Popis: |
Um problema comum em grandes conjuntos de dados é a informação ausente, seja por falha nos sensores de captura, perda no transporte, ou outra situação que culmine com a perda de dados. Diante desta situação, é frequente que a decisão do pesquisador seja desconsiderar os dados ausentes, removê-los do conjunto, no entanto, essa exclusão pode gerar inferências que não são válidas, principalmente se os dados que permanecem na análise são diferentes daqueles que foram excluídos. Para lidar com este problema em conjuntos de dados de monitoramento de integridade estrutural (Structural health monitoring – SHM), este trabalho faz uso de redes neurais recorrentes Gated Recurrent Units (GRU) e Long Short-Term Memory (LSTM), para realizar a tarefa de imputação de dados ausentes. Em uma etapa anterior à imputação, foi realizada a amputação artificial dos dados, assumindo o mecanismo de dados ausentes Missing Completely at Random (MCAR), em percentuais de 25, 50 e 75%. As técnicas de imputação foram avaliadas com o uso da métrica Mean Absolute Percentage Error (MAPE). Posteriormente, foi aplicada a etapa de detecção de dano, as bases imputadas foram submetidas aos algoritmos Mahalanobis Square Distance (MSD) e Kernel Principal Component Analysis (KPCA) a fim de se obter as taxas de erros T1 e T2 detectadas. A partir dos resultados obtidos, foi possível observar que o uso da LSTM na imputação dos dados, alcançou resultados melhores que a GRU em todas as taxas de amputação, este melhor desempenho pode também ser notado na etapa de detecção de dano, onde as bases imputadas por LSTM alcançam melhores resultados de detecção de erros T1 e T2. |