Monitoramento de integridade estrutural (SHM) refere-se ao processo de implementação de uma estratégia de detecção e caracterização de danos para estruturas de engenharia. Aqui, dano é definido como alterações no material e / ou propriedades geométricas de um sistema estrutural, incluindo mudanças nas condições de contorno e conectividade do sistema, que afetam adversamente o desempenho do sistema. O processo SHM envolve a observação de um sistema ao longo do tempo usando medições de respostas dinâmicas amostradas periodicamente de uma matriz de sensores, a extração de recursos sensíveis a danos dessas medições e a análise estatística desses recursos para determinar o estado atual da integridade do sistema. Para o SHM de longo prazo, a saída desse processo é uma informação atualizada periodicamente sobre a capacidade da estrutura de desempenhar sua função pretendida à luz do inevitável envelhecimento e degradação resultante dos ambientes operacionais. Após eventos extremos, como terremotos ou cargas explosivas, o SHM é usado para triagem rápida de condições e visa fornecer, em tempo quase real, informações confiáveis ​​sobre a integridade da estrutura. A inspeção de infraestrutura desempenha um papel fundamental na segurança pública no que diz respeito ao acúmulo de danos a longo prazo e a cenários de eventos extremos. Como parte dos rápidos desenvolvimentos em tecnologias orientadas a dados que estão transformando muitos campos da engenharia e da ciência, as técnicas de aprendizado de máquina e de visão computacional são cada vez mais capazes de diagnosticar e classificar de forma confiável os dados de imagem, que têm aplicações claras em contextos de inspeção.

Introdução
Métodos qualitativos e não contínuos têm sido usados ​​há muito tempo para avaliar estruturas por sua capacidade de servir ao propósito pretendido. Desde o início do século XIX, os seringueiros da ferrovia usaram o som de um martelo batendo na roda do trem para avaliar se havia algum dano. Em máquinas rotativas, o monitoramento de vibração tem sido usado há décadas como uma técnica de avaliação de desempenho. Duas técnicas no campo da SHM são técnicas baseadas na propagação de ondas Raghavan e Cesnik e técnicas baseadas em vibração. Em termos gerais, a literatura para SHM baseada em vibração pode ser dividida em dois aspectos, o primeiro em que os modelos são propostos para o dano para determinar as características dinâmicas, também conhecido como problema direto, por exemplo, referenciar, Unified Framework e o segundo, onde as características dinâmicas são usados ​​para determinar as características de dano, também conhecido como problema inverso, por exemplo, consultar. Nos últimos dez a quinze anos, as tecnologias SHM surgiram, criando um novo e excitante campo em vários ramos da engenharia. Conferências acadêmicas e revistas científicas foram estabelecidas durante esse período que se concentram especificamente no SHM. Atualmente, essas tecnologias estão se tornando cada vez mais comuns.

Reconhecimento estatístico de padrões
O problema SHM pode ser tratado no contexto de um paradigma estatístico de reconhecimento de padrões. Esse paradigma pode ser dividido em quatro partes: (1) Avaliação Operacional, (2) Aquisição e Limpeza de Dados, (3) Extração de Recursos e Compactação de Dados e (4) Desenvolvimento de Modelo Estatístico para Discriminação de Recursos. Quando se tenta aplicar esse paradigma a dados de estruturas do mundo real, rapidamente se torna aparente que a capacidade de limpar, compactar, normalizar e fundir dados para levar em conta a variabilidade ambiental e operacional é uma questão-chave na implementação das Partes 2-4 deste paradigma. Estes processos podem ser implementados através de hardware ou software e, em geral, será usada alguma combinação dessas duas abordagens.

Avaliação da saúde de estruturas de pontes, edifícios e outras infraestruturas conexas
Vulgarmente conhecido como Avaliação Estrutural da Saúde (SHA) ou SHM, este conceito é amplamente aplicado a várias formas de infra-estruturas, especialmente quando países de todo o mundo entram num período ainda maior de construção de várias infraestruturas, desde pontes a arranha-céus. Especialmente quando se trata de danos às estruturas, é importante notar que existem etapas de dificuldade crescente que exigem o conhecimento de etapas anteriores, a saber:

Detectando a existência do dano na estrutura
Localizando o dano
Identificando os tipos de dano
Quantificando a gravidade do dano

É necessário empregar processamento de sinais e classificação estatística para converter os dados do sensor no estado de saúde da infra-estrutura em informações de danos para avaliação.

