Submitted by Renata Lopes (renatasil82@gmail.com) on 2017-05-22T13:41:04Z
No. of bitstreams: 1
rafaellepiazzarolifinottiamaral.pdf: 17493907 bytes, checksum: 1adeaaa1aa2fea27421c90402c88531e (MD5) / Approved for entry into archive by Adriana Oliveira (adriana.oliveira@ufjf.edu.br) on 2017-05-22T17:36:26Z (GMT) No. of bitstreams: 1
rafaellepiazzarolifinottiamaral.pdf: 17493907 bytes, checksum: 1adeaaa1aa2fea27421c90402c88531e (MD5) / Made available in DSpace on 2017-05-22T17:36:26Z (GMT). No. of bitstreams: 1
rafaellepiazzarolifinottiamaral.pdf: 17493907 bytes, checksum: 1adeaaa1aa2fea27421c90402c88531e (MD5)
Previous issue date: 2017-03-07 / CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / O desafio de se detectar danos e/ou alterações estruturais através de dados vibracionais
tem levado ao desenvolvimento de diversas técnicas nas últimas décadas. Grande parte
desses métodos busca associar variações de frequências naturais, modos de vibração e
taxas de amortecimento em uma estrutura ao surgimento de danos localizados. Em vista
disso, surgiram métodos como: o índice MAC (Modal Assurance Criterion), métodos
baseados em energia de deformação, métodos baseados em variação de curvatura, análise
da matriz de flexibilidade, dentre outros. Apesar de se mostrarem bastante eficazes
na detecção de danos em modelos numéricos, salvo em raras exceções, os métodos
supracitados apresentam dificuldades quando se trata de problemas práticos com dados
obtidos de experimentos reais. Entretanto, abordagens envolvendo técnicas de inteligência
computacional vêm sendo apontadas como uma linha de pesquisa promissora nesta
área. Dessa forma, o presente trabalho avalia o uso das Redes Neurais Artificiais (ANN
- Artificial Neural Networks) e Máquinas de Vetor Suporte (SVM - Support Vector
Machines) na detecção de alterações estruturais baseadas na análise da evolução das
respostas dinâmicas. Tanto as características modais quanto indicadores estatísticos
extraídos diretamente dos sinais temporais são utilizados como parâmetros de entrada
dos modelos de inteligência computacional. Além disso, apresenta-se ainda uma nova
metodologia desenvolvida com base no histórico de variação das frequências naturais
e temperatura, na qual é possível detectar mudanças no comportamento estrutural e
apontar o momento em que elas ocorrem a partir de um classificador SVM. A eficiência
da metodologia proposta é analisada através de dados obtidos em um modelo numérico
de viga biapoiada e dados oriundos de um monitoramento contínuo da Torre de Gabbia,
na Itália. / Structural damage detection using dynamic measurements has led to the development
of several techniques in the last decades. Most of these methods associate variations of
natural frequencies, mode shapes and damping ratios to damage, like the Modal Assurance
Criterion (MAC), methods based on strain energy deviation, methods based on curvature
mode shapes, flexibility matrix analysis, among others. Although these aforementioned
techniques are mostly efficient to identify structural alterations in numerical models,
they have difficulties in practical applications with experimental data. Thus, approaches
involving computational intelligence to identify structural damage can be a promising field
of research. This work evaluates the Artificial Neural Networks (ANN) and Support Vector
Machine (SVM) to detect structural changes based on evolution of dynamic responses.
The modal characteristics and statistical indicators extracted directly from raw dynamic
measurements are used as inputs to computational intelligence models. Furthermore,
a new methodology based on the time history of natural frequencies and temperature
records is presented. The technique consists in detecting structural changes and when
they occur by using a SVM algorithm. The efficiency of the proposed methodology is
analyzed through data from a numerical model of a supported beam and from a continuous
monitoring of the Gabbia Tower, in Italy.
| Identifer | oai:union.ndltd.org:IBICT/oai:hermes.cpd.ufjf.br:ufjf/4624 |
| Date | 07 March 2017 |
| Creators | Amaral, Rafaelle Piazzaroli Finotti |
| Contributors | Barbosa, Flávio de Souza, Cury, Alexandre Abrahão, Fonseca, Leonardo Goliatt da, Borges, Carlos Cristiano Hasenclever, Pimentel, Roberto Leal |
| Publisher | Universidade Federal de Juiz de Fora (UFJF), Programa de Pós-graduação em Modelagem Computacional, UFJF, Brasil, ICE – Instituto de Ciências Exatas |
| Source Sets | IBICT Brazilian ETDs |
| Language | Portuguese |
| Detected Language | Portuguese |
| Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
| Source | reponame:Repositório Institucional da UFJF, instname:Universidade Federal de Juiz de Fora, instacron:UFJF |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0023 seconds