IDENTIFICAÇÃO DE DANOS ESTRUTURAIS VIA SELEÇÃO DE MODELOS E COMPUTAÇÃO BAYESIANA
Documento
Informações da Tese
Título
IDENTIFICAÇÃO DE DANOS ESTRUTURAIS VIA SELEÇÃO DE MODELOS E COMPUTAÇÃO BAYESIANA
Autor
Michael Leone Madureira de Souza
Resumo
Problemas inversos formulados sob a perspectiva Bayesiana combinam informações a priori, modelos computacionais e dados experimentais, o que a torna uma abordagem promissora para sistemas estruturais. Entretanto, a formulação Bayesiana “padrão” exige a definição de uma função de verossimilhança que, a depender das variáveis adotadas e dados medidos, pode ser de difícil derivação. Nesse contexto, a metodologia Approximate Bayesian Computation (ABC) oferece uma alternativa eficaz que substitui a formulação explícita da verossimilhança por uma avaliação direta entre os dados numéricos e os dados medidos. Neste trabalho, propõe-se uma estratégia de detecção de danos com base em seleção de modelos. A proposta incorpora um esquema adaptativo para a tolerância dos critérios de aceitação do algoritmo ABC-SMC Approximate Bayesian Computation - Sequential Monte Carlo. A metodologia foi aplicada ao Benchmark Phase I da IASC-ASCE e a uma viga de alumínio situada no Laboratório de Estruturas do Programa de Engenharia Civil da COPPE/UFRJ. O objetivo é avaliar o desempenho da proposta em fornecer diagnóstico acurados mesmo em cenários de incerteza, tais como as incertezas associadas a parâmetros, ao modelo computacional e ao mecanismo de dissipação de energia do sistema, assim como em situações de medição incompleta e desconhecimento sobre a condição de integridade atual e pregressa do sistema. As frequências naturais e formas modais foram as duas features adotadas para compor as métricas de avaliação da discrepância entre os dados numéricos e observados. Os resultados demonstram a capacidade da metodologia proposta em fornecer diagnósticos acurados mesmo em ambientes de incerteza paramétrica e epistêmica.
Abstract
Inverse problems governed by the Bayesian framework integrate prior information, computational models, and experimental data, making this approach promising for structural systems. However, the traditional Bayesian formulation requires defining a likelihood function. Depending on the chosen variables and the measured data, this can be challenging. In this regard, the Approximate Bayesian Computation (ABC) methodology offers a compelling alternative by eliminating the need for an explicit likelihood function, instead focusing on a direct comparison between numerical and measured data. This work introduces a damage detection strategy based on model selection. The approach features an adaptive scheme for determining acceptance criteria within the ABC-SMC (Approximate Bayesian Computation – Sequential Monte Carlo) algorithm. The methodology was applied to the Benchmark Phase I of the IASC-ASCE, as well as to an aluminium beam located at the Structures Laboratory of the Civil Engineering Program at COPPE/UFRJ. The goal is to evaluate the effectiveness of the proposed strategy in delivering accurate diagnostics even in scenarios laden with uncertainty, including uncertainties related to parameters, computational models, and the system’s energy dissipation mechanisms. It also addresses situations involving incomplete measurements and limited knowledge regarding the current and past integrity conditions of the system. Natural frequencies and mode shapes were selected as key features to assess discrepancies between numerical and observed data. The results illustrate the proposed methodology’s ability to provide accurate diagnostics, even in environments characterised by both parametric and epistemic uncertainty.
Ano
2025
Orientadores
Ney Roitman | Daniel Alves Castello