Estudo e aplicação de redes neurais recorrentes para a imputação de dados em monitoramento da integridade de estruturas civis
| dc.contributor.advisor-co1 | SILVA, Moisés Felipe Mello da | |
| dc.contributor.advisor-co1Lattes | http://lattes.cnpq.br/8154941342611201 | pt_BR |
| dc.contributor.advisor1 | SALES JUNIOR, Claudomiro de Souza de | |
| dc.contributor.advisor1Lattes | http://lattes.cnpq.br/4742268936279649 | pt_BR |
| dc.creator | HOUNSOU, Israël Sèwanou | |
| dc.creator.Lattes | http://lattes.cnpq.br/1451698391390816 | pt_BR |
| dc.date.accessioned | 2019-06-03T13:48:11Z | |
| dc.date.available | 2019-06-03T13:48:11Z | |
| dc.date.issued | 2019 | |
| dc.description.abstract | In contemporary times, new developments and technological methods are being used as part of a process called Strutural Health Monitoring (SHM). SHM is the development of strategies for detection, prevention and characterization of undesirable damages in civil and mechanical structures of static behavior (i.e., bridges, railways) and dynamics (i.e., satellites, vehicles, industrial equipment). A large number of sensors collect information over a period of time, which can generate a high amount of data that needs to be transmitted and stored. However, failure or other malfunctions can cause data loss, which directly impacts analysis and decision making. To work around this problem, a new technique appears: A Data Imputation. An imputation process basically replaces lost data with substituted values and “fills” the missing application data with plausible values. This imputation is a practice of filling in missing data and avoids the complexity generated by the missing data. For this, this work will proceed to a comparative study of several imputation techniques referring to imputation by means, fashion, regression, knn and recurrent neural networks. Based on this, this work proposes an evaluation method that compares the error rate generated in the detection of damages. The methods were tested using data sets from a monitoring system installed on the Z-24 bridge (Switzerland), which was subjected to conditions of varying variability as well as progressive damage trials. The occurrence of missing data was done artificially. The results show that recurrent neural networks imputation provides the best results. | pt_BR |
| dc.description.resumo | 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. | pt_BR |
| dc.identifier.citation | HOUNSOU, Israël Sèwanou. Estudo e aplicação de redes neurais recorrentes para a imputação de dados em monitoramento da integridade de estruturas civis. Orientador: Claudomiro de Souza de Sales Junior. 2019. 59 f. Trabalho de Curso (Bacharelado em Ciência da Computação) – Faculdade de Computação, Instituto de Ciências Exatas e Naturais, Universidade Federal do Pará, Belém, 2019. Disponível em: http://bdm.ufpa.br/jspui/handle/prefix/1368. Acesso em:. | pt_BR |
| dc.identifier.uri | http://bdm.ufpa.br/jspui/handle/prefix/1368 | |
| dc.rights | Acesso Aberto | pt_BR |
| dc.source | 1 CD-ROM | pt_BR |
| dc.subject | Imputação de dados | pt_BR |
| dc.subject | Monitoramento de integridade estrutural | pt_BR |
| dc.subject | Sensores | pt_BR |
| dc.subject | Dados faltantes | pt_BR |
| dc.subject | Redes neurais recorrentes | pt_BR |
| dc.subject.cnpq | CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::MATEMATICA DA COMPUTACAO::MODELOS ANALITICOS E DE SIMULACAO | pt_BR |
| dc.title | Estudo e aplicação de redes neurais recorrentes para a imputação de dados em monitoramento da integridade de estruturas civis | pt_BR |
| dc.type | Trabalho de Curso - Graduação - Monografia | pt_BR |