Deteção de dano em pontes integrando algoritmos de aprendizagem, modelos de elementos finitos e dados da monitorização estrutural

DSpace/Manakin Repository

Deteção de dano em pontes integrando algoritmos de aprendizagem, modelos de elementos finitos e dados da monitorização estrutural

Show full item record

Title: Deteção de dano em pontes integrando algoritmos de aprendizagem, modelos de elementos finitos e dados da monitorização estrutural
Author: Campos, Pedro Miguel Ferreira
Abstract: Nas últimas décadas, a monitorização da integridade estrutural de estruturas de engenharia civil tem sido realizada com base em duas abordagens distintas: modelos numéricos de elementos finitos e análise direta de dados da monitorização. A primeira abordagem tenta identificar o dano relacionando os dados medidos da estrutura com a previsão retirada de modelos numéricos devidamente calibrados. A última abordagem baseia-se na medição de respostas estruturais ambientais ou sob ações conhecidas, onde os dados medidos (ex. acelerações, deslocamentos e extensões) ou caraterísticas extraídas (propriedades modais) numa dada condição são comparados com uma condição de referência. Contudo, em ambas as abordagens, a identificação de dano requer uma comparação entre duas condições da estrutura: a condição de referência (não danificada) e a condição danificada. Portanto, de uma forma geral, as duas abordagens fazem uso de técnicas de reconhecimento de padrões. Assim, esta dissertação pretende ser um contributo científico através da combinação das duas abordagens, isto é, integrando numa única abordagem os algoritmos de aprendizagem automática, a modelação de elementos finitos e o uso dos dados extraídos da monitorização de estruturas. Nesta combinação, dados de cenários estruturais sem dano, simulados através dos modelos de elementos finitos, são introduzidos no processo de aprendizagem juntamente com os dados da monitorização, permitindo assim treinar os algoritmos de aprendizagem com respostas estruturais que não foram medidas experimentalmente. A passagem superior Z24, da Suíça, é usada como estrutura de teste, devido à disponibilidade de dados da monitorização contínua de sensivelmente um ano.In the last decades, the long-term structural health monitoring of civil structures has been performed using two approaches: model- and data-based. The former approach tries to identify damage by relating the monitoring data to the prediction of numerical (e.g., finite element) models of the structure. The latter approach is data-driven, where measured data from a given state condition is compared to the baseline or reference condition. The data-based approach has been rooted in the machine learning field, where machine learning algorithms are essential to learn (or to model) the structural behavior from the experience (or past data), and to perform pattern recognition for damage identification. In the structural health monitoring field, this approach is known as the statistical pattern recognition paradigm. In both approaches, the identification of damage requires data comparison between two state conditions, the baseline condition and the damaged condition; thus, in a general sense, the two approaches make use of pattern recognition techniques. This dissertation intends to step forward by combining machine learning, finite element modeling and monitoring data from civil structures in an unique damage detection approach. To achieve this combination, data from simulated undamaged scenarios are introduced into the learning process using predictions from finite element models. To test this new approach, monitoring data from the Z-24 Bridge are used along with finite element and machine learning modeling.
Description: Orientação: Elói João Faria Figueiredo ; co-orientação: Dragos Ionut Moldovan
URI: http://hdl.handle.net/10437/8783
Date: 2018


Files in this item

Files Size Format View Description
Dissertacao Pedro Campos (23).pdf 4.313Mb PDF View/Open Dissertação de Mestrado

This item appears in the following Collection(s)

Show full item record

Search DSpace


Advanced Search

Browse

My Account