Aplicação de redes neurais de múltiplas saídas para avaliação da probabilidade de falha de sistemas

Abstract

Resumo : A confiabilidade estrutural é um ramo da engenharia que avalia, de forma probabilística, a segurança das estruturas, determinando a probabilidade de falha dos sistemas estruturais em operação. Uma das abordagens para essa análise é a formulação de equações de estado limite, que representam as condições de segurança estrutural. Ao utilizar variáveis aleatórias em grandes amostras, essas equações podem ser testadas via simulação de Monte Carlo, um método estatístico amplamente adotado na área. Quando múltiplos elementos estruturais são analisados simultaneamente, surge a necessidade de avaliar a confiabilidade como um sistema, que pode ser organizado em série, paralelo ou configuração mista. Essa abordagem reflete melhor a realidade estrutural, pois a segurança geralmente depende de múltiplos componentes interdependentes. No entanto, tais simulações podem ter alto custo computacional. Para mitigar essa limitação, empregam-se metamodelos - técnicas numéricas que aproximam o comportamento da equaçãoalvo a partir de um conjunto de dados de treinamento. Este estudo explorou três tipos de metamodelos na simulação de equações para diferentes sistemas estruturais: redes neurais, krigagem e expansões de polinômios de caos. A proposta central foi investigar a capacidade das redes neurais de gerar múltiplas respostas para representar todo o sistema em um único metamodelo, comparando-as às abordagens clássicas. Os resultados indicaram que krigagem e polinômios de caos superaram as redes neurais em desempenho. No entanto, na comparação entre redes neurais, constatou-se que redes de múltiplas saídas apresentaram desempenho semelhante às redes convencionais, mas com tempos de simulação reduzidos e eficiência superior da arquitetura otimizada. Essa economia computacional destaca a viabilidade da abordagem proposta, conferindo-lhe competitividade no campo da metamodelagem para confiabilidade estrutural