Avaliação operacional
A avaliação operacional tenta responder a quatro questões relacionadas à implementação de uma capacidade de identificação de danos:

i) Quais são as justificativas de segurança de vida e / ou econômicas para a realização do SHM?
ii) Como os danos são definidos para o sistema que está sendo investigado e, para possibilidades de múltiplos danos, quais casos são os mais preocupantes?
iii) Quais são as condições, tanto operacionais quanto ambientais, sob as quais o sistema a ser monitorado funciona?
iv) Quais são as limitações na aquisição de dados no ambiente operacional?

A avaliação operacional começa a definir as limitações sobre o que será monitorado e como o monitoramento será realizado. Essa avaliação começa a adaptar o processo de identificação de danos a recursos que são exclusivos do sistema que está sendo monitorado e tenta tirar proveito dos recursos exclusivos dos danos a serem detectados.

Aquisição de dados, normalização e limpeza
A parte de aquisição de dados do processo SHM envolve a seleção dos métodos de excitação, os tipos de sensores, números e localizações, e o hardware de aquisição / armazenamento / transmissão de dados. Novamente, esse processo será específico do aplicativo. Considerações econômicas terão um papel importante na tomada dessas decisões. Os intervalos em que os dados devem ser coletados é outra consideração que deve ser abordada.

Como os dados podem ser medidos sob condições variadas, a capacidade de normalizar os dados torna-se muito importante para o processo de identificação de danos. Como se aplica ao SHM, a normalização de dados é o processo de separar as mudanças na leitura do sensor causadas por danos causados ​​por várias condições operacionais e ambientais. Um dos procedimentos mais comuns é normalizar as respostas medidas pelas entradas medidas. Quando a variabilidade ambiental ou operacional é um problema, pode surgir a necessidade de normalizar os dados de alguma maneira temporal para facilitar a comparação de dados medidos em tempos semelhantes de um ciclo ambiental ou operacional. Fontes de variabilidade no processo de aquisição de dados e com o sistema monitorado precisam ser identificadas e minimizadas na medida do possível. Em geral, nem todas as fontes de variabilidade podem ser eliminadas. Portanto, é necessário fazer as medidas apropriadas para que essas fontes possam ser estatisticamente quantificadas. A variabilidade pode surgir da mudança de condições ambientais e de teste, mudanças no processo de redução de dados e inconsistências de unidade para unidade.

A limpeza de dados é o processo de escolher seletivamente dados para serem transmitidos ou rejeitados do processo de seleção de recursos. O processo de limpeza de dados é geralmente baseado no conhecimento adquirido por indivíduos diretamente envolvidos com a aquisição de dados. Por exemplo, uma inspeção da configuração do teste pode revelar que um sensor foi montado livremente e, portanto, com base no julgamento dos indivíduos que executam a medição, esse conjunto de dados ou os dados desse sensor em particular podem ser excluídos seletivamente do processo de seleção de recursos. Técnicas de processamento de sinal, como filtragem e re-amostragem, também podem ser consideradas como procedimentos de limpeza de dados.

Por fim, a parte de aquisição, normalização e limpeza de dados do processo SHM não deve ser estática. O insight obtido a partir do processo de seleção de recursos e o processo de desenvolvimento do modelo estatístico fornecerão informações sobre mudanças que podem melhorar o processo de aquisição de dados.

Extração de recursos e compactação de dados
A área do processo SHM que recebe mais atenção na literatura técnica é a identificação de características de dados que permitem distinguir entre a estrutura não danificada e a estrutura danificada. Inerente a este processo de seleção de recursos é a condensação dos dados. Os melhores recursos para identificação de danos são, novamente, específicos da aplicação.

