Estudo Comparativo da Eficácia de Autocodificadores na Identificação de Danos Estruturais

Marcos Spínola Neto; Luiz Tadeu Dias Júnior; Rafelle Piazzaroli Finotti; Flávio de Souza Barbosa; Alexandre Abrahão Cury

doi:10.63595/vetor.v35i2.18346

Autores

Marcos Spínola Neto Universidade Federal de Juiz de Fora, Faculdade de Engenharia - Juiz de Fora, MG, Brasil
Luiz Tadeu Dias Júnior Universidade Federal de Juiz de Fora, Faculdade de Engenharia - Juiz de Fora, MG, Brasil
Rafelle Piazzaroli Finotti Universidade Federal de Juiz de Fora, Faculdade de Engenharia - Juiz de Fora, MG, Brasil https://orcid.org/0000-0002-8569-0041
Flávio de Souza Barbosa Universidade Federal de Juiz de Fora, Faculdade de Engenharia - Juiz de Fora, MG, Brasil
Alexandre Abrahão Cury Universidade Federal de Juiz de Fora, Faculdade de Engenharia - Juiz de Fora, MG, Brasil https://orcid.org/0000-0002-8860-1286

DOI:

https://doi.org/10.63595/vetor.v35i2.18346

Palavras-chave:

Monitoramento da integridade estrutural, Detecção de danos, Autocodificadores, Autocodificador Variacional

Resumo

O monitoramento de integridade estrutural (SHM, do inglês Structural Health Monitoring) tem como objetivo garantir a segurança e o funcionamento das estruturas. Nos últimos anos, diversas técnicas baseadas em aprendizado de máquina têm sido utilizadas para esse fim. Dentre elas, destacam-se os autocodificadores (AE, do inglês Autoencoder), que são modelos capazes de extrair características a partir de dados de vibração, reduzindo a sua dimensionalidade, constituindo-se como ferramentas eficazes para aplicações de SHM. Este trabalho investiga a eficácia de quatro metodologias baseadas em autocodificadores, combinadas a uma ferramenta estatística para detectar e quantificar mudanças estruturais em três diferentes estruturas. Os sinais de vibração das estruturas são utilizados como dados de entrada e os valores da camada latente dos autocodificadores como parâmetros no teste T² de Hotelling para avaliar mudanças estruturais. Observou-se nos resultados obtidos que o modelo de autocodificador de melhor desempenho, Variacional AE-T², supera os outros na identificação e quantificação das mudanças estruturais. Embora os modelos AE, AE Esparso e AE Convolucional tenham apresentado limitações quanto a quantificação das alterações, eles apresentaram desempenho relevante para a detecção de anomalias.

Downloads

Não há dados estatísticos.

Referências

[1] H. Sousa 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, pp. 554–572, 2021. Disponível em: https://doi.org/10.1080/15732479.2021.1978507

[2] X. Wang, Y. Q. Ni, e K. C. Lin, “Comparison of statistical counting methods in SHM-based reliability assessment of bridges,” Journal of Civil Structural Health Monitoring , vol. 5, pp. 275–286, 2015. Disponível em: https://doi.org/10.1007/s13349-015-0103-1

[3] A. Cury, D. Ribeiro, F. Ubertini, e M. D. Todd, Structural Health Monitoring Based on Data Science Techniques, 1a ed., Springer Cham, 2022.

[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, pp. 207-215, 2017. Disponível em: https://doi.org/10.1007/s13349-017-0215-x

[5] V. Alves e A. Cury, “An automated vibration-based structural damage localization strategy using filter-type feature selection,” Mechanical Systems and Signal Processing, vol. 190, p. 110145, 2023. Disponível em: https://doi.org/10.1016/j.ymssp.2023.110145

[6] M. Spínola Neto, R. Finotti, F. Barbosa, e A. Cury, “Structural Damage Identification Using Autoencoders: A Comparative Study,” Buildings, vol. 14, no. 7, p. 2014, 2024. Disponível em: https://doi.org/10.3390/buildings14072014

[7] R. P. Finotti, C. F. Silva, P. H. E. Oliveira, F. S. 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, p. e512, 2023. Disponível em: https://doi.org/10.1590/1679-78257591

[8] M. Mou, X. Zhao, K. Liu, e Y. Hui, “Database for Structural Control and Monitoring Benchmark Problems,” 2015. Disponível em: https://datacenterhub.org/resources/257

[9] B. Peeters e G. De Roeck, “One year monitoring of the Z24-bridge: Environmental influences versus damage events,” Earthquake Engineering Structural Dynamics, vol. 30, no. 2, pp. 149-171, 2001. Disponível em: https://doi.org/10.1002/1096-9845(200102)30:2<149::AID-EQE1>3.0.CO;2-Z.

[10] D. Montgomery, Introduction to Statistical Quality Control, 4a ed., Hoboken, NJ, EUA: John Wiley & Sons, 2007.

[11] L. Resende, R. P. Finotti, F. S. Barbosa, e A. A. Cury, “Structural damage detection with autoencoding neural networks,” em Proceedings of the XLIII Ibero-Latin American Congress on Computational Methods in Engineering, Foz do Iguaçu, Brasil, 2022.

[12] T. Akiba, S. Sano, T. Yanase, T. Ohta, e M. Koyama, “Optuna: A Next-generation Hyperparameter Optimization Framework,” em Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining (KDD ’19), Anchorage, AK, EUA, 2019, pp. 2623–2631. Disponível em: https://doi.org/10.1145/3292500.3330701

[13] L. Resende, R. Finotti, F. Barbosa, H. Garrido, A. Cury, e M. Domizio, “Damage identification using convolutional neural networks from instantaneous displacement measurements via image processing,” Structural Health Monitoring , vol. 23, no. 3, pp. 1627-1640, 2024. Disponível em: https://doi.org/10.1177/14759217231193102

[14] R. P. Finotti, C. Gentile, F. Barbosa, e A. Cury, “Structural novelty detection based on sparse autoencoders and control charts,” Structural Engineering and Mechanics, vol. 81, no. 5, pp. 647-664, 2022. Disponível em: https://doi.org/10.12989/sem.2022.81.5.647.

[15] R. P. Finotti, F. S. 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, p. 11965, 2021. Disponível em: https://doi.org/10.3390/app112411965