
Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
| Metadados | Descrição | Idioma |
|---|---|---|
| Autor(es): dc.contributor | Universidade Estadual Paulista (UNESP) | - |
| Autor(es): dc.contributor | Besancon | - |
| Autor(es): dc.creator | Miguel, Luccas P | - |
| Autor(es): dc.creator | Teloli, Rafael de O | - |
| Autor(es): dc.creator | da Silva, Samuel | - |
| Autor(es): dc.creator | Chevallier, Gaël | - |
| Data de aceite: dc.date.accessioned | 2025-08-21T15:28:11Z | - |
| Data de disponibilização: dc.date.available | 2025-08-21T15:28:11Z | - |
| Data de envio: dc.date.issued | 2022-04-29 | - |
| Data de envio: dc.date.issued | 2022-04-29 | - |
| Data de envio: dc.date.issued | 2021-12-31 | - |
| Fonte completa do material: dc.identifier | http://dx.doi.org/10.1177/14759217211054150 | - |
| Fonte completa do material: dc.identifier | http://hdl.handle.net/11449/230554 | - |
| Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/230554 | - |
| Descrição: dc.description | Observing the loss of tightening torque using modal parameters is challenging due to the variability and nonlinear effects in bolted joints. Thus, this paper proposes a combined application of two probabilistic machine learning methods. First, a Gaussian mixture model (GMM) is learned using estimated natural frequencies, assuming the tightening torque in a safe situation. This probabilistic model can assuredly detect the lack of torque using indirect vibration measures in other unknown states by computing a damage index. A Gaussian process regression (GPR) is also learned considering a set of torque and damage index pairs in several conditions. The GPR model interpolates a curve to supply an estimative of the tightening torque for other conditions not used in this learning. An illustrative application is performed considering the Orion beam, an academic-scale specimen composed of a lap-joint configuration that retains the friction surface in contact patches. The structure is subjected to a random vibration with a controlled RMS level and several tightening torque conditions to identify the modal parameters. The probabilistic model learning via the GMM and GPR can detect adequately, with a low number of false diagnoses, the actual state of torque using an indirect measure of vibration, that is, without the need for a torque sensor on each bolt. | - |
| Descrição: dc.description | Departamento de Engenharia Mecânica Universidade Estadual Paulista Julio de Mesquita Filho Faculdade de Engenharia Campus de Ilha Solteira | - |
| Descrição: dc.description | Département Mécanique Appliquée Université de Bourgogne Franche-Comté Besancon | - |
| Descrição: dc.description | Departamento de Engenharia Mecânica Universidade Estadual Paulista Julio de Mesquita Filho Faculdade de Engenharia Campus de Ilha Solteira | - |
| Idioma: dc.language | en | - |
| Relação: dc.relation | Structural Health Monitoring | - |
| ???dc.source???: dc.source | Scopus | - |
| Palavras-chave: dc.subject | Bolted joints | - |
| Palavras-chave: dc.subject | Gaussian Mixture Model | - |
| Palavras-chave: dc.subject | Gaussian Process Regression | - |
| Palavras-chave: dc.subject | probabilistic machine learning | - |
| Palavras-chave: dc.subject | tightening torque | - |
| Título: dc.title | Probabilistic machine learning for detection of tightening torque in bolted joints | - |
| Tipo de arquivo: dc.type | livro digital | - |
| Aparece nas coleções: | Repositório Institucional - Unesp | |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: