Notícias

Banca de QUALIFICAÇÃO: ALESSANDRA PANTOJA DE ARAUJO

Uma banca de QUALIFICAÇÃO de MESTRADO foi cadastrada pelo programa.
DISCENTE: ALESSANDRA PANTOJA DE ARAUJO
DATA: 22/03/2018
HORA: 15:00
LOCAL: ICEN
TÍTULO:

Algoritmos de Clusterização Aplicados à Detecção de Danos Estruturais


PALAVRAS-CHAVES:

Normalização de dados, Monitoramento de integridade estrutural, Detecção de danos, Condições ambientais e operacionais, G-Means, DBSCAN, Fuzzy CMeans, K-Means, Algoritmos de Clusterização.


PÁGINAS: 32
GRANDE ÁREA: Ciências Exatas e da Terra
ÁREA: Ciência da Computação
SUBÁREA: Metodologia e Técnicas da Computação
ESPECIALIDADE: Sistemas de Informação
RESUMO:
O Monitoramento de Integridade Estrutural (Structural Health Monitoring – SHM) é um processo de detecção e caracterização de dano em diferentes tipos de estruturas, com base nas respostas estruturais obtidas por sistemas de aquisição de dados. A partir dos dados medidos são extraídas características que possibilitam diferenciar estados não danificados e danificados da estrutura, pela aplicação de algoritmos. No entanto, estruturas apresentam fontes de variabilidades, como temperatura e carga operacional, que provocam alterações nas características extraídas da estrutura que podem ocultar alterações causadas por danos. A realização de um processo de separação dessas alterações, chamado normalização de dados em SHM, é fundamental para a implementação de estratégias de detecção de danos confiáveis. Nesse sentido, este trabalho aplica quatro técnicas para detecção de danos baseadas nos algoritmos DBSCAN, Fuzzy C-Means, G-Means e K-Means. Estes algoritmos são fáceis de serem implementados, são leves e necessitam da configuração de poucos parâmetros. Os métodos foram testados sobre os dados da ponte Z-24 (Suíça), que foi submetida a condições de variabilidades diversas, além de ensaios progressivos de dano. Os algoritmos são avaliados em termos de erros do Tipo I (indicação de dano falsa positiva) e Tipo II (indicação de dano falsa negativa) e em relação a modelagem dos agrupamentos. Os resultados preliminares indicam que os algoritmos são capazes de atenuar os efeitos introduzidos nos dados pelas fontes de variabilidades. Este resultado é obtido devido a tarefa de clusterização realizada por esses algoritmos, que promove a separação de diferentes estados da estrutura em agrupamentos, incluindo estados influenciados por fontes de variabilidades e estados de dano. Desta forma é possível realizar em um mesmo passo normalização de dados e detecção de dano. Para maior automatização do processo de detecção de danos, os algoritmos propostos são implementados de forma a descobrir de maneira automática o número de agrupamentos, que é uma característica importante para cenários de monitoramento em tempo real. Ao final deste trabalho, e que são propostas também desta qualificação mas ainda não testadas, serão agregadas técnicas de compressão e imputação de dados para obtenção de um framework que considere as condições reais de um sistema de SHM, no qual são gerados grandes quantidades de dados e a possível falha de sensores.

MEMBROS DA BANCA:
Interno - 2323064 - FILIPE DE OLIVEIRA SARAIVA
Externo à Instituição - ADAM DREYTON FERREIRA DOS SANTOS
Notícia cadastrada em: 23/02/2018 10:42
SIGAA | Centro de Tecnologia da Informação e Comunicação (CTIC) - (91)3201-7793 | Copyright © 2006-2024 - UFPA - morango.ufpa.br.morango2