Reconhecimento de padrões de defeitos em concreto a partir de imagens térmicas estacionárias e redes neurais artificiais.
Date
2011-06-15Author
Pettres, Roberto
Metadata
Show full item recordSubject
TesesReconhecimento de padrões
Concreto - Defeitos
Calor - Transmissão
Redes neurais (Computação)
xmlui.dri2xhtml.METS-1.0.item-type
DissertaçãoAbstract
Resumo: Este trabalho apresenta um método não destrutivo para o diagnóstico da integridade subsuperficial de estruturas de concreto utilizando imagens térmicas estacionárias e redes neurais artificiais (RNA). As imagens térmicas utilizadas no estudo foram geradas pelo software Ansys 12®, onde foi simulado um bloco com as propriedades equivalentes ao concreto contendo um elemento de alta porosidade representando um defeito em seu interior. Nestas simulações, as dimensões do defeito foram parametrizadas e o modelo de transferência de calor adotado foi a Equação de Condução do calor de Fourier em regime estacionário sob condições de contorno que estabeleciam um fluxo de calor em uma única direção. A partir dos resultados obtidos nestas simulações, campos térmicos em uma das faces do bloco, e da aplicação de técnicas de processamento de imagens com o software Matlab R2010®, foi possível o desenvolvimento dos algoritmos de localização do defeito e de coleta de dados para o treinamento das topologias neurais. Um algoritmo foi elaborado para a otimização de quatro topologias do tipo feedforward para realização dos testes numéricos. Duas delas apresentaram melhor desempenho e foram selecionadas para validar o método proposto, sendo sintetizadas no aplicativo Thermography and Artificial Neural Network, desenvolvido com o intuito de realizar o diagnóstico de estruturas de concreto a partir de imagens térmicas. O aplicativo se mostrou preciso e eficiente na análise feita em imagens simuladas em modelos de maior dimensão e contendo defeitos com geometrias irregulares, indicando satisfatoriamente a localização do defeito e apresentando em média um percentual de êxito na identificação das anomalias de 81,73% nas simulações com dados sintéticos. Resultados similares também foram observados em uma análise experimental, indicando potencialidade do método de diagnóstico não destrutivo proposto.
Collections
- Dissertações [226]