Avaliação da classificação de danos para monitoramento de falhas estruturais em superfícies aeronáuticas utilizando ondas guiadas
Estruturas aeronáuticas e aeroespaciais sofrem com o desgaste e eventos inesperados que podem afetar sua condição original e vida útil. A manutenção destes equipamentos é geralmente baseada em inspeções periódicas e ensaios não destrutivos (NDE) tradicionais. Diferentemente dos NDE, o monitoramento...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Estado: | Versión publicada |
| Fecha de publicación: | 2023 |
| País: | Brasil |
| Institución: | Universidade Federal de Pernambuco (UFPE) |
| Repositorio: | Repositório Institucional da UFPE |
| Idioma: | portugués |
| OAI Identifier: | oai:repositorio.ufpe.br:123456789/59994 |
| Acceso en línea: | https://repositorio.ufpe.br/handle/123456789/59994 |
| Access Level: | acceso abierto |
| Palabra clave: | Monitoramento de Integridade Estrutural Ondas de Lamb Algoritmos de Aprendizagem de Máquina Extreme Gradient Boosting |
| Sumario: | Estruturas aeronáuticas e aeroespaciais sofrem com o desgaste e eventos inesperados que podem afetar sua condição original e vida útil. A manutenção destes equipamentos é geralmente baseada em inspeções periódicas e ensaios não destrutivos (NDE) tradicionais. Diferentemente dos NDE, o monitoramento de integridade estrutural (SHM) foca na detecção e avaliação de danos estruturais de forma contínua, aumentando a segurança operacional e eficiência da manutenção. Neste contexto, técnicas de detecção de dano por ondas de Lamb são comumente empregadas e trazem grandes desafios na sua interpretação, um destes desafios é a classificação eficiente de diferentes tipos de dano, sendo importante para o direcionamento das ações de manutenção da estrutura. Neste estudo, o Método dos Elementos Finitos (FEM) é aplicado para simular de forma custo-eficiente diversos estados estruturais através da parametrização de características do dano. Uma Transformada Wavelet Contínua é aplicada aos sinais e a média dos dados de potência do sinal são discretizados, criando os chamados Damage Characteristic Points (DCP), que são utilizados como entrada para treinamento dos algoritmos de Machine Learning. Esta pesquisa investiga metodologias previamente propostas em literatura, expandindo o número de amostras previamente utilizadas e aplicando os DCPs de forma inédita para a classificação de diferentes tipos de dano em chapas metálicas finas. Os algoritmos de Redes Neurais Artificiais (ANN), Support Vector Machines (SVM), comumente utilizados em literatura, são empregados e é proposta a aplicação do algoritmo Extreme Gradient Boosting (XGBoost) como uma melhor opção para utilização em conjunto com DCPs. Os algoritmos são comparados no desempenho da classificação de três diferentes tipos de dano com localização e severidade variadas. Resultados mostram uma acurácia de até 95% do XGBoost frente a 91% e 82% da ANN e SVM, respectivamente, para o mesmo conjunto de dados. |
|---|