Artigo

Leon Vale Lobo; Renato Máximo Sátiro

DOI: 10.22167/2675-6528-202602550

Artigo derivado de Trabalho de Conclusão de Curso (TCC), com conteúdo baseado no trabalho original do aluno e adaptado ao formato editorial da Revista E&S com apoio da ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege para síntese e organização textual.

Resumo

O monitoramento da saúde estrutural de pontes tornou-se cada vez mais relevante diante do envelhecimento das infraestruturas e da intensificação de eventos extremos associados às mudanças climáticas. Nesse contexto, abordagens baseadas em dados destacaram-se como alternativas promissoras para o reconhecimento de anomalias. O estudo objetivou desenvolver e avaliar uma abordagem baseada em aprendizado de máquina para o reconhecimento de anomalias em séries temporais de aceleração estrutural. A metodologia adotada consistiu no uso de autoencoders treinados exclusivamente com dados representativos da condição íntegra, permitindo ao modelo aprender padrões associados ao estado saudável da estrutura; em seguida, o erro de reconstrução, quantificado por meio do erro quadrático médio (MSE), foi utilizado como critério para identificação de desvios em relação a essa condição. O conjunto de dados analisado foi composto por 1767 séries temporais de 1000 pontos cada, pertencentes a duas classes: íntegra (normal) e anômala (danificada). Os resultados obtidos demonstraram que o modelo proposto apresentou elevada capacidade de reconhecimento da classe anômala, com taxa de detecção superior a 90%, e desempenho global satisfatório, com área sob a curva ROC (AUC) próxima de 0,78, indicando boa capacidade discriminativa e reforçando o potencial da abordagem para aplicações em monitoramento estrutural.

Palavras-chave: Autoencoders; Detecção de Anomalias; Monitoramento de Pontes; Redes Neurais.

1. Introdução

O Monitoramento da Saúde Estrutural (SHM) tem se tornado crucial diante do envelhecimento das infraestruturas e da crescente ocorrência de eventos extremos associados às mudanças climáticas (NUMAN, 2024). Seu propósito é detectar precocemente danos ou anomalias, como fissuras, corrosão, deslocamentos ou vibrações inesperadas, visando prevenir falhas catastróficas, prolongar a vida útil das estruturas, otimizar a manutenção e reduzir custos. Este monitoramento envolve o uso de diversos sensores para coleta de dados em tempo real e inspeções periódicas (ALAHAKOON et al., 2009), exigindo a modelagem do comportamento estrutural sob condições normais e danificadas para identificar desvios.

Com o avanço na capacidade de aquisição de dados, a necessidade de métodos automáticos para processar e diagnosticar informações úteis tornou-se evidente (FAVARELLI e GIORGETTI, 2020). Nesse cenário, o Aprendizado de Máquina (ML) e, em particular, as redes neurais, emergem como ferramentas essenciais para a análise de grandes volumes de dados de monitoramento (GIORGETTI, 2020).

Aplicações recentes demonstram a eficácia do ML na detecção e localização de fissuras em estruturas por meio de dados de sensores (SHAH MANSOURI et al., 2024). Abordagens semi-supervisionadas, que combinam autoencoders variacionais com máquinas de vetores de suporte de uma classe, têm sido empregadas para detectar danos estruturais, treinando modelos com dados de condição normal para identificar anomalias (SHANG et al., 2021). As redes neurais são particularmente promissoras, pois conseguem modelar relações não lineares entre os sinais dos sensores e o estado estrutural, permitindo a detecção automática de anomalias sem depender de inspeção humana constante (ZHANG e LEI, 2021; KATAM et al., 2023).

Além dos desafios intrínsecos ao monitoramento, as mudanças climáticas intensificam a variabilidade e a intensidade de eventos extremos, como chuvas fortes, inundações e variações bruscas de temperatura, que impactam diretamente a integridade estrutural de pontes e outras infraestruturas (PALIN et al., 2021). A construção de infraestruturas resilientes, capazes de resistir e se recuperar rapidamente desses eventos (SEAGER et al., 2017), exige que o planejamento, o monitoramento e a manutenção considerem os riscos climáticos (OECD, 2024).

Apesar dos avanços, ainda há uma lacuna na capacidade de identificar danos de forma contínua e direta em estruturas operacionais, especialmente sob condições ambientais e de carregamento variáveis, e na ausência de abordagens puramente mecânico-físicas que forneçam diagnósticos em tempo real. A escassez de dados rotulados de danos também limita a aplicação de métodos supervisionados. Diante disso, métodos baseados em dados, como o proposto neste trabalho, tornam-se uma alternativa viável e, em muitos contextos, a única abordagem prática para a detecção de anomalias, justificando a importância de maximizar a identificação correta de estados danificados para mitigar riscos e garantir a segurança.

