[pt] Ondas ultrassônicas guiadas são usadas em larga escala em ensaios não destrutivos (END) e Structural Health Monitoring (SHM), permitindo a inspeção de estruturas e equipamentos de forma não invasiva. A partir da transmissão de um sinal acústico sobre uma estrutura e a captação dos sinais de onda propagados por meio de sensores posicionados estrategicamente, é possível obter informações materiais do objeto inspecionado. Na área de óleo e gás, o uso desse tipo de ondas acústicas é de grande importância no levantamento do perfil da camada de cimento que reveste poços, que tem função de conferir integridade estrutural e isolar a estrutura interna de produção do poço das regiões freáticas do entorno. No processo de desativação e abandono do poço, é fundamental avaliar a qualidade do isolamento hidráulico do cimento, assim como identificar possíveis defeitos. A propagação de ondas guiadas em uma estrutura se dá, em geral, por meio de múltiplos modos e apresenta característica dispersiva, que se traduz numa dependência da velocidade de fase das ondas com a frequência, e uma relação não linear entre número de onda e frequência. A relação de dispersão carrega informações do meio de propagação, tal como constantes elásticas e dimensões, e pode ser visualizada a partir de curvas no plano frequência-número de onda (f-k). Diferentes técnicas vêm sendo exploradas para a obtenção das relações de dispersão a partir de sinais no domínio do tempo captados por sensores ultrassônicos em posições espaciais distintas. Este trabalho explora três métodos distintos para a extração das curvas de dispersão, ou seja, obter os pontos f-k associados aos modos de propagação, a partir de um conjunto de sinais dependentes do espaço-tempo. O primeiro algoritmo se baseia em uma técnica pré-existente que usa uma Transformada de Fourier bidimensional (2-D FT) sobre a matriz de dados de sinais de sensores ultrassônicos no espaço-tempo, gerando uma matriz de amplitudes no plano f-k onde os máximos locais representam pontos pertencentes a curvas de dispersão. A representação da matriz como uma imagem f-k permite a visualização das curvas de dispersão como conjuntos contíguos de pixels de maior claridade. Propõe-se um novo algoritmo baseado em operações morfológicas de processamento de imagem para a identificação de pixels relativos aos pontos das curvas de dispersão na imagem f-k, após um préprocessamento da mesma. A segunda técnica consiste no pré-processamento dessa mesma imagem f-k, obtida pela 2-D FT, e uso de um algoritmo préexistente de detecção de estruturas curvilíneas em imagens para identificar os pontos correspondentes às curvas f-k. O terceiro método é uma adaptação, proposta aqui, de um algoritmo pré-existente para estimar os números de onda das curvas de dispersão relativos a cada frequência através de uma matriz Pencil. Propõe-se também um algoritmo original para a separação dos pontos f-k encontrados pelas três técnicas de extração em curvas distintas. Os algoritmos utilizados para a obtenção das curvas de dispersão têm seu desempenho avaliado em três conjuntos de dados distintos de simulações por elementos finitos, a saber, uma de placa de alumínio fina sob distintos valores de tração axial aplicada paralelamente à direção de propagação das ondas; um poço multicamada sem tubing possuindo diferentes tipos de defeito de cimentação-channeling, qualidade de cimento baixa, descolamento interno e externo -, assim como sem defeito; e um pouco multicamada com tubing sob os mesmos defeitos de cimentação e também sem defeito. Compara-se a capacidade dos algoritmos de extração das curvas de dispersão de oferecer informações sobre mudanças materiais entre os casos simulados. Avalia-se também a precisão e custo computacional dos mesmos. / [en] Ultrasonic guided waves are widely used in the fields of Non-Destructive Evaluation (END) and Structural Health Monitoring (SHM), allowing the inspection of structures and pieces of equipment in a non-invasive manner. Through the transmission of an acoustic signal over a given object and the acquisition of the signal from the propagated waves using a group of sensors in predefined positions, it is possible to obtain material information regarding the investigated structure. In the Oil & Gas industry, the use of this type of wave is integral to the logging of the cement layer that outlines the walls of wellbores, which has the purpose of guaranteeing structural support and protecting the well’s internal production structure and the surrounding groundwater from each other. During the deactivation and abandonment of a production well, it is necessary to evaluate the hydraulic isolation of the cement layer, as well as identify possible defects. The propagation of guided waves in a structure is usually multi-modal and of dispersive characteristic. The latter means that the propagating waves phase velocity is