Descripció del projecte
Hi ha una necessitat creixent al món de predir l’aparició i desenvolupament de defectes en estructures civils de manera que el seu manteniment pugui fer-se de la forma més eficient possible, estalviant costos tant econòmics com ecològics. Dins d’aquest marc, els sistemes de monitoratge de salut estructural permeten implementar conceptes de manteniment predictiu a estructures civils. El manteniment actual nacional es fa a partir de inspeccions periòdiques, però l’aplicació de la internet de les coses i metodologies de manteniment predictiu donarien informació més actualitzada que permetria reduir el nombre de sinistres.
Els objectius d’un sistema de monitoratge de salut estructural ha de complir el següent: identificar l’existència de dany (nivell 1), determinar la seva localització (nivell 2), determinar la severitat del dany (nivell 3) i predir la vida que li queda a l’estructura (nivell 4). Per assolir un sistema així seria possible automatitzar un anàlisi global per vibracions, per exemple, fent anàlisis modals operacionals, gràcies a la col·locació de sensors a punts clau de l’estructura i la implementació de la internet de les coses (IoT). L’anàlisi vibracional consisteix en l’ús de les dades obtingudes en assajos on es sotmet l’estructura estudiada a vibracions per a construir indicadors que proporcionin la informació abans mencionada. D’especial interès és el criteri complex de garantia en el domini freqüencial (CFDAC) , que no només fa servir respostes freqüencials, sinó també la seva quantificació per a correlacionar els espectres vibracionals. El CFDAC permet generar matrius que permet mostrar patrons característics a la seva diagonal per a diferents tipus i intensitats de dany.
Aquesta característica visual i d’ús de patrons de la CFDAC fa que sigui ideal per a la implementació de xarxes neuronals. Les xarxes neuronals són algoritmes que, imitant el funcionament del cervell humà, fan decisions complexes sobre dades que hi són introduïdes per tal de predir característiques d’aquestes. Les xarxes neuronals han estat un avenç molt rellevant en el camp de la detecció d’imatges donada la seva capacitat per a reconèixer patrons i la seva eficiència computacional, però requereixen un entrenament on s’introdueixin grans quantitats de dades i el resultat esperat per a cada entrada. Les seves capacitats fan a aquest algoritme un complement multidisciplinari d’interès per al CFDAC, mentre que la necessitat de grans quantitats de dades és un repte a superar, ja que fer suficients assajos experimentals com per a entrenar una xarxa resulta poc pràctic en el camp de l’anàlisi vibracional. Per tal d’obtenir suficients dades per a entrenar aquestes xarxes es simularan estructures d’interès aplicant diferents estats de danys i es determinarà el CFDAD de cada escenari de dany permeten la generació suficient de dades per a poder entrenar una xarxa capaç de detectar danys reals.
Aquesta tesis doctoral pretén superar els reptes que suposa la integració de xarxes neuronals a sistemes de monitorització de salut estructural a partir del CFDAC, adreçant tant els objectius que un sistema de detecció de dany hauria de complir com els objectius de futur que s’han de desenvolupar per a innovar tècnica i científicament en el camp de l’anàlisi vibracional.
