Banca de DEFESA: MOISES FELIPE MELLO DA SILVA

Uma banca de DEFESA de DOUTORADO foi cadastrada pelo programa.
DISCENTE: MOISES FELIPE MELLO DA SILVA
DATA: 28/09/2020
HORA: 09:00
LOCAL: SKYPE
TÍTULO:

MACHINE LEARNING AND COMPUTER VISION TECHNIQUES FOR DAMAGE DETECTION AND MODAL ANALYSIS

PALAVRAS-CHAVES:

Monitoramento dinâmico baseado em visão, Separação cega de fonte, Análise modal, Extração de características sensitivas a dano, Rede auto-codificável, Clusterização

PÁGINAS: 177
GRANDE ÁREA: Engenharias
ÁREA: Engenharia Elétrica
RESUMO:

À medida em que o processo de monitoramento da integridade estrutural (do inglês, Structural Health Monitoring - SHM) evolui na sua transição da academia para a indústria novos desafios surgem de sua aplicação. Variações normais na dinâmica estrutural causadas por condições de variabilidade operacional e ambiental continuam exercendo o posto de maior desafio na aplicação de sistemas autônomos de monitoramento. Nestes casos, estes efeitos mascaram a existência de danos estruturais e alteram o seu nível de severidade. No contexto de aplicações para SHM a normalização de dados se refere ao processo de filtragem dos efeitos de variabilidade a fim de prover uma avaliação adequada da integridade estrutural. Embora o número de abordagens para normalização esteja em rápido crescimento, a maioria ainda sofre por problemas derivados de condições iniciais a serem satisfeitas, como por exemplo restrições acerca das características estatísticas dos dados de entrada (e, consequentemente, da resposta estrutural), assim como o elevado número de parâmetros de entrada a serem ajustados. No outro lado dessa questão encontra-se a crescente necessidade de abordagens para a aquisição autônoma de dados sem contato direto com a estrutura. Esta demanda tem direcionado o desenvolvimento de técnicas baseadas em visão para a análise e identificação modal, as quais podem ser acopladas a modelos de aprendizado de máquina para o monitoramente dinâmico em tempo-real. Apesar de algumas recentes aplicações de técnicas de visão computacional para SHM, a maioria dos trabalhos continua exigindo o posicionamento de objetos e/ou marcadores de alto contraste na superfície da estrutura para possibilitar a sua fácil detecção em vídeo para o fim de monitorar as suas variações dinâmicas, reduzindo assim a gama de aplicações possíveis. O presente trabalho visa o desenvolvimento de novas abordagens para a aquisição de dados, análise modal e detecção de danos baseados em visão computacional e aprendizado de máquina, capazes de identificar modos de vibração com altíssima resolução espacial a partir de medições de vídeo, além de detectar e potencialmente quantificar o nível de dano em estruturas de complexidade arbitrária. Primeiro, modelos de aprendizado de máquina são propostos para a detecção de danos com o uso de dados de vibração oriundos de acelerômetros. Neste caso, uma rede neural profunda auto-codificável é projetada para aprender a condição de vibração normal da estrutura e assim identificar condições anômalas a partir de alterações nas suas frequências modais. Ainda, uma técnica de clusterização é proposta para a detecção de danos e classificação de diferentes tipos de condições estruturais, provendo assim uma melhor compreensão acerca do comportamento dinâmico. Esse procedimento  é capaz de autonomamente descobrir o número ótimo de clusters a serem descobertos, os quais indiretamente representam os principais tipos de condições normais as quais a estrutura já esteve sujeita (por exemplo, variações de temperatura, efeitos de carga, e vento forte). Em segundo, técnicas para a identificação cega de modos estruturais com alta resolução a partir de câmeras de vídeo são propostos para o fim de análise modal em 2D. Além disso, introduzimos a primeira técnica efetiva para análise modal em 3D a partir de nuvens dinâmicas de pontos obtidas com o uso de sensores time-of-flight disponíveis comercialmente. Neste caso, soluções para o problema da separação cega de fonte são empregadas para estimar modos de vibração em 3D, coordenadas modais, e outros parâmetros de interesse com o uso de uma versão adaptada da técnica usada para estimar modos em 2D. As abordagens propostas possuem um inerente potencial de aplicação em diversas áreas, por serem capazes de realizar decomposição de fenômenos em estruturas de natureza diversa, potencialidade a qual é demonstrada através de simulações e experimentos laboratoriais, bem como em conjuntos de dados obtidos a partir de sistemas de monitoramento em estruturas reais.