dependent on the frequency, translating into a non-linear relationship between wavenumber and frequency. This dispersion relation contains information about the propagating medium, such as elastic constants and dimensions, and can be represented as curves in the frequency-wavenumber (f-k) plane. Different methods are currently being explored for obtaining the dispersion relation from time-domain signals acquired by ultrasonic sensors in different spatial positions. This work explored three different methods for the extraction of the dispersion curves, that is, obtaining the f-k points associated with the modes of propagation, from a dataset composed of space-time signals. The first algorithm is based on a pre-existing technique that uses the bidimensional Fourier Transform (2-D FT) over the matrix containing the space-time signals from the ultrasonic sensors, generating an f-k matrix whose local maximas correspond to points belonging to dispersions curves. The representation of the matrix as an f-k image shows the dispersion curves as contiguous groups of pixels with elevated brightness. A new algorithm is proposed, based on morphological operations from image-processing, to identify the pixels relative to the f-k points of the dispersion curves in the image, after pre-processing is performed. The second technique consists of pre-processing the same fk image, obtained from the 2-D FT, and the use of an existing algorithm for the detection of curvilinear structures in images to identify the points corresponding to the f-k curves. The third method proposes the adaptation of an existing method of estimation of the wavenumbers associated with the dispersion curves for different frequencies, using a matrix Pencil. This work also proposes an original algorithm to separate the f-k points, retrieved by the three techniques, in different curves associated with each mode of propagation. The algorithms used here for the estimation of the dispersion curves are evaluated over three distinct datasets of finite elements simulation: a thin aluminum plate under different values of axial traction parallel to the direction of propagation of the waves; a multilayer wellbore without tubing, with different types of cement defects-channeling, low cement quality, internal and external decoupling-, and without defect; a multilayer wellbore with tubing with the same cement defects and with no defect. Finally, a comparison is drawn over the capacity of the extraction algorithms of providing information regarding changes in the material qualities of the simulated objects. The work also evaluates the precision and computational performance of the aforementioned algorithms.

[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.

[pt] Métodos não destrutivos desempenham um papel fundamental na análise de integridade de componentes civis e mecânicos. Este trabalho apresenta uma abordagem integrativa que pode ser aplicada em avaliações estruturais, envolvendo o estudo de ondas ultrassônicas guiadas com técnicas de aprendizado de máquina, juntamente com métodos alternativos para ampliar o conjunto de dados necessários para treinamento dos modelos de predição. É proposta uma metodologia para a estimativa de tensão em placas, incorporando dados sintéticos gerados por interpolação linear a partir de resultados experimentais. Paralelamente, utilizando o Semi-Analytical Finite Element Method (SAFE), foi examinada a propagação de ondas em guias cilíndricos, comparando resultados com simulações numéricas e posteriormente, aplicando o método SAFE para gerar curvas de dispersão que servem de dados para alimentar uma rede neural para predição de espessura nominal de dutos. Este estudo contribui para a eficiência e precisão das metodologias aplicadas em integridade estrutural, englobando abordagens de dados experimentais e simulados computacionalmente. / [en] Non-destructive methods play a fundamental role in analyzing theintegrity of civil and mechanical components. This work presents an integrative approach that can be applied in structural assessments, involving the study of ultrasonic waves guided with machine learning techniques,together with alternative methods to expand the data set necessary fortraining prediction models. A methodology for estimating stress in platesis proposed, incorporating synthetic data generated by linear interpolationfrom experimental results. In parallel, using the Semi-Analytical Finite Element Method (SAFE), we examined wave propagation in cylindrical guides,comparing results with numerical simulations and subsequently, applyingthe SAFE method to generate dispersion curves that serve as data to feeda neural network for predicting nominal pipeline thickness. This study contributes to the efficiency and precision of methodologies applied in structuralintegrity, encompassing experimental and computationally simulated dataapproaches.