[pt] É uma prática usual em reologia medir o tensão limite de escoamento. Nessas medidas, a tensão limite de escoamento é definida como o máximo valor absoluto de tensão ao qual abaixo não ocorrem escoamentos irreversíveis. Sendo assim, tensão limite de escoamento aparente estimada é usada em conjunto com o critério de von Mises em qualquer escoamento complexo. Este critério compara esta medida a intensidade do segundo invariante do tensor deviatórico das tensões. Acontece que, para escoamento simples de cisalhamento, o mesmo é composto por tensões cisalhantes e diferenças de tensão normais, mas a contribuição do último nunca foi considerada na determinação experimental da tensão limite de escoamento. Em vista de avaliar a importância da contribuição das diferenças de tensões normais na tensão limite de escoamento aparente, foram realizadas uma sequência de testes de creep para cada material, estimando a tensão crítica que representa o valor médio obtido entre os valores das curvas de tensão nas quais o material escoa e não escoa com uma tolerância considerável. Depois disso, foram propostos testes para avaliar os valores de N1 − N2 e apenas N1 no nível de tensão crítica. E em seguida avaliando-se adequadamente a tensão limite de escoamento. Observou-se que, para alguns materiais, a contribuição das diferenças de tensões normais é muito maior do que a contribuiçõ da tensão cisalhante. Por fim, a validade do critério de von Mises para materiais elasto-viscoplásticos foi avaliada. Para este fim, com o intuito de generalizar o estudo, ensaios de compressão a volume constante e de tração foram realizados avaliando-se as correspondentes tensões limites de escoamento. Como conclusão mais importante, o critério de von Mises não foi considerado adequado como critério de falha para os materiais elasto-viscoplásticos analisados. / [en] It is usual practice in rheology to measure the yield stress in a simple shear flow. In these measurements, the yield stress is identified as the maximum value of the shear stress below which no irreversible flow occurs. Then, the thus determined yield stress is used in conjunction with the von Mises criterion in any complex flow. The latter compares it with the intensity of the deviatoric stress tensor. It happens that for simple shear flow the intensity of the deviatoric stress is composed of both the shear stress and the normal stress differences, but the contribution of the latter is never considered in the experimental determination of the yield stress. In view of assess the importance of the contribution of the normal stresses to the yield stress, a sequence o standard constant shear stress tests were performed for each material, estimating the critical stress which represents the mean value obtained between the stress values of the curves in which the material flows and does not flow with an accurate tolerance. After that, proposed tests were performed in order to obtain the values of N1 − N2 and solely N1 at the critical stresses. Following the appropriate yield stress evaluation. It was observed that for some materials the normal stress contribution is much larger than the shear stress contribution. Furthermore, the validity of the von Mises yielding criterion for elasto-viscoplastic materials was evaluated. For this purpose, in order to generalize the study for different flow conditions, constant volume squeeze flow and traction tests were performed evaluating the corresponding yield stresses. As the most important conclusion, the von Mises yielding criterion was considered not to be accurate representing yielding for the elastoviscoplastic materials analyzed.

[pt] Devido ao efeito acoustoelástico, as Ondas guiadas ultrassônicas (UGWs) têm sido usadas para estimar a tensão mecânica com baixo custo de forma não destrutiva. O Aprendizado de maquina (ML) tem sido aplicado para mapear formas complexas de ondas para estimar a tensão mecânica, embora aspectos importantes como precisão e consumo computacional não tenham sido explorados. Na literatura também não há muito trabalho sobre o uso do aprendizado não supervisionado para a rotulagem automática de amostras com diferentes estados de tensão. Portanto, esta tese apresenta duas abordagens: i) a abordagem supervisionada propõe uma metodologia de modelagem de dados que otimiza a precisão e a implementação computacional, para a estimação da tensão baseada em UGWs em tempo real e ii) a abordagem não supervisionada compara estruturas não supervisionadas para rotular um pequeno conjunto de dados de acordo com o estado de tensão. Para o primeiro, foram avaliados modelos de aprendizagem superficial e profunda com redução de dimensionalidade, estes modelos são criados e testados usando um procedimento de hold-out Monte-Carlo para avaliar sua robustez. Os resultados mostram que, utilizando modelos superficiais e Análise de componentes principais (PCA), foi obtida uma melhoria de precisão e no consumo de hardware em comparação com o estado da arte com modelos de redes neurais profundas. Para o segundo, métodos de redução de dimensionalidade: PCA e t-distributed stochastic neighbor embedding (t-SNE), são usados para extrair características de sinais UGWs. As características são usadas para agrupar as amostras em estados de baixa, média e alta tensão. Uma análise qualitativa e quantitativa dos resultados foi realizada, considerando a análise de métricas para agrupamento, o PCA realizou o melhor agrupamento, qualitativamente, mostrando menos sobreposição en grupos do que t-SNE. As duas abordagens utilizadas nesta tese, conseguiram extrair características significativas que ajudam tanto na estimativa quanto tanto na rotulagem de dados, contribuindo para a criação de modelos de ML mais eficientes e no problema de interpretação de UGWs. / [en] Due to the acoustoelastic effect, Ultrasonic Guided Waves (UGWs) have been used to estimate mechanical stress in a non-expensive and nondestructively fashion. Machine Learning (ML) has been applied to map complex waveforms to stress estimates, though important aspects, such as accuracy and hardware consumption, have not been explored. Previously in the literature, there are also not many works on the use of unsupervised learning for automatic labeling of samples with different stress states. Therefore, this thesis presents two approaches, (i) the supervised approach aims to propose a data modeling methodology that optimizes accuracy and computational implementation, for real-time ultrasonic based stress estimation and (ii) the unsupervised approach aims at comparing unsupervised frameworks to label a small dataset according to the stress state. For the former, shallow and deep learning models with dimensionality reduction were evaluated, these models are created and tested using a Monte-Carlo holdout procedure to evaluate their robustness under different stress conditions. The results show that, using shallow models and Principal Component Analysis (PCA), an accuracy improvement and hardware consumption as compared to the state of the art reported with deep neural network models were obtained. For the latter, dimensionality reduction methods: PCA and t-distributed stochastic neighbor embedding (t-SNE), are used to extract features from UGWs signals with different stress levels. The features are used to group the samples into low, medium and high stress states. A qualitative and quantitative analysis of the results was performed. Considering the analysis of metrics for clustering, PCA performed the best clustering, qualitatively, showing less overlapping of clusters than t-SNE. The two approaches used in this thesis, managed to extract meaningful features which helped in both estimation and stress labeling, contributing to the creation of more efficient ML models and in the problem of interpreting UGWs.