
reconhecimento de padrões, como as Redes Neurais Artificiais (RNAs), propõese aumentar a eficiência do processo de localização espacial e quantificação dos
danos. Em seguida, a metodologia proposta é, então, aplicada em um modelo de
passarela metálica inspirado em uma estrutura real presente na região do Terminal
Centro Olímpico da cidade do Rio de Janeiro – RJ. A identificação de danos é
estudada através da aplicação do índice proposto, incorporando as redes neurais e
avaliando do impacto da variação dos parâmetros da RNA na eficiência global da
detecção. / [en] Civil structures are subjected to different deterioration and corrosion actions
throughout their entire service life, which can generate variations in their physical
characteristics. These actions can cause damage to its functioning, and possibly
leading to collapse in more severe cases. In addition, technology development
which allows the design of increasingly slender structures, can produce excessive
vibrations, which elevates the importance ofstructural monitoring to a higher level
from the perspective of infrastructure managers. Particularly, in the case of
bridges and walkaways, due to their large dimensions make monitoring and
inspection even more difficult. Thus, with the aim of providing methods to assist
in structural monitoring and facilitate visual inspections, several damage
identification methods are investigated, which are based on structures dynamic
characteristics, such as natural frequencies and mode shapes. The conducted
literature review revealed that there is a difficulty in applying these identification
methods in large-scale and complex structures. Thus, this research aims to study
these barriers and propose a solution based on the development of a new damage
index based on the structure s mode shapes. Furthermore, through the application
of machine learning algorithms and pattern recognition, such as Artificial Neural
Networks (ANN), it is proposed to increase the efficiency of the damage
identification and quantification process. Then, the proposed methodology is
tested numerically on a steel footbridge model inspired by a real structure located
in the region of the Olympic Center Terminal, in the city of Rio de Janeiro – RJ.
The damage identification method is studied through the application of the
proposed damage index, incorporating the neural network and assessing the
impact of ANNs parameters variation in the global efficiency of the damage
detection method.
|
Page generated in 0.0226 seconds