Contributions on SHM in composite materials : lamb wave analysis via 1D CNN with numerical models

Abstract

As ondas Lamb são uma técnica promissora para monitoramento da saúde estrutural (SHM) de estruturas de paredes finas devido à sua sensibilidade a vários tipos de danos. O principal objetivo desta Tese é propor novas contribuições na aplicação de redes neurais convolucionais unidimensionais (1D CNNs) na detecção de danos em estruturas compostas usando ondas Lamb, focando principalmente na avaliação do impacto da disponibilidade de dados experimentais e propondo maneiras de reduzir as limitações de dados experimentais relacionadas ao treinamento de algoritmos de aprendizado de máquina. A primeira parte do estudo examina a sensibilidade das 1D CNNs ao volume de dados de treinamento e a precisão na localização de danos, utilizando esses algoritmos para analisar sinais de ondas Lamb e comparando os resultados com os obtidos por redes neurais tradicionais (MLPs) alimentadas com índices de danos calculados a partir dos sinais. Na segunda parte, é proposto um método de atualização estocástico baseado em inferencia Bayesiana para modelos de elementos finitos, com o intuito de incorporar incerteza experimental em simulações numéricas. O método de atualização estocástica é dividido em duas etapas: uma análise de sensibilidade usando Índices de Sobol e um processo de inferência Bayesiana usando simulações de Cadeia de Markov Monte Carlo (MCMC) e o algoritmo de amostragem de Metropolis-Hastings. Além disso, é proposto um novo modelo de substituição baseado em redes neurais para substituir o modelo de elementos finitos no processo de inferência Bayesiana. Finalmente, na terceira parte, o estudo avalia o desempenho das 1D CNNs em cenários com disponibilidade limitada de dados experimentais e variação de temperaturas. Análises comparativas são feitas usando conjuntos de dados experimentais, numéricos gerados por um modelo estocástico e híbridos durante a fase de treinamento. As principais contribuições desta tese incluem (i) o desenvolvimento de uma estratégia de localização de danos utilizando 1D CNNs, (ii) um método para atualização estocástica de modelos de elementos finitos considerando incertezas experimentais e efeitos de temperatura, (iii) a proposição de um modelo de substituição baseado em rede neurais para acelerar o processo de inferência Bayesiana em aplicações de ondas Lamb, e (iv) uma metodologia para treinar 1D CNNs com um conjunto de dados experimentais limitado.