Aprimoramento da transferência de aprendizado utilizando análise de similaridade entre estruturas de viga

dc.contributor.advisorSilva, Samuel da [UNESP]pt
dc.contributor.authorAlmeida, Estênio Fuzaro dept
dc.date.accessioned2023-12-19T12:49:10Z
dc.date.available2023-12-19T12:49:10Z
dc.date.issued2023-11-17
dc.description.abstractUm dos grandes desafios na implementação de algoritmos de aprendizado de máquina para a detecção de danos é a reutilização dos classificadores previamente treinados. Em resposta a essa problemática, técnicas de transferência de aprendizado são comumente empregadas, com a maioria delas centrada no mapeamento de atributos, notadamente os parâmetros modais em estruturas dinâmicas. No entanto, é imperativo reconhecer que as condições de contorno exercem uma influência significativa no comportamento mecânico associado à vibração, indo além da influência dos parâmetros modais. Outros fatores, como geometria, modo de vibração e estado de dano, também desempenham papéis relevantes. Dentre esses, as condições de contorno destacam-se como fator preponderante, substancialmente impactando a transferência de aprendizado entre estruturas. A dificuldade reside na determinação das combinações ideais de atributos de modos e contornos distintos que resultam em uma transferência bem-sucedida. Neste contexto, este trabalho propõe uma abordagem inovadora, introduzindo uma análise de similaridade prévia à transferência de aprendizado. O objetivo é determinar as combinações mais eficazes de atributos para cada situação, inclusive avaliando o impacto do estado de dano na similaridade. A hipótese subjacente sustenta que uma maior similaridade conduz a uma transferência de aprendizado mais eficiente. A metodologia empregada envolve a utilização da similaridade cosseno para a seleção dos casos mais similares, fundamentada na premissa de que maior similaridade resulta em uma transferência mais eficaz. Após a seleção de atributos, a transferência de aprendizado é conduzida por meio do algoritmo Transfer Component Analysis (TCA). A análise compara casos de baixa similaridade com aqueles de alta similaridade, corroborando a hipótese de que maior similaridade está associada a uma transferência de aprendizado eficaz. Dois conjuntos de dados são analisados: o primeiro composto por vigas variando as condições de contorno, obtidas por simulação numérica utilizando o método de elementos finitos; o segundo proveniente de uma bancada experimental de junções parafusadas com danos de desaperto. O estudo visa verificar se a análise de similaridade pode indicar combinações superiores, especialmente em cenários com variação de contorno e presença de danos.pt
dc.description.abstractOne of the major challenges in implementing machine learning algorithms for damage detection is the reuse of previously trained classifiers. In response to this issue, transfer learning techniques are commonly employed, with most of them focusing on attribute mapping, notably modal parameters in dynamic structures. However, it is imperative to recognize that boundary conditions exert a significant influence on the mechanical behavior associated with vibration, extending beyond the influence of modal parameters. Other factors such as geometry, vibration mode, and damage state also play relevant roles. Among these, boundary conditions stand out as a predominant factor, substantially impacting the transfer of knowledge among structures. The difficulty lies in determining the optimal combinations of features from different modes and contours that result in successful transfer. In this context, this work proposes an innovative approach by introducing a similarity analysis prior to transfer learning. The goal is to determine the most effective attribute combinations for each situation, including an evaluation of the impact of damage state on similarity. The underlying hypothesis suggests that higher similarity leads to more efficient transfer learning. The employed methodology involves using cosine similarity for selecting the most similar cases, based on the premise that greater similarity results in more effective transfer. After attribute selection, transfer learning is conducted through the Transfer Component Analysis (TCA) algorithm. The analysis compares cases of low similarity with those of high similarity, supporting the hypothesis that higher similarity is associated with effective transfer learning. Two datasets are analyzed: the first consisting of beams with varying boundary conditions obtained through numerical simulation using the finite element method; the second originating from an experimental setup of bolted joints with loosening damage. The study aims to determine if similarity analysis can indicate superior combinations, especially in scenarios with varying boundary conditions and the presence of damage.en
dc.description.sponsorshipFundação de Amparo à Pesquisa do Estado de São Paulo (FAPESP)pt
dc.description.sponsorshipId2021/06133-9pt
dc.identifier.citationALMEIDA, Estênio Fuzaro de. Aprimoramento da transferência de aprendizado utilizando análise de similaridade entre estruturas de viga. Orientador: Samuel da Silva. 2023. 39 f. : il. Trabalho de Conclusão de Curso (Graduação em Engenharia Mecânica) - Universidade Estadual Paulista, Faculdade de Engenharia de Ilha Solteira, 2023. Disponível em: URL. Acesso em: dia, mês e anopt
dc.identifier.urihttps://hdl.handle.net/11449/252128en
dc.language.isoporpt
dc.publisherUniversidade Estadual Paulista (Unesp)pt
dc.rights.accessRightsAcesso abertopt
dc.subjectAnálise de similaridadept
dc.subjectAdaptação de domíniopt
dc.subjectTransferência de aprendizadopt
dc.subjectEstruturas gêmeaspt
dc.subjectDetecção de danopt
dc.subjectSimilarity analysisen
dc.subjectDomain adaptationen
dc.subjectTransfer learningen
dc.subjectTwin structuresen
dc.subjectDamage detectionen
dc.titleAprimoramento da transferência de aprendizado utilizando análise de similaridade entre estruturas de vigapt
dc.title.alternativeImproving transfer learning using similarity analysis among beam structuresen
dc.typeTrabalho de conclusão de curso
unesp.campusUniversidade Estadual Paulista (Unesp), Faculdade de Engenharia, Ilha Solteirapt
unesp.departmentEngenharia Mecânica - FEISpt
unesp.examinationboard.typeBanca públicapt
unesp.undergraduateIlha Solteira - FEIS - Engenharia Mecânicapt

Arquivos

Pacote Original
Agora exibindo 1 - 1 de 1
Carregando...
Imagem de Miniatura
Nome:
almeida_ef_tcc_ilha.pdf
Tamanho:
5.74 MB
Formato:
Adobe Portable Document Format
Licença do Pacote
Agora exibindo 1 - 2 de 2
Nenhuma Miniatura disponível
Nome:
license.txt
Tamanho:
2.25 KB
Formato:
Item-specific license agreed upon to submission
Descrição:
Nenhuma Miniatura disponível
Nome:
almeida_ef_autorizacao_ilha.pdf
Tamanho:
137.78 KB
Formato:
Adobe Portable Document Format
Descrição: