Transfer learning for structural health monitoring

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorSilva, Samuel da-
Autor(es): dc.contributorFigueiredo, Eloi-
Autor(es): dc.creatorYano, Marcus Omori-
Data de aceite: dc.date.accessioned2025-08-21T19:58:46Z-
Data de disponibilização: dc.date.available2025-08-21T19:58:46Z-
Data de envio: dc.date.issued2023-10-31-
Data de envio: dc.date.issued2023-10-31-
Data de envio: dc.date.issued2023-10-22-
Fonte completa do material: dc.identifierhttps://hdl.handle.net/11449/251197-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/11449/251197-
Descrição: dc.descriptionStructural Health Monitoring (SHM) proposes the continuous assessment of the structural integrity to ensure the safety operation and increase the lifespan of structures from several areas. This traditional methodology still have generalization difficulties among structures, even when structures are nominally and topologically similar. The data sets present divergences between their underlying distributions that do not allow the generalization of the model estimated to different situations. In the last years, transfer learning has gained relevance due to extending the SHM concept to investigate different structures, while minimizing costs with monitoring systems and time associated with data acquisition. This methodology can change how SHM is currently proposed by leveraging knowledge gained from a well-monitored structure to improve the integrity assessment of other structures under unknown conditions. The main idea is to reuse the relevant knowledge from a labeled structure (source domain) to investigate another one (target domain) with limited data. This thesis intends to lay down the foundations of transfer learning for SHM by describing the motivations that led to its application in the analysis of structures. At first, transfer learning is applied to overcome difficulties inherent in the complexity of estimating an accurate finite element model, and unsupervised damage detection of a real bridge is performed using knowledge of its model. Then, transfer learning is combined with a stochastic model for damage detection in an experimental application and its underestimated numerical model, and the quantification of damage levels in the structure is carried out based on a requirement imposed by the transfer learning methodology. Finally, a comprehensive analysis using transfer learning is proposed to investigate three real bridges subjected to environmental and operational conditions, and the importance of the quality of knowledge transferred across different bridges for damage detection is highlighted. The transfer learning methodology indicated satisfactory results in all investigated cases and demonstrates the attractive benefits of its application, which can result in significant progress in the damage identification process considering different structures.-
Descrição: dc.descriptionOMonitoramento de integridade estrutural (SHM) propõe a avaliação contínua da condição estrutural para garantir a operação segura e aumentar a vida útil de estruturas de diversas áreas. Esta metodologia tradicional ainda apresenta dificuldades de generalização entre estruturas, mesmo quando as estruturas são nominalmente e topologicamente semelhantes. Os conjuntos de dados apresentam divergências entre suas distribuições subjacentes que não permitem a generalização do modelo estimado para diferentes situações. Nos últimos anos, a transferência de aprendizado ganhou relevância devido à extensão do conceito SHM para investigar diferentes estruturas, minimizando custos com sistemas de monitoramento e tempo associado à aquisição de dados. Essa metodologia pode mudar a forma como SHM é proposto atualmente, aproveitando o conhecimento adquirido de uma estrutura conhecida para a avaliação de outras estruturas sob condições desconhecidas. A ideia principal é reutilizar o conhecimento relevante de uma estrutura conhecida (domínio fonte) para investigar outra (domínio alvo) com dados limitados. Esta tese pretende estabelecer as bases de transferência de aprendizado para SHM. Primeiramente, a transferência de aprendizado é aplicado para superar as dificuldades inerentes à complexidade de estimar um modelo de elementos finitos preciso, e a detecção de dano não-supervisionada de uma ponte real é realizada usando o conhecimento de seu modelo. Então, a transferência de aprendizado é combinado com um modelo estocástico para detecção de dano em uma aplicação experimental e seu modelo numérico subestimado, e a quantificação dos níveis de dano na estrutura é realizada através de um requisito imposto pela metodologia de aprendizagem por transferência. Por fim, uma análise abrangente de três pontes reais submetidas a condições ambientais e operacionais é proposta, e destaca-se a importância da qualidade do conhecimento transferido para detecção de dano. A metodologia de transferência de aprendizado indicou resultados satisfatórios em todos os casos investigados e demonstra os atrativos benefícios de sua aplicação, podendo resultar em avanços significativos no processo de identificação de dano considerando diferentes estruturas.-
Descrição: dc.descriptionCoordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)-
Descrição: dc.descriptionCAPES: 88882.433643/2019- 01-
Descrição: dc.descriptionCAPES: 88887.647575/2021-00-
Descrição: dc.descriptionCAPES: 001-
Formato: dc.formatapplication/pdf-
Idioma: dc.languageen-
Publicador: dc.publisherUniversidade Estadual Paulista (UNESP)-
Direitos: dc.rightsinfo:eu-repo/semantics/openAccess-
Palavras-chave: dc.subjectTransfer learning-
Palavras-chave: dc.subjectDomain adaptation-
Palavras-chave: dc.subjectTransfer component analysis-
Palavras-chave: dc.subjectJoint distribution adaptation-
Palavras-chave: dc.subjectMaximum independence domain adaptation-
Palavras-chave: dc.subjectStructural health monitoring-
Palavras-chave: dc.subjectDamage identification-
Palavras-chave: dc.subjectAprendizagem por transferência-
Palavras-chave: dc.subjectAdaptação de domílnio-
Palavras-chave: dc.subjectAnálise de componentes de transferência-
Palavras-chave: dc.subjectAdaptação de distribuição conjunta-
Palavras-chave: dc.subjectAdaptação de domínio de independência máxima-
Palavras-chave: dc.subjectMonitoramento de integridade estrutural-
Palavras-chave: dc.subjectIdentificação de dano-
Título: dc.titleTransfer learning for structural health monitoring-
Título: dc.titleSeria transferência de aprendizado para monitoramento de integridade estrutural-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositório Institucional - Unesp

Não existem arquivos associados a este item.