Structural health monitoring for loosening detection in bolted joints

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorSilva, Samuel da-
Autor(es): dc.contributorUniversidade Estadual Paulista (UNESP)-
Autor(es): dc.creatorMiguel, Luccas Pereira-
Data de aceite: dc.date.accessioned2025-08-21T16:16:33Z-
Data de disponibilização: dc.date.available2025-08-21T16:16:33Z-
Data de envio: dc.date.issued2025-04-25-
Data de envio: dc.date.issued2025-01-26-
Fonte completa do material: dc.identifierhttps://hdl.handle.net/11449/296752-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/11449/296752-
Descrição: dc.descriptionJuntas parafusadas são uma solução comum na construção de estruturas industriais. Apesar da sua eficácia, elas requerem verificações regulares para prevenir falhas, como as causadas pelo afrouxamento dos parafusos. No entanto, inspeções convencionais são dispendiosas e demoradas, exigindo paradas operacionais para verificação manual. Consequentemente, a detecção indireta de desaperto é um desafio significativo, dificultado por efeitos de variabilidade e não-linearidade. Neste contexto, esta tese propõe novas contribuições para a detecção de perda de aperto através do monitoramento de integridade estrutural (SHM). Três desafios principais são abordados: primeiro, a detecção é conduzida sob condições de baixa repetibilidade, incluindo a montagem e desmontagem da junta. Um Modelo de Mistura Gaussiana (GMM) é treinado usando frequências naturais em uma condição saudável. Em seguida, este modelo avalia a segurança de um novo dado em um estado desconhecido. Uma Regressão por Processo Gaussiano (GPR) também é feita considerando um conjunto de pares de torque e índice de dano sob várias condições. O modelo GPR então estima o torque de aperto interpolando uma curva para dados não considerados na etapa de aprendizagem. O segundo desafio é propor uma abordagem de detecção de danos que não utilize procedimento de extração de atributos, mas sim o sinal de resposta em frequência adquirido. Um GPR é treinado sobre as funções de transmissibilidade para identificar um metamodelo de referência no domínio da frequência. Em seguida, um índice de dano baseado na GPR é formulado para a detecção de outliers. O trabalho também propõe uma Análise de Sensibilidade Global (GSA) via índices de Sobol como método de seleção de atributos. Assim, avaliou-se se variações no índice de dano em uma faixa de frequência estão correlacionadas com alterações estruturais, indicando sensibilidade ao dano. Por fim, na terceira aplicação, o GPR é estendido para uma regressão tridimensional capaz de entender como a não-linearidade evolui à medida que o nível de excitação aumenta. O índice de dano demonstrou eficácia significativa na aprendizagem e distinção de diferentes regimes de movimento. Além disso, diferencia efetivamente as mudanças induzidas pela transição entre eles daquelas causadas pelo desaperto da junção. Portanto, com uma seleção adequada de atributos, ambas as metodologias propostas foram capazes de identificar a perda de aperto com baixa quantidade de falsos-alarmes.-
Descrição: dc.descriptionJuntas parafusadas são uma solução comum na construção de estruturas industriais. Apesar da sua eficácia, elas requerem verificações regulares para prevenir falhas, como as causadas pelo afrouxamento dos parafusos. No entanto, inspeções convencionais são dispendiosas e demoradas, exigindo paradas operacionais para verificação manual. Consequentemente, a detecção indireta de desaperto é um desafio significativo, dificultado por efeitos de variabilidade e não-linearidade. Neste contexto, esta tese propõe novas contribuições para a detecção de perda de aperto através do monitoramento de integridade estrutural (SHM). Três desafios principais são abordados: primeiro, a detecção é conduzida sob condições de baixa repetibilidade, incluindo a montagem e desmontagem da junta. Um Modelo de Mistura Gaussiana (GMM) é treinado usando frequências naturais em uma condição saudável. Em seguida, este modelo avalia a segurança de um novo dado em um estado desconhecido. Uma Regressão por Processo Gaussiano (GPR) também é feita considerando um conjunto de pares de torque e índice de dano sob várias condições. O modelo GPR então estima o torque de aperto interpolando uma curva para dados não considerados na etapa de aprendizagem. O segundo desafio é propor uma abordagem de detecção de danos que não utilize procedimento de extração de atributos, mas sim o sinal de resposta em frequência adquirido. Um GPR é treinado sobre as funções de transmissibilidade para identificar um metamodelo de referência no domínio da frequência. Em seguida, um índice de dano baseado na GPR é formulado para a detecção de outliers. O trabalho também propõe uma Análise de Sensibilidade Global (GSA) via índices de Sobol como método de seleção de atributos. Assim, avaliou-se se variações no índice de dano em uma faixa de frequência estão correlacionadas com alterações estruturais, indicando sensibilidade ao dano. Por fim, na terceira aplicação, o GPR é estendido para uma regressão tridimensional capaz de entender como a não-linearidade evolui à medida que o nível de excitação aumenta. O índice de dano demonstrou eficácia significativa na aprendizagem e distinção de diferentes regimes de movimento. Além disso, diferencia efetivamente as mudanças induzidas pela transição entre eles daquelas causadas pelo desaperto da junção. Portanto, com uma seleção adequada de atributos, ambas as metodologias propostas foram capazes de identificar a perda de aperto com baixa quantidade de falsos-alarmes.-
Descrição: dc.descriptionFundação de Amparo à Pesquisa do Estado de São Paulo (FAPESP)-
Descrição: dc.descriptionFAPESP: 2020/07449-7-
Formato: dc.formatapplication/pdf-
Idioma: dc.languageen-
Publicador: dc.publisherUniversidade Estadual Paulista (UNESP)-
Direitos: dc.rightsinfo:eu-repo/semantics/openAccess-
Palavras-chave: dc.subjectBolted joints-
Palavras-chave: dc.subjectTightening torque-
Palavras-chave: dc.subjectStructural health monitoring-
Palavras-chave: dc.subjectGaussian mixture model-
Palavras-chave: dc.subjectGaussian process regression-
Palavras-chave: dc.subjectGlobal sensitivity analysis-
Palavras-chave: dc.subjectJuntas parafusadas-
Palavras-chave: dc.subjectTorque de aperto-
Palavras-chave: dc.subjectMonitoramento de integridade estrutural-
Palavras-chave: dc.subjectMisturas gaussianas-
Palavras-chave: dc.subjectProcessos gaussianos-
Palavras-chave: dc.subjectAnálise de sensibilidade global-
Título: dc.titleStructural health monitoring for loosening detection in bolted joints-
Título: dc.titleMonitoramento da integridade estrutural para detecção de desaperto em juntas parafusadas-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositório Institucional - Unesp

Não existem arquivos associados a este item.