Monitoramento da integridade estrutural de vigas utilizando técnicas de aprendizado de máquina

Abstract

Danos estruturais induzem mudancas na flexibilidade local do sistema que podem gerar deslocamentos e vibrações indesejáveis A análise estatistica do recurso dinâmico da estrutura permite discriminar a condição estrutural atual e prever sua vida útil por períodos curtos ou longos. Sob condições não danificadas e danificadas dois índices de danos DI construíram o conjunto de dados da frequencia natural e da função de resposta de frequencia FRF analisados em dois tipos de danos o primeiro dano gerado numericamente atraves da alteração de profundidade da trinca em uma viga metálica engastada. No segundo dano gerado experimentalmente atrav és da perda de massa de uma viga métalica engastada reforcada com massas. Como o dano influencia diretamente a vibração do sistema o DI pode detectar danos e quantificar sua severidade. Neste trabalho, o monitoramento estrutural de vigas em balanço e realizado por algoritmos de aprendizado de maquina ML através da abordagem multiclasse e usando o conjunto de dados de teste os algoritmos usados foram k-vizinhos mais proximos (kNN), Máquina de Vetor de Suporte SVM, Árvore de Decis ão DT Floresta Aleatória RF e Bayes Ingênuo NB. Os desafios do uso dessas técnicas desempenho e implementação de cada método são discutidos. O monitoramento estrutural realizado com o algoritmo ML alcançou excelentes métricas ao inserir o conjunto de dados gerado pela simulação até 100%, e até 64% tendo como conjunto de dados de entrada fornecido a partir de testes experimentais. Demonstrando que o algoritmo ML pode classificar corretamente a condição de integridade da estrutura.