Detecção de danos estruturais baseada em históricos de aceleração e redes neurais artificiais

Abstract

A deterioração natural ou acidental das estruturas e a crescente complexidade dos projetos demandam um monitoramento constante da saúde das grandes construções. Esse processo possibilita intervenções, com o objetivo de evitar falhas catastróficas e de reduzir os custos com reparos e substituições de componentes estruturais. Nesse sentido, os métodos de avaliação de danos baseados nas variações das propriedades modais das estruturas foram amplamente estudados, devido às suas capacidades globais de avaliação. No entanto, alguns desafios foram apresentados para a aplicação prática de tais métodos, como a perda de informações dos sinais de vibração da estrutura durante o processo de identificação modal e as pequenas variações registradas em parâmetros como as frequências naturais, dificultando a avaliação do estado de uma estrutura exposta a efeitos ambientais. Para superar esses desafios, novas metodologias de monitoramento baseadas em abordagens estatísticas aplicadas diretamente a históricos de acelerações, obtidos através do monitoramento, vêm sendo desenvolvidas. Este trabalho tem como objetivo avaliar a utilização de indicadores estatísticos, extraídos de históricos de aceleração das estruturas, como alternativa para aplicação no treinamento e teste de redes neurais artificiais em metodologias de detecção de danos estruturais. Para tanto, trabalhou-se em duas etapas: na primeira etapa foram estudadas apenas vigas modeladas numericamente, considerando diferentes casos de danos estruturais; já na segunda etapa, foram utilizados modelos numéricos e dados experimentais de um pórtico espacial, considerando diferentes casos de danos estruturais. Em ambas as etapas, as estruturas foram submetidas a impactos e foram extraídos os sinais de aceleração para posterior processamento em forma de indicadores estatísticos, que por sua vez foram utilizados para treinar e testar redes neurais artificiais propostas para a detecção de danos estruturais, variando e analisando fatores como o número de neurônios na camada oculta, as funções de ativação da rede, a necessidade de se filtrar o ruído das séries temporais obtidas experimentalmente e o efeito dos picos de amplitude de acelerações no treinamento das redes. Os testes mostraram um bom desempenho do uso dos indicadores estatísticos como parâmetros de treinamento de redes para detecção de danos.