Assim, este estudo se justifica pela necessidade de aprimorar a detecção de anomalias em infraestruturas críticas, e tem como objetivo desenvolver um modelo de detecção de anomalias em sinais de aceleração de pontes que permitirá a identificação automática de alterações dinâmicas associadas à ocorrência de danos estruturais, contribuindo para a prevenção de falhas, otimização de manutenção e aumento da resiliência de infraestruturas críticas em cenários caracterizados por eventos extremos, catástrofes naturais e mudanças climáticas, por meio do desenvolvimento de uma abordagem baseada em aprendizado de máquina, visando ao aumento da resiliência de infraestruturas críticas e ao suporte à tomada de decisão em contextos de cidades inteligentes.

2. Material e Métodos

A presente pesquisa caracterizou-se por uma abordagem quantitativa, de natureza aplicada, com o objetivo de desenvolver e avaliar um modelo de detecção de anomalias em sinais de aceleração de pontes. A estratégia metodológica centralizou-se no uso de técnicas de aprendizado de máquina não supervisionado, especificamente autoencoders, treinados para reconhecer padrões associados à condição íntegra de uma estrutura e identificar desvios que pudessem indicar a presença de danos.

O objeto empírico do estudo foi a ponte Z24, uma estrutura rodoviária de concreto protendido em escala real, localizada na Suíça, nas proximidades das cidades de Koppigen e Utzenstorf (MAECK e ROECK, 2003). A ponte, construída no início da década de 1960 e demolida em 1998, consistia em uma viga caixão de duas células com um vão principal de aproximadamente 30 metros e dois vãos laterais de cerca de 14 metros, apoiada por pilares e encontros de concreto armado.

Os dados utilizados foram de domínio público, provenientes do benchmark da ponte Z24, disponibilizado pelo Departamento de Engenharia Civil da KU Leuven, Bélgica. Os registros originais, armazenados em arquivos no formato .txt, foram importados para o ambiente Python para processamento. A coleta de dados ocorreu ao longo de aproximadamente um mês, durante o qual múltiplos cenários de danos foram sequencialmente introduzidos na estrutura.

Os sinais de resposta estrutural foram adquiridos por meio de um sensor vertical R3V, posicionado no meio do vão da ponte, com uma taxa de aquisição de 100 Hz. Para o estudo, foram selecionados dados de três dias representativos de diferentes estados estruturais: 20 de agosto (condição sem danos), 25 de agosto (condição com danos de nível um) e 26 de agosto (condição com danos de nível dois).

Cada dia de monitoramento correspondeu a um sinal contínuo de aproximadamente 11 minutos, o qual foi segmentado em janelas temporais de 1000 pontos. Esse procedimento resultou em 589 amostras por dia. A concatenação dos dados dos três dias analisados originou um conjunto final com 1767 séries temporais, organizadas para posterior utilização no treinamento e avaliação do modelo.

O pré-processamento dos dados incluiu a segmentação dos sinais longos em janelas de 1000 amostras, conforme a abordagem de SHANG et al. (2022), aplicada de forma idêntica tanto aos sinais correspondentes à condição estrutural íntegra (rótulo zero) quanto à condição danificada (rótulo um). Em seguida, os segmentos de ambas as condições foram combinados em um único conjunto de dados, com rótulos binários associados.

Como etapa final do pré-processamento, aplicou-se a normalização do tipo z-score aos dados (CURTIS et al., 2016). A média e o desvio padrão foram estimados exclusivamente a partir do conjunto de treinamento, sendo posteriormente utilizados para normalizar tanto os dados de treinamento quanto os de teste, evitando vazamento de informação entre os conjuntos e favorecendo a convergência dos algoritmos.

O modelo de detecção de anomalias foi baseado em um autoencoder totalmente conectado, composto por um codificador e um decodificador. O codificador foi responsável por mapear os sinais de entrada, representados por segmentos temporais de 1000 amostras, para um espaço latente de menor dimensionalidade, com dimensão igual a 64.

A arquitetura do codificador consistiu em uma sequência de três camadas densas com 512, 256 e 128 neurônios, respectivamente, seguidas pela camada de compressão. Todas as camadas do codificador utilizaram a função de ativação ReLU. O decodificador, simétrico ao codificador, realizou o mapeamento inverso, reconstruindo o sinal original a partir da representação latente, com camadas densas de 128, 256 e 512 neurônios, e uma camada de saída com 1000 neurônios e função de ativação linear.

A definição da arquitetura do modelo foi precedida por um processo de busca automática de hiperparâmetros, utilizando a biblioteca Optuna (AKIBA et al., 2019). Esse procedimento buscou identificar a melhor combinação de parâmetros, como o número de camadas para o codificador/decodificador, o número de neurônios na camada de entrada e no espaço latente.

O treinamento do autoencoder foi realizado utilizando exclusivamente dados correspondentes à condição estrutural íntegra, permitindo que o modelo aprendesse a representação do comportamento considerado normal da ponte. O modelo foi treinado por até 200 épocas, com tamanho de lote igual a 128, utilizando os próprios sinais de entrada como alvo de reconstrução e um conjunto de validação composto por dados