Um dos métodos de extração de características mais comuns baseia-se na correlação das grandezas de resposta do sistema medido, tal amplitude ou frequência de vibração, com as observações em primeira mão do sistema de degradação. Outro método de desenvolvimento de recursos para identificação de danos é aplicar falhas projetadas, semelhantes às esperadas em condições reais de operação, aos sistemas e desenvolver uma compreensão inicial dos parâmetros que são sensíveis aos danos esperados. O sistema falho também pode ser usado para validar que as medidas de diagnóstico são sensíveis o suficiente para distinguir entre os recursos identificados do sistema não danificado e danificado. O uso de ferramentas analíticas, como modelos de elementos finitos validados experimentalmente, pode ser um grande ativo nesse processo. Em muitos casos, as ferramentas analíticas são usadas para realizar experimentos numéricos onde as falhas são introduzidas através de simulação computacional. O teste de acumulação de danos, durante o qual os componentes estruturais significativos do sistema em estudo são degradados, submetendo-os a condições realistas de carga, também pode ser usado para identificar recursos apropriados. Esse processo pode envolver testes de dano induzido, teste de fadiga, crescimento de corrosão ou ciclagem de temperatura para acumular certos tipos de danos de forma acelerada. O insight sobre as características apropriadas pode ser obtido a partir de vários tipos de estudos analíticos e experimentais, conforme descrito acima, e geralmente é o resultado de informações obtidas de uma combinação desses estudos.

As tecnologias de implementação operacional e de medição de diagnóstico necessárias para executar o SHM produzem mais dados do que os usos tradicionais de informações de dinâmica estrutural. Uma condensação dos dados é vantajosa e necessária quando se vislumbram comparações de muitos conjuntos de características obtidos ao longo da vida útil da estrutura. Além disso, como os dados serão adquiridos de uma estrutura durante um período prolongado e em um ambiente operacional, técnicas robustas de redução de dados devem ser desenvolvidas para manter a sensibilidade das características às mudanças estruturais de interesse na presença de variabilidade ambiental e operacional. Para ajudar ainda mais na extração e registro de dados de qualidade necessários para realizar SHM, a significância estatística das características deve ser caracterizada e usada no processo de condensação.

Desenvolvimento de modelo estatístico
A parte do processo SHM que recebeu menos atenção na literatura técnica é o desenvolvimento de modelos estatísticos para discriminação entre características das estruturas danificadas e não danificadas. O desenvolvimento do modelo estatístico está preocupado com a implementação dos algoritmos que operam nas características extraídas para quantificar o estado de dano da estrutura. Os algoritmos usados ​​no desenvolvimento de modelos estatísticos geralmente se enquadram em três categorias. Quando os dados estão disponíveis a partir da estrutura não danificada e danificada, os algoritmos de reconhecimento de padrões estatísticos caem na classificação geral referida como aprendizado supervisionado. A classificação de grupo e a análise de regressão são categorias de algoritmos de aprendizagem supervisionada. Aprendizado não supervisionado refere-se a algoritmos que são aplicados a dados que não contêm exemplos da estrutura danificada. A detecção de outliers ou novidades é a classe principal de algoritmos aplicados em aplicativos de aprendizado não supervisionados. Todos os algoritmos analisam distribuições estatísticas das características medidas ou derivadas para melhorar o processo de identificação de danos.

Axiomas fundamentais
Com base na extensa literatura que se desenvolveu sobre o SHM nos últimos 20 anos, pode-se argumentar que esse campo amadureceu até o ponto em que surgiram vários axiomas fundamentais, ou princípios gerais. Os axiomas estão listados da seguinte forma:

Axioma I: Todos os materiais possuem falhas ou defeitos inerentes;
Axiom II: A avaliação do dano requer uma comparação entre dois estados do sistema;
Axiom III: Identificar a existência e a localização do dano pode ser feito em um modo de aprendizado não supervisionado, mas identificar o tipo de dano presente e a gravidade do dano geralmente só pode ser feito em um modo de aprendizado supervisionado;
Axiom IVa: Os sensores não podem medir danos. A extração de características através do processamento de sinais e classificação estatística é necessária para converter os dados do sensor em informações de danos;
Axiom IVb: Sem a extração inteligente de recursos, quanto mais sensível for a medição de danos, mais sensível será a alteração das condições operacionais e ambientais;
Axiom V: As escalas de tempo e duração associadas ao início e evolução dos danos ditam as propriedades requeridas do sistema de detecção SHM;
Axiom VI: Existe um trade-off entre a sensibilidade ao dano de um algoritmo e sua capacidade de rejeição de ruído;
Axiom VII: O tamanho do dano que pode ser detectado a partir de mudanças na dinâmica do sistema é inversamente proporcional à faixa de freqüência de excitação.