Submitted by Luciana Ferreira (lucgeral@gmail.com) on 2018-07-27T14:09:42Z No. of bitstreams: 2 Dissertação - Michael dos Santos Durval - 2018.pdf: 12689287 bytes, checksum: a4aa8729f88220ca5e557b61addf7b0a (MD5) license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) / Approved for entry into archive by Luciana Ferreira (lucgeral@gmail.com) on 2018-07-27T14:35:49Z (GMT) No. of bitstreams: 2 Dissertação - Michael dos Santos Durval - 2018.pdf: 12689287 bytes, checksum: a4aa8729f88220ca5e557b61addf7b0a (MD5) license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) / Made available in DSpace on 2018-07-27T14:35:49Z (GMT). No. of bitstreams: 2 Dissertação - Michael dos Santos Durval - 2018.pdf: 12689287 bytes, checksum: a4aa8729f88220ca5e557b61addf7b0a (MD5) license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Previous issue date: 2018-07-04 / Structural Health Monitoring (SHM) is a very cost-effective technique to reduce costs, increase life-cycle, and improve the performance of engineering structures. The impedancebased methodology uses the electromechanical behavior of piezoelectric materials (PZTs) to detect structural anomalies and damages. This technique uses high frequencies and excites the local modes, thus providing the monitoring of any change of the structural mechanical impedance in the region of influence of PZT. From the variation of the impedance signals, it can be concluded whether or not there is a damage. Artificial neural networks (RNA) are part of a broad concept called artificial systems. The foundation of neural networks is associated with the functioning of the human brain, which after training has the ability to perform associations. This science has great applicability in the solution of artificial intelligence problems, through the modeling of systems that use connections that make it possible to simulate the human nervous system. This work uses Kohonen’s self-organizing maps (SOM) associated to SHM based on electromechanical impedance for the detection and classification of damages in an aluminum beam. Based on the system under analysis, the network was trained to five different failure and severity positions. Through the neural network model of self-organizing maps, the network provided 30 maps as answers to the training and learning process. With this, it was realized qualitatively based on the concentration of energy of the maps that the grouping and classification of the different conditions of damages in which the engineering structure was submitted, happened with success. In order to establish a quantitative analysis proving the potential of the SOM network, the Hamming distance formula was applied, in which the results confirmed its accuracy. / O Monitoramento de Integridade Estrutural (SHM – Structural Health Monitoring) é uma técnica bem viável para se reduzir custos, aumentar a vida útil e melhorar o desempenho de estruturas de engenharia. A metodologia baseada em impedância usa o comportamento eletromecânico de materiais piezelétricos (PZT) para detectar anomalias e danos estruturais. Esta técnica utiliza altas frequências para excitar os modos locais, proporcionando, assim, o monitoramento de qualquer mudança da impedância mecânica estrutural na região de influência do PZT. A partir da variação dos sinais de impedância pode-se concluir pela existência ou não de um dano. Redes neurais artificiais (RNA) fazem parte de um amplo conceito chamado sistemas artificiais. O fundamento de redes neurais está associado ao funcionamento do cérebro humano, que após treinamento detém a capacidade de realizar associações. Esta ciência tem grande aplicabilidade na solução de problemas de inteligência artificial, através da modelagem de sistemas que usam conexões que possibilitam simular o sistema nervoso humano. Este trabalho utilizou a técnica dos mapas auto-organizáveis (SOMs – Self-Organizing Maps) de Kohonen associado ao SHM baseado na impedância eletromecânica para a detecção e a classificação de danos em uma viga de alumínio. Com base no sistema em análise, treinou-se a rede para cinco posições de falhas e severidades distintas. Por meio do modelo de rede neural dos mapas auto-organizáveis, a rede forneceu 30 mapas como respostas ao processo de treinamento e aprendizagem. Com isto, percebeu-se qualitativamente com base na concentração de energia dos mapas que o agrupamento e classificação das diferentes condições de danos em que a estrutura de engenharia foi submetida, ocorreu com sucesso. Para se estabelecer uma análise quantitativa que comprovasse o potencial da rede SOM, aplicou-se a fórmula da distância de Hamming, nos quais os resultados confirmaram sua precisão.