À medida em que o processo de monitoramento da integridade estrutural (do inglês, Structural Health Monitoring - SHM) evolui na sua transição da academia para a indústria novos desafios surgem de sua aplicação. Variações normais na dinâmica estrutural causadas por condições de variabilidade operacional e ambiental continuam exercendo o posto de maior desafio na aplicação de sistemas autônomos de monitoramento. Nestes casos, estes efeitos mascaram a existência de danos estruturais e alteram o seu nível de severidade. No contexto de aplicações para SHM a normalização de dados se refere ao processo de filtragem dos efeitos de variabilidade a fim de prover uma avaliação adequada da integridade estrutural. Embora o número de abordagens para normalização esteja em rápido crescimento, a maioria ainda sofre por problemas derivados de condições iniciais a serem satisfeitas, como por exemplo restrições acerca das características estatísticas dos dados de entrada (e, consequentemente, da resposta estrutural), assim como o elevado número de parâmetros de entrada a serem ajustados. No outro lado dessa questão encontra-se a crescente necessidade de abordagens para a aquisição autônoma de dados sem contato direto com a estrutura. Esta demanda tem direcionado o desenvolvimento de técnicas baseadas em visão para a análise e identificação modal, as quais podem ser acopladas a modelos de aprendizado de máquina para o monitoramente dinâmico em tempo-real. Apesar de algumas recentes aplicações de técnicas de visão computacional para SHM, a maioria dos trabalhos continua exigindo o posicionamento de objetos e/ou marcadores de alto contraste na superfície da estrutura para possibilitar a sua fácil detecção em vídeo para o fim de monitorar as suas variações dinâmicas, reduzindo assim a gama de aplicações possíveis. O presente trabalho visa o desenvolvimento de novas abordagens para a aquisição de dados, análise modal e detecção de danos baseados em visão computacional e aprendizado de máquina, capazes de identificar modos de vibração com altíssima resolução espacial a partir de medições de vídeo, além de detectar e potencialmente quantificar o nível de dano em estruturas de complexidade arbitrária. Primeiro, modelos de aprendizado de máquina são propostos para a detecção de danos com o uso de dados de vibração oriundos de acelerômetros. Neste caso, uma rede neural profunda auto-codificável é projetada para aprender a condição de vibração normal da estrutura e assim identificar condições anômalas a partir de alterações nas suas frequências modais. Ainda, uma técnica de clusterização é proposta para a detecção de danos e classificação de diferentes tipos de condições estruturais, provendo assim uma melhor compreensão acerca do comportamento dinâmico. Esse procedimento  é capaz de autonomamente descobrir o número ótimo de clusters a serem descobertos, os quais indiretamente representam os principais tipos de condições normais as quais a estrutura já esteve sujeita (por exemplo, variações de temperatura, efeitos de carga, e vento forte). Em segundo, técnicas para a identificação cega de modos estruturais com alta resolução a partir de câmeras de vídeo são propostos para o fim de análise modal em 2D. Além disso, introduzimos a primeira técnica efetiva para análise modal em 3D a partir de nuvens dinâmicas de pontos obtidas com o uso de sensores time-of-flight disponíveis comercialmente. Neste caso, soluções para o problema da separação cega de fonte são empregadas para estimar modos de vibração em 3D, coordenadas modais, e outros parâmetros de interesse com o uso de uma versão adaptada da técnica usada para estimar modos em 2D. As abordagens propostas possuem um inerente potencial de aplicação em diversas áreas, por serem capazes de realizar decomposição de fenômenos em estruturas de natureza diversa, potencialidade a qual é demonstrada através de simulações e experimentos laboratoriais, bem como em conjuntos de dados obtidos a partir de sistemas de monitoramento em estruturas reais.

MEMBROS DA BANCA:
Presidente - 2153181 - JOAO CRISOSTOMO WEYL ALBUQUERQUE COSTA
Interno - 1809092 - CLAUDOMIRO DE SOUZA DE SALES JUNIOR
Interno - 1176325 - ALDEBARO BARRETO DA ROCHA KLAUTAU JUNIOR
Interno - 1353026 - CARLOS RENATO LISBOA FRANCES
Externo ao Programa - 1535051 - REGINA AUGUSTA CAMPOS SAMPAIO
Externo à Instituição - DRAGOS IONUT MOLDOVAN
Externo à Instituição - ELÓI JOÃO FARIA FIGUEIREDO