Detecção de falhas em estruturas inteligentes usando otimização por nuvem de partículas: fundamentos e estudo de casos

Abstract

Os materiais piezelétricos são denominados de "materiais inteligentes" e pertencem a uma classe de dielétricos que exibem deformação significativa em resposta a aplicação de um campo elétrico. Estes materiais, também, produzem uma polarização dielétrica, ou seja, um campo elétrico em resposta a deformação no material. Esta dupla propriedade exibida pelos materiais piezelétricos torna extremamente vantajosa a aplicação destes materiais para sistemas de controle e para localização e caracterização de falhas estruturais. Neste artigo, a caracterização de falhas estruturais é realizada em dois passos. Em uma primeira etapa é utilizado o método da impedância elétrica para se determinar a região do dano e em uma segunda etapa se utiliza um método de otimização para quantificar a severidade das falhas. Identificação de falhas pertence ao grupo de problemas inversos, e portanto, não há solução única. A metodologia híbrida proposta se beneficia da técnica de impedância elétrica para localizar as regiões de danos e, assim, diminuir o número de variáveis envolvidas no processo de otimização. O procedimento é validado através de diferentes abordagens de otimização por nuvem de partículas, que é uma técnica da inteligência coletiva, usando operadores com geração de números aleatórios baseados em distribuições Gaussiana e de Cauchy.<br>Piezoelectric materials exhibit significant deformation in response to an applied electric field, as well as generating an electrical charge in response to mechanical strain. Control designs and characterization of structural damage can take advantage of these dual properties. In this paper, the identification of damage is realized in two steps. The first uses the electric impedance technique in order to determine the location of the damage, and the second uses an optimization method to quantify the severity of the damage. Damage identification is an inverse problem, and has no unique solution. The hybrid approach proposed in this paper takes advantage of the electric impedance technique to localize the damaged regions with accuracy. This information permits a decrease in the number of variables involved in the process, which is a goal for any optimization technique. The procedure is validated through different particle swarm optimization approaches using an operator with random numbers based on Gaussian and Cauchy distributions

Sistemas Imunológicos Artificiais com Seleção Negativa Aplicado ao Monitoramento de Integridade Estrutural em uma Ponte Metálica

“…Descrição (Tebaldi et al, 2006) Combinaram a técnica de impedância elétrica com abordagens de nuvem de partículas para a quantificação de falhas em estruturas inteligentes. (Silva et al, 2008) Utilizaram uma técnica experimental de impedância elétrica através de materiais piezelétricos (PZTs) acoplados em estruturas de vigas.…”

Evolução das Inteligências Múltiplas pelo Método da Espiral de Aprendizagem de Kolb utilizando PSO

“…Para modelar este processo usou-se o PSO. O Particle Swarm Optimization (PSO) [Kennedy and Eberhart 1995] constitui-se numa técnica da inteligência coletiva baseada em uma população de soluções e transições aleatórias que apresenta características similaresàs técnicas da computação evolutiva, eé motivado pela simulação de comportamento social e cooperação entre agentes [Tebaldi et al 2006]. …”

Fundamentos de otimização por inteligência de enxames: uma visão geral

“…Outra linha é o uso do PSO na resolução de problemas em várias áreas de conhecimento. Em engenharia, uma ampla gama de aplicações, tais como: sintonização de controladores PID (Gaing, 2004;Falcucci et al, 2007), controles robustos (H 2 /H∞) (Thanh & Parnichkun, 2008), identificação de modelos (Wang et al, 2008), otimização de controle de potência reativa e tensão (Abido, 2002), despacho econômico de carga (Wang & Singh, 2009), detecção de falhas (Tebaldi et al, 2006;Samanta & Nataraj, 2009), projeto de circuitos lógicos (Luna et al, 2004), robótica (Crispin, 2009), projeto de antenas (Wysota et al, 2008), otimização de redes de energia elétrica (Mo et al, 2007), despacho de carga (Abido, 2003), otimização de máquinas (Kashan & Karimi, 2009) e motores elétricos (Emara et al, 2008), predição (Zhao & Yang, 2009) e previsão (Izquierdo et al 2009), jogos (Castro & Tsuzuli, 2008), processamento de imagens (Kwok et al, 2009), processamento de sinais (Xu & Gao, 2008), redes de sensores (Low et al, 2008), mineração de dados (Sousa et al, 2004), layout de facilidades (Müller et al, 2006), controle preditivo (Coelho & Krohling, 2003) e modelagem de sistemas dinâmicos (Araújo et al, 2009).…”