Monitoramento da Integridade Estrutural de Vias Férreas a Partir de Medições de Vibração a Bordo Utilizando Técnicas de Aprendizado Profundo
DOI:
https://doi.org/10.63595/vetor.v36i1.18345Palavras-chave:
Monitoramento de Integridade Estrutural, Autocodificador Variacional, Carta de Controle Hotelling T², Manutenção FerroviáriaResumo
A manutenção da infraestrutura ferroviária apresenta um constante desafio devido ao desgaste natural e aos danos decorrentes do uso contínuo, que podem comprometer a segurança e eficiência desse meio de transporte. Este estudo propõe o uso de Monitoramento de Integridade Estrutural (SHM, do inglês Structural Health Monitoring) através da aplicação de um Autocodificador Variacional (VAE, do inglês Variational Autoencoder) para a detecção de irregularidades em vias férreas. O VAE é treinado para aprender a representar o comportamento normal da via e, junto com a Carta de Controle Hotelling T², é capaz de detectar anomalias estruturais. A metodologia proposta inclui a otimização dos hiperparâmetros do VAE utilizando a biblioteca Optuna, buscando maximizar o desempenho do modelo. Os resultados indicam que a combinação do VAE com a Carta de Controle T² de Hotelling é eficaz na detecção de defeitos, oferecendo uma solução mais econômica e menos invasiva para a manutenção preventiva das vias. Embora o método ainda não quantifique as anomalias, ele apresenta um grande potencial para aprimorar a confiabilidade operacional.
Downloads
Referências
[1] H. Souza e W. Courage, “Value of information of a pro-active shm-based tool supported by advanced fe models and bayesian statistics towards efficiency in bridge management,” Structure and Infrastructure Engineering, vol. 18, no. 4, pp. 554–572, 2021. Disponível em: https://doi.org/10.1080/15732479.2021.1978507
[2] R. P. Finotti, F. Barbosa, A. A. Cury, e R. L. Pimentel, “Numerical and experimental evaluation of structural changes using sparse auto-encoders and svm applied to dynamic responses,” Applied Sciences, vol. 11, no. 24, 2021. Disponível em: https://doi.org/10.3390/app112411965
[3] M. Spínola Neto, R. Finotti, F. Barbosa, e A. Cury, “Structural damage identification using autoencoders: A comparative study,” Buildings, vol. 14, no. 7, 2024. Disponível em: https://doi.org/10.3390/buildings14072014
[4] F. J. Carrión, J. A. Quintana, e S. E. Crespo, “Techno-economical and practical considerations for SHM systems,” Journal of Civil Structural Health Monitoring, vol. 7, no. 2, pp. 207–215, 2017. Disponível em: https://doi.org/10.1007/s13349-017-0215-x
[5] I. Goodfellow, Y. Bengio, e A. Courville, Deep Learning. Cambridge, Massachusetts, EUA: MIT Press, 2016. Disponível em: http://www.deeplearningbook.org
[6] R. P. Finotti, C. F. da Silva, P. H. E. Oliveira, F. Barbosa, A. A. Cury, e R. C. Silva, “Novelty detection on a laboratory benchmark slender structure using an unsupervised deep learning algorithm,” Latin American Journal of Solids and Structures, vol. 20, no. 9, 2023. Disponível em: https://doi.org/10.1590/1679-78257591
[7] D. C. Montgomery, Introduction to Statistical Quality Control. Nova York, EUA: John Wiley & Sons, 2009. Disponível em: chrome-extension://efaidnbmnnnibpcajpcglclefindmkaj/https://www.uaar.edu.pk/fs/books/12.pdf
[8] J. Magalhães, T. Jorge, R. Silva, A. Guedes, D. Ribeiro, A. Meixedo, M. Araliya, C. Vale, P. Montenegro, e A. A. Cury, “A strategy for out-of-roundness damage wheels identification in railway vehicles based on sparse autoencoders,” Railway Engineering Science, vol. 32, pp. 421–443, 2024. Disponível em: https://doi.org/10.1007/s40534-024-00338-4
[9] The, MathWorks, e Inc., “Matlab version: (r2018a),” Natick, Massachusetts, United States, 2018. Disponível em: https://www.mathworks.com
[10] P. A. Montenegro, S. G. M. Neves, R. Calçada, M. Tanabe, e M. Sogabe, “Wheel–rail contact formulation for analyzing the lateral train–structure dynamic interaction,” Computers & Structures, vol. 152, pp. 200–214, 2015. Disponível em: https://doi.org/10.1016/j.compstruc.2015.01.004
[11] P. A. Montenegro e R. Calçada, “Wheel–rail contact model for railway vehicle–structure interaction applications: development and validation,” Railway Engineering Science, vol. 31, no. 3, pp. 181–206, 2023. Disponível em: https://doi.org/10.1007/s40534-023-00306-4
[12] A. Guedes, R. Silva, D. Ribeiro, C. Vale, M. Araliya, P. Montenegro, e A. Meixedo, “Detection of wheel polygonization based on wayside monitoring and artificial intelligence,” Sensors, vol. 23, no. 4, 2023. Disponível em: https://doi.org/10.3390/s23042188
[13] R. Silva, A. Guedes, D. Ribeiro, C. Vale, A. Meixedo, A. Mosleh, e P. Montenegro, “Early identification of unbalanced freight traffic loads based on wayside monitoring and artificial intelligence,” Sensors, vol. 23, no. 3, 2023. Disponível em: https://doi.org/10.3390/s23031544
[14] A. Mosleh, A. Meixedo, D. Ribeiro, P. Montenegro, e R. Calçada, “Early wheel flat detection: an automatic data-driven wavelet-based approach for railways,” Vehicle System Dynamics, vol. 61, no. 6, pp. 1664–1673, 2022. Disponível em: https://doi.org/10.1080/00423114.2022.2103436
[15] H. Hertz, Ueber die Berührung fester elastischer Körper. Germany: Journal für die reine und angewandte Mathematik, 1882. Disponível em: http://eudml.org/doc/148490
[16] J. J. Kalker, Book of Tables for the Hertzian Creep-force Law. Netherlands: Faculty of Technical Mathematics and Informatics, Delft University of Technology, 1996. Disponível em: https://books.google.com.br/books?id=Yrf5GgAACAAJ
[17] T. Akiba, S. Sano, T. Yanase, T. Ohta, e M. Koyama, “Optuna: A next-generation hyperparameter optimization framework,” em KDD ’19: Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining, A. for Computing Machinery, Ed., Ankur Teredesai and Vipin Kumar. Anchorage, EUA: 25 July 2019, 2019, pp. 2623 – 2631. Disponível em: https://doi.org/10.1145/3292500.3330701
Downloads
Publicado
Como Citar
Edição
Seção
