Banca de DEFESA: WILL JOSÉ DE LIMA JÚNIOR

Uma banca de DEFESA de DOUTORADO foi cadastrada pelo programa.
DISCENTE : WILL JOSÉ DE LIMA JÚNIOR
DATA : 18/12/2024
HORA: 09:00
LOCAL: Sessão remota através do link: https://encurt.top/FbFaC
TÍTULO:

IDENTIFICAÇÃO DE DANOS EM ELEMENTOS ESTRUTURAIS LINEARES UTILIZANDO METODOLOGIAS DE MODELO HÍBRIDO BASEADO NA FÍSICA E ORIENTADO A DADOS, MACHINE LEARNING E DIGITAL TWIN 

PALAVRAS-CHAVES:

Machine learning, digital twin, modelo híbrido, dinâmica das estruturas, identificação de dano.

PÁGINAS: 169
RESUMO:

Este trabalho apresenta um novo framework de monitoramento da integridade estrutural para identificação de danos em elementos estruturais lineares de aço (barras comprimidas e vigas), no contexto de sistemas dinâmicos. O framework integra um modelo híbrido baseado na física e orientado a dados (que pode resultar em um modelo generalizável, acurado, interpretável e computacionalmente eficiente) e métodos de machine learning supervisionado, para a construção de um framework digital twin. As equações governantes do movimento da estrutura íntegra, descobertas pela modelagem híbrida, são usadas para simular a resposta do sistema com dano em diferentes locais e intensidades. A partir dessas simulações, um conjunto de dados é construído para treinar os classificadores de machine learning, considerando os cenários da estrutura com dano e sem dano. O framework digital twin relaciona as entradas do physical twin a cenários de danos específicos, para avisar rapidamente se houver dano, onde está localizado e qual a sua intensidade, de forma que possa apoiar as decisões de engenharia. O framework DT foi avaliado em diferentes configurações de aplicações, demonstrando a potencial contribuição para o estabelecimento de sistemas SHM. O Support Vector Machine foi o classificador que apresentou melhor desempenho, com precisão de 93,97% para a barra engastada e 80,33% para a barra biengastada. Os danos nas barras engastada e biengastada, considerando a vibração axial, foram identificados e robustos para determinados níveis de ruído. No entanto, foi constatado que identificar dano em estruturas hiperestáticas é mais desafiador. A identificação de dano em vigas, considerando a vibração transversal, se mostrou promissora, com precisão de 84,31%, para o classificador Support Vector Machine usando recurso de deslocamento, e 99,98% para o classificador Análise Discriminante Quadrática usando recursos de deslocamento e aceleração. 

MEMBROS DA BANCA:
Presidente - 1640290 - WAYNE SANTOS DE ASSIS
Interno(a) - 1846598 - EDUARDO TOLEDO DE LIMA JUNIOR
Interno(a) - 1742402 - JOAO PAULO LIMA SANTOS
Externo(a) ao Programa - 1647956 - ANDRE LUIZ LINS DE AQUINO - UFALExterno(a) ao Programa - 1916534 - FABIANE DA SILVA QUEIROZ - UFALExterno(a) à Instituição - LEANDRO MOUTA TRAUTWEIN - UNICAMP