Detecção de danos em pontes e viadutos com técnicas de aprendizado de máquina

Abstract

Pontes e viadutos são classificados como Obras de Arte da Engenharia devido à natureza de sua concepção: estruturas especiais, cuja finalidade é superar obstáculos naturais e viabilizar a continuidade de uma via modal. Garantir a integridade de estruturas especiais é um desafio no projeto e gerenciamento de infraestrutura, uma vez que a eventual falha dessas componentes talham severos prejuízos econômicos e tragédias humanitárias. Existem duas abordagens predominantes para a aquisição de dados para a avaliação da integridade estrutural: o monitoramento direto, e o monitoramento indireto. No monitoramento indireto é assumida a instalação de sensores no veículo para capturar respostas da interação dinâmica do sistema veículo-estrutura, enquanto na instrumentação do monitoramento direto, os sensores são instalados diretamente na estrutura. As vantagens da abordagem indireta em relação à direta envolvem a capacidade de obter informações espaciais de toda a continuidade da ponte sem a necessidade de interrupção da circulação de , bem como a redução acentuada do custo de monitoramento de todas as pontes e viadutos ao longo de uma via rodoviária. O conjunto de dados será gerado a partir de um modelo numérico que simula o comportamento da interação dinâmica do sistema veículo-estrutura. O desenvolvimento tecnológico e o refino da capacidade computacional possibilitaram soluções inovadoras para problemas de engenharia, através de algoritmos de redes neurais artificiais com o potencial de se adaptar e extrair informações de um determinado conjunto de dados. Este trabalho propõe o emprego da inteligência artificial como solução para o monitoramento indireto da saúde estrutural de pontes e viadutos rodoviários.

Ensuring the integrity of special structures such as bridges and overpasses is a challenge in the design and management of infrastructure, as the eventual failure of these components entails severe economic losses and humanitarian tragedies. Given the impact on the safety of Special Works of Art, there is a need to establish efficient strategies for monitoring structural integrity, with the intention of minimizing interruptions in traffic flow and maximizing the safety of the community dependent on the operation of these systems. There are two predominant approaches to data acquisition for structural integrity assessment: direct monitoring and indirect monitoring. In indirect monitoring, sensors are installed in the vehicle to capture responses from the dynamic interaction of the vehicle-structure system, while in direct monitoring instrumentation, sensors are installed directly on the structure. The advantages of the indirect approach over the direct involve the ability to obtain spatial information from the entire continuity of the bridge without the need for traffic interruption, as well as a significant reduction in the monitoring cost of all bridges and overpasses along a roadway. Technological development and the refinement of computational capacity have enabled innovative solutions for engineering problems, through artificial neural network algorithms with the potential to adapt and extract information from a given data set. This work proposes the use of artificial intelligence as a solution for the structural health of road bridges and overpasses, exploring the effectiveness of convolutional neural networks (CNNs) for damage identification in highway bridges through indirect monitoring data of acceleration measures. The dataset is generated from a numerical finite element code that simulates the behavior of the dynamic interaction between the vehicle and the structure system. Damage is modeled as stiffness reduction at strategic points along the bridge, particularly near the midspan. The CNN's ability to identify damage is evaluated by its proficiency in detecting patterns and anomalies in the data, which correlate with different levels of structural impairment.