
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 | Universidade Federal do Rio de Janeiro (UFRJ) | - |
| Autor(es): dc.creator | da Silva, Samuel | - |
| Autor(es): dc.creator | Ritto, Thiago G. | - |
| Data de aceite: dc.date.accessioned | 2025-08-21T21:49:33Z | - |
| Data de disponibilização: dc.date.available | 2025-08-21T21:49:33Z | - |
| Data de envio: dc.date.issued | 2025-04-29 | - |
| Data de envio: dc.date.issued | 2024-07-01 | - |
| Fonte completa do material: dc.identifier | http://dx.doi.org/10.1007/s40430-024-04986-9 | - |
| Fonte completa do material: dc.identifier | https://hdl.handle.net/11449/309289 | - |
| Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/309289 | - |
| Descrição: dc.description | The practical limitation of applying machine learning to structural health monitoring (SHM) is the availability of sufficient experimental data for training. However, obtaining an extensive training database can be expensive or complicated. Incomplete datasets can lead to overfitting, incorrect classification, or poorly generalized results. Various approaches have been proposed to overcome this limitation, including data augmentation techniques based on numerical models or data-driven methods. This paper presents a novel data-driven strategy for improving feature-SHM classification, utilizing manifold sampling with a Dirichlet distribution. The proposed approach respects the underlying manifold structure of the original datasets of the features. Two examples illustrate the method’s application: the Z-24 bridge dataset and a three-story building structure dataset from the Los Alamos National Laboratory. In both cases, the technique efficiently generates samples with minimal computational effort, facilitating data augmentation to enhance the training of unsupervised and/or supervised methods for SHM purposes. | - |
| Descrição: dc.description | Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq) | - |
| Descrição: dc.description | Department of Mechanical Engineering Universidade Estadual Paulista (UNESP), SP | - |
| Descrição: dc.description | Department of Mechanical Engineering Universidade Federal do Rio de Janeiro (UFRJ), RJ | - |
| Descrição: dc.description | Department of Mechanical Engineering Universidade Estadual Paulista (UNESP), SP | - |
| Descrição: dc.description | CNPq: 302378/2022-7 | - |
| Descrição: dc.description | CNPq: 306526/2019-0 | - |
| Idioma: dc.language | en | - |
| Relação: dc.relation | Journal of the Brazilian Society of Mechanical Sciences and Engineering | - |
| ???dc.source???: dc.source | Scopus | - |
| Palavras-chave: dc.subject | Damage detection | - |
| Palavras-chave: dc.subject | Data augmentation | - |
| Palavras-chave: dc.subject | Data-driven | - |
| Palavras-chave: dc.subject | Dirichlet distribution | - |
| Palavras-chave: dc.subject | Sampling on manifolds | - |
| Título: dc.title | Data-driven Dirichlet sampling on manifolds for structural health monitoring | - |
| 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: