Estudo e aplicação de redes neurais recorrentes para a imputação de dados em monitoramento da integridade de estruturas civis

Na contemporaneidade, novos desenvolvimentos e métodos tecnológicos estão sendo utilizados como parte de um processo denominado de Monitoramento de Integridade Estrutural (em Inglês Strutural Health Monitoring - SHM). O SHM consiste no desenvolvimento de estratégias para detecção, prevenção e caracterização de danos indesejáveis em estruturas civis e mecânicas de comportamento estático (i.e., prédios, pontes, ferrovias) e dinâmicos (i.e., satélites, veículos, equipamentos industriais). Um grande número de sensores coleta as informações em um intervalo de tempo, o que pode gerar uma quantidade elevada de dados que precisam ser transmitidos e armazenados. No entanto, a falha ou outros problemas de funcionamento podem causar a perda de dados, o que impacta diretamente análise e tomada de decisões. Para contornar esse problema, uma nova técnica aparece: A Imputação de dados. Um processo de imputação basicamente substitui os dados perdidos por valores adequados correspondentes a região de dados faltantes; “preenche” os dados perdidos da aplicação com valores plausíveis. Essa imputação é uma prática de preenchimento de dados faltantes e evita a complexidade gerada pelos dados faltantes. Para isto que este trabalho procederá a um estudo comparativo de várias técnicas de imputação referindo-se à imputação por média, moda, regressão, knn e redes neurais recorrentes. Baseado nisto, este trabalho propõe um método de avaliação compara a taxa de erros gerada na detecção de danos. Os métodos foram testados utilizando conjuntos de dados de um sistema de monitoramento instalados na ponte Z-24 (Suíça), que foi submetida a condições de variabilidades diversas, além de ensaios progressivos de dano. A ocorrência de dados ausentes foi feita de maneira artificial. Os resultados mostram que a imputação por rede neural recorrente fornece os melhores resultados.