Monitorização da saúde estrutural baseada numa abordagem híbrida no treino de algoritmos de aprendizagem automática

Abstract

A monitorização da saúde estrutural (SHM) é uma prioridade de investigação devido ao envelhecimento constante do património construído. Avanços recentes têm demonstrado a aplicabilidade de SHM para deteção de dano de forma atempada e automática. O princípio de funcionamento da SHM baseia-se no reconhecimento de padrões, com base em experiência prévia, para detetar e diagnosticar dano na estrutura monitorizada. Dados adquiridos em estruturas semelhantes, em funcionamento normal e danificadas, são utilizados como base de comparação para classificar novos dados provenientes da estrutura monitorizada. Contudo, em estruturas de Engenharia Civil, este processo é prejudicado pela falta de acesso a dados correspondentes a condições danificadas (ou em condições operacionais excecionais), o que tipicamente limita a SHM à deteção de anomalias. Esta dissertação apresenta uma abordagem híbrida a classificação da condição estrutural de pontes, baseada no treino supervisionado de algoritmos de aprendizagem de máquina, utilizando dados de monitorização da estrutura não danificada e dados numéricos correspondendo a condições operacionais excecionais e danos estruturais. A passagem pedonal de betão armado e pré-esforçado localizada junto ao campus da Universidade Lusófona foi usada como caso de estudo. A ponte foi medida através do levantamento de nuvens de pontos, o que proporcionou a sua representação tridimensional detalhada. Finalmente, o trabalho aqui apresentado valida a aplicação de telemóvel App4SHM para estimar as frequências naturais de vibração da ponte e analisar a sua condição estrutural.Structural health monitoring (SHM) has emerged as a research priority due to the constant aging of built heritage. Recent advances have demonstrated the applicability of SHM for timely and automatic damage detection. The operating principle of SHM is grounded in statistical pattern recognition, based on previous experience, to detect and diagnose damage in the monitored structure. Data acquired on similar structures, under both normal and damaged conditions, are used as a basis of comparison to classify new data coming from the monitored structure. However, in Civil Engineering structures, this process is hampered by the lack of access to data corresponding to damaged conditions (and/or uncommon operational conditions), which typically restricts SHM to outlier detection. This dissertation presents a hybrid approach to the classification of the structural condition of bridges, based on supervised training of machine learning algorithms, using monitoring data from the undamaged structure and numerical data corresponding to uncommon operational conditions and damage. The reinforced and prestressed concrete pedestrian crossing located next to the Lusófona University campus is used as a case study. The bridge was measured using point clouds, which secured its detailed three-dimensional representation. Finally, this study validates the App4SHM smartphone application to estimate natural vibration frequencies and analyze the structural condition of bridges.