Gêmeos Digitais para o Monitoramento da Integridade Estrutural em Juntas Parafusadas usando a Aprendizagem de Máquina informada pela Física

• Processo: 22/16156-9
• Modalidade de apoio: Bolsas no Brasil - Doutorado
• Data de Início da vigência: 01 de abril de 2023
• Data de Término da vigência: 28 de fevereiro de 2027
• Área de conhecimento: Engenharias - Engenharia Mecânica - Mecânica dos Sólidos
• Pesquisador responsável: Samuel da Silva
• Beneficiário: Estevão Fuzaro de Almeida
• Instituição Sede: Faculdade de Engenharia (FEIS). Universidade Estadual Paulista (UNESP). Campus de Ilha Solteira. Ilha Solteira , SP, Brasil
• Assunto(s): Fotogrametria
• Palavra(s)-Chave do Pesquisador: Fotogrametria | Gêmeo Digital | Juntas Parafusadas | Monitoramento da Integridade Estrutural | Rede Neural informada pela Física | Monitoramento da Integridade Estrutural

Resumo

Tipicamente, os engenheiros que realizam inspeções em estruturas não são os mesmos que as projetam. Consequentemente, as abordagens baseadas em modelos são limitadas para o Mnitoramento da Integridade Estrutural (SHM), devido ao alto custo associado à obtenção de um modelo adequado. Por outro lado, é fundamental ter um modelo para alcançar uma hierarquia mais alta nos procedimentos de SHM. Assim, este projeto de doutorado pretende propor uma estratégia prática para um modelo útil para aplicações de SHM, utilizando um ponto de vista digital duplo. A ideia chave é envolver modelos orientados por dados combinados com uma Rede Neural Informada pela Física (PINN) como uma estrutura de aprendizado profundo. Como um exemplo industrial, temos o objetivo de investigar a aplicação direta deste procedimento para o monitoramento remoto de estruturas com juntas parafusadas com diferentes geometrias e montagens. Um primeiro modelo FE pode ser obtido usando imagens por fotogrametria do sistema existente a ser monitorado. Um PINN pode combinar este modelo para resolver um problema direto e inverso para obter informações sobre a pressão de contato, carga de torque nas juntas parafusadas e dissipação histerética através de aprendizagem supervisionada. Estes efeitos são modelados de forma não usual usando o modelo FE tradicional, mas poderíamos incorporar estas informações em um modelo orientado por dados para fins de previsão. Este projeto apresenta a motivação, objetivos, plano de trabalho e contexto deste estudo, engajando a contribuição científica e tecnológica.