Contribuições para Sombras Digitais por meio de Sensoriamento Virtual para o Monitoramento da Integridade Estrutural de Infraestruturas Baseado em População

• Processo: 25/05664-1
• Modalidade de apoio: Bolsas no Brasil - Doutorado
• Data de Início da vigência: 01 de agosto de 2025
• Data de Término da vigência: 28 de fevereiro de 2029
• Área de conhecimento: Engenharias - Engenharia Mecânica - Mecânica dos Sólidos
• Pesquisador responsável: Samuel da Silva
• Beneficiário: Henrique Cordeiro Novais
• Instituição Sede: Faculdade de Engenharia (FEIS). Universidade Estadual Paulista (UNESP). Campus de Ilha Solteira. Ilha Solteira , SP, Brasil
• Assunto(s): Transferência de aprendizado de máquina Monitoramento de integridade estrutural
• Palavra(s)-Chave do Pesquisador: Co-kriging | digital shadow | Particle Filters | Structural Health Monitoring | Transfer Learning | virtual sensing | Structural Health Monitoring (SHM)

Resumo

Garantir a segurança operacional e monitorar a vida útil de infraestruturas, como pontes e torres eólicas, exige um acompanhamento contínuo combinado com inspeções estruturais, principalmente por meio de métodos de monitoramento da integridade estrutural (SHM). No entanto, apesar dos avanços significativos em algoritmos de aprendizado de máquina e em hardware, como novos sensores, ainda é um desafio encontrar soluções abrangentes, econômicas e eficientes. Essas soluções devem proporcionar uma alta probabilidade de detecção com baixas taxas de falsos positivos e negativos. Um dos principais desafios é a disponibilidade limitada de dados adequados para treinar classificadores ou extrair informações de referência durante a fase de implementação de infraestruturas saudáveis. Além disso, o alto custo do monitoramento - especialmente de sensores e sistemas de aquisição de dados - pode ser proibitivo para grandes populações de infraestruturas. Por exemplo, em parques eólicos com centenas de turbinas, restrições orçamentárias frequentemente impedem a instalação de sensores em todas as turbinas. Nesse contexto, esta tese busca contribuir propondo o uso de metamodelos para regressão e classificação das condições estruturais, utilizando dados de sensores provenientes de uma população de infraestruturas, assumindo que algumas são bem monitoradas com dados de alta qualidade, enquanto outras possuem informações sensoriais limitadas. O foco será equilibrar as fontes e os alvos de dados: conjuntos de dados com históricos extensos e informações de alta qualidade serão combinados com conjuntos limitados, caracterizados por dados esparsos, registros históricos reduzidos ou menor quantidade de sensores. Para alcançar esse objetivo, será empregada uma estratégia de co-kriging para balancear as métricas extraídas e gerar um modelo de sombra digital capaz de acompanhar a integridade estrutural das infraestruturas. O trabalho pretende utilizar mais de dois conjuntos de dados. Para melhorar a qualidade de conjuntos com sensores esparsos ou de baixa qualidade, será aplicado o sensoriamento virtual, complementando as informações disponíveis. A tese adotará filtros de partículas como estimadores, devido à sua capacidade de lidar com condições gerais, como possíveis não linearidades, e à sua formulação baseada em inferência Bayesiana. Além disso, ferramentas de transferência de aprendizado, como a adaptação de domínio, serão utilizadas para transferir conhecimento entre modelos de sombra digital no diagnóstico das condições estruturais. Os exemplos de aplicação incluirão medições de deformação e dados de vibração de estruturas de referência, como pontes e torres de turbinas eólicas, além de dados experimentais em escala laboratorial e, potencialmente, dados de campo fornecidos por colaboradores internacionais com os quais a tese pretende estabelecer parcerias. (AU)