Metodologia para o monitoramento de integridade estrutural por meio de vibrações mecânicas

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorSantos, Fábio Lúcio-
Autor(es): dc.contributorLima Junior, Paulo de Oliveira-
Autor(es): dc.contributorMachado, Túlio de Almeida-
Autor(es): dc.contributorBorges, Paulo Roberto-
Autor(es): dc.contributorVelloso, Nara Silveira-
Autor(es): dc.creatorBrito, Daniela Seda Salgado de-
Data de aceite: dc.date.accessioned2026-02-09T11:23:56Z-
Data de disponibilização: dc.date.available2026-02-09T11:23:56Z-
Data de envio: dc.date.issued2025-08-27-
Data de envio: dc.date.issued2025-06-30-
Fonte completa do material: dc.identifierhttps://repositorio.ufla.br/handle/1/60242-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/1140024-
Descrição: dc.descriptionStructural integrity of bridges is essential to ensure the safety and durability of civil engineering works, especially in regions subject to adverse conditions. However, traditional inspection methods are often time-consuming, costly, and invasive, which has driven the development of non-destructive techniques based on dynamic structural analysis. In this context, Structural Health Monitoring (SHM), which combines vibration measurements with artificial intelligence, emerges as a promising alternative for rapid, accurate, and automated damage detection and classification. Based on this approach, the main objective of this study was to develop an efficient methodology for damage detection in bridges through the analysis of mechanical vibrations. To achieve this goal, laboratory measurement protocols were established, a physical scaled-down bridge model was constructed, dynamic response analyses were carried out, and artificial intelligence techniques were applied to identify and classify the severity of structural damage. The proposed methodology was initially validated through tests on wooden beams with simulated defects, which enabled the creation of a robust and representative dataset for training Artificial Neural Networks (ANNs). Three hammer tips (plastic, metal, and rubber) were tested, with damage simulated by notches and different numbers of hidden layer neurons (ranging from 5 to 200). The best results were obtained using the plastic hammer tip, with accuracy ranging from 0.85 to 0.90 and kappa coefficient between 0.77 and 0.87, particularly with configurations of 25 to 35 neurons. The rubber and metal tips also showed solid performance, with accuracy between 0.82 and 0.88, and kappa values between 0.70 and 0.87, depending on the configuration. Subsequently, the approach was applied to a reinforced concrete bridge prototype, also at a reduced scale, equipped with 12 strategically positioned accelerometers and subjected to controlled excitations using an impact hammer. This practical application allowed the methodology’s performance to be assessed in a more complex and realistic structural system. Modal testing revealed that the peak response values of the accelerometers varied significantly with the progression of the notches. For example, accelerometer Ac2 showed an increase in response values from 0.92 (undamaged) to 1.17 (section 4), while Ac7 ranged from 0.54 (undamaged) to 0.65 (section 4). In contrast, some sensors such as Ac5 exhibited a sharp reduction in response, with values dropping from 1.45 (undamaged) to 0.03 (section 4), indicating localized loss of structural stiffness. Although the methodology proved effective in identifying dynamic changes in the prototype, the artificial neural network (ANN) showed an initially satisfactory performance (accuracy of 57.14% and Kappa of 0.36), with emphasis on the correct identification of the most severe damages (Section 4), which had a sensitivity of 66.7% and a positive predictive value of 100%. The limitation in the results of the other classes is related to the small variety of applied damages. It is expected that, with the introduction of new damage scenarios, the model will improve its learning and significantly increase its accuracy.-
Descrição: dc.descriptionConselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq)-
Descrição: dc.descriptionCoordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)-
Descrição: dc.descriptionA integridade estrutural de pontes é fundamental para garantir a segurança e a durabilidade das obras civis, especialmente em regiões sujeitas a condições adversas. No entanto, métodos tradicionais de inspeção muitas vezes são demorados, dispendiosos e invasivos, o que tem impulsionado o desenvolvimento de técnicas não destrutivas baseadas na análise dinâmica das estruturas. Nesse contexto, o Monitoramento da Integridade Estrutural (Structural Health Monitoring – SHM), que combina medições de vibração com inteligência artificial, surge como uma alternativa promissora para a detecção e classificação de danos de forma rápida, precisa e automatizada. Com base nessa abordagem, o objetivo principal deste trabalho foi desenvolver uma metodologia eficiente para a detecção de danos em pontes por meio da análise de vibrações mecânicas. Para alcançar esse propósito, foram estabelecidos protocolos de medição em laboratório, construído um modelo físico em escala reduzida de uma ponte, realizadas análises das respostas dinâmicas e aplicadas técnicas de inteligência artificial para a identificação e classificação da severidade dos danos estruturais. A metodologia proposta foi inicialmente validada por meio de ensaios em vigas de madeira com defeitos simulados, o que possibilitou a criação de um banco de dados robusto e representativo para o treinamento de Redes Neurais Artificiais (RNAs). Foram testadas três ponteiras (plástica, metálica e de borracha), com variações de dano por entalhes e diferentes configurações de neurônios na camada oculta (de 5 a 200). Os melhores resultados foram obtidos com a ponteira plástica, com acurácia variando entre 0,85 e 0,90 e coeficiente kappa entre 0,77 e 0,87, destacando-se as configurações com 25 a 35 neurônios. As ponteiras de borracha e metálica também apresentaram desempenho sólido, com acurácia entre 0,82 e 0,88, e kappa entre 0,70 e 0,87, dependendo da configuração adotada. Posteriormente, a abordagem foi aplicada a um protótipo de ponte em concreto armado, também em escala reduzida, equipado com 12 acelerômetros estrategicamente posicionados e submetido a excitações controladas com martelo de impacto. Essa aplicação prática permitiu avaliar o desempenho da metodologia em um sistema estrutural mais complexo e realista. Os ensaios modais revelaram que os valores máximos de resposta dos acelerômetros apresentaram variações importantes com a progressão dos defeitos induzidos. Por exemplo, o acelerômetro Ac2 mostrou aumento dos valores de resposta de 0,92 (intacto) para 1,17 (seção 4), enquanto o Ac7 variou de 0,54 (intacto) para 0,65 (seção 4). Em contrapartida, alguns sensores, como o Ac5, exibiram redução acentuada na resposta, com valores caindo de 1,45 (intacto) para 0,03 (seção 4), indicando perda de rigidez estrutural local. Apesar da metodologia demonstrar eficácia na identificação das alterações dinâmicas no protótipo, a rede neural artificial (RNA) apresentou desempenho inicial satisfatório (acurácia de 57,14% e Kappa de 0,36), com destaque para a correta identificação dos danos mais severos (Seção 4), cuja sensibilidade foi de 66,7% e valor preditivo positivo de 100%. A limitação nos resultados das demais classes está relacionada à pequena variedade de danos aplicados. A expectativa é que, com a introdução de novos cenários de dano, o modelo aprimore seu aprendizado e aumente sua acurácia de forma significativa.-
Descrição: dc.descriptionSociais-
Descrição: dc.descriptionTecnológico-
Descrição: dc.descriptionEconômicos-
Descrição: dc.descriptionMeio ambiente-
Descrição: dc.descriptionTecnologia e produção-
Descrição: dc.descriptionTrabalho-
Descrição: dc.descriptionODS 9: Indústria, inovação e infraestrutura-
Descrição: dc.descriptionODS 11: Cidades e comunidades sustentáveis-
Descrição: dc.descriptionODS 13: Ação contra a mudança global do clima-
Formato: dc.formatapplication/pdf-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Publicador: dc.publisherUniversidade Federal de Lavras-
Publicador: dc.publisherPrograma de Pós-Graduação em Engenharia Agrícola-
Publicador: dc.publisherUFLA-
Publicador: dc.publisherbrasil-
Publicador: dc.publisherEscola de Engenharia (EENG)-
Direitos: dc.rightsAttribution 3.0 Brazil-
Direitos: dc.rightshttp://creativecommons.org/licenses/by/3.0/br/-
Palavras-chave: dc.subjectAnálise modal-
Palavras-chave: dc.subjectRedes neurais artificiais-
Palavras-chave: dc.subjectDetecção de danos-
Palavras-chave: dc.subjectMonitoramento estrutural-
Palavras-chave: dc.subjectEstruturas em escala reduzida-
Palavras-chave: dc.subjectProtótipo-
Palavras-chave: dc.subjectModal analysis-
Palavras-chave: dc.subjectArtificial neural networks-
Palavras-chave: dc.subjectDamage detection-
Palavras-chave: dc.subjectStructural health monitoring-
Palavras-chave: dc.subjectReduced-scale structures-
Palavras-chave: dc.subjectPrototype-
Palavras-chave: dc.subjectCIENCIAS AGRARIAS::ENGENHARIA AGRICOLA-
Título: dc.titleMetodologia para o monitoramento de integridade estrutural por meio de vibrações mecânicas-
Título: dc.titleMethodology for structural health monitoring through mechanical vibrations-
Tipo de arquivo: dc.typetese-
Aparece nas coleções:Repositório Institucional da Universidade Federal de Lavras (RIUFLA)

Não existem arquivos associados a este item.