Modeling with machine learning applied to structural health monitoring systems
| Autor: | Barella, Bruno Pereira |
|---|---|
| Přispěvatelé: | Moura Júnior, José dos Reis Vieira de, Cunha, Márcio José da, Costa, Vaston Gonçalves da, Gallo, Carlos Alberto |
| Jazyk: | portugalština |
| Rok vydání: | 2021 |
| Předmět: |
Monitoramento da integridade estrutural
Artificial intelligence Structural health monitoring CIENCIA DA COMPUTACAO::MATEMATICA DA COMPUTACAO::MODELOS ANALITICOS E DE SIMULACAO [CIENCIAS EXATAS E DA TERRA] Structural health monitoring systems Sistemas de monitoramento de integridade estrutural Machine learning Impedância eletromecânica Electromechanical impedance Aprendizado de máquina Inteligência artificial |
| Zdroj: | Biblioteca Digital de Teses e Dissertações da UFG Universidade Federal de Goiás (UFG) instacron:UFG |
| Popis: | O monitoramento da integridade estrutural (SHM – Structural Health Monitoring) utilizando o método de impedância eletromecânica tem como foco o desenvolvimento de sistemas responsáveis por monitorar a integridade de estruturas, tais como, fuselagem aeroespacial e estruturas metálicas. Para isso, o emprego de ferramentas e recursos computacionais são essenciais. A identificação, localização, quantificação de danos ou até a previsão de vida útil de sistemas mecânicos tem papel fundamental para garantia da segurança das pessoas e financeira. O emprego de ferramentas de aprendizado de máquina possibilita desempenhar tais funções devido a sua alta capacidade de identificar padrões não necessitando compensar efeitos naturais de carregamento e temperatura que comumente atuam sobre as estruturas mecânicas. Portanto, foram aplicadas 3 abordagens possíveis para o desenvolvimento de modelos a serem empregados nos sistemas de monitoramento de integridade estrutural, são elas: detecção de anomalias, multi classificação de danos e regressão sobre a variação de massa. Para o desenvolvimento das abordagens, foi realizado um experimento simulando danos estruturais através do processo de usinagem superficial numa viga de alumínio exposta a variações térmicas de 10 ◦ C a 40 ◦ C. Sistemas que utilizam aprendizado de máquina possuem modelos desenvolvidos com especificações únicas intrínsecas do problema e, para o desenvolvimento dessas, é necessário o emprego de ferramentas e métodos capazes de desempenhar suas funções com alta confiabilidade e precisão. Nesse sentido foram apresentados os principais conceitos das técnicas de monitoramento de integridade estrutural e as características dos materiais inteligentes que são utilizados como sensores. Posteriormente, o método de impedância eletromecânica foi abordado com os conceitos essenciais para seu entendimento, bem como os principais sistemas disponíveis para coleta das assinaturas de impedância e os modelos estatísticos comumente utilizados. Em seguida, foram apresentados os conceitos e recursos comuns da área de inteligência artificial, bem como ferramentas de análise, interpretação e avaliação de modelos. Por fim, um sistema foi implantado utilizando a abordagem de detecção de anomalia por meio de um aplicativo de monitoramento, através dos recursos de conteinerização e computação em nuvem. Structural Health Monitoring (SHM) using the electromechanical impedance method focuses on the development of systems responsible for monitoring the integrity of structures, such as, aerospace fuselage and metallic structures. Therefore, the use of computational tools and resources are essential. The identification, location, quantification of damage or even the prediction of the useful life of mechanical systems plays a fundamental role in ensuring the financial and public safety. That way, the use of machine learning tools is possible to perform such functions due to their high ability to identify patterns without needing to compensate for natural effects such as loading and temperature, which often act on mechanical structures. Thus, three possible approaches were applied for the development of models to be used in structural health monitoring systems, which are: anomalies detection, multi classification of damage and mass variation regression. To develop the approaches, an experiment was carried out simulating the structural damage produced by the surface machining process in a aluminum beam exposed to thermal variations between 10 ◦ C and 40 ◦ C. Systems that use machine learning have models developed with unique specifications intrinsic to the problem and, for their development, it is necessary to use tools and methods capable of performing their functions with high reliability and precision. In this sense, the main concepts of structural integrity monitoring techniques and the characteristics of intelligent materials used as sensors were presented. Subsequently, the electromechanical impedance method was approached with the essential concepts for its understanding, as well as the main systems available for collecting impedance signatures and the commonly used statistical models. Then, the common concepts and resources in the artificial intelligence field were presented, as well as tools for the analysis, interpretation and evaluation of models. Finally, a system was deployed containing the anomalie detection approach by means of a monitoring application, using the resources of containerization and cloud computing. Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPES |
| Databáze: | OpenAIRE |
| Externí odkaz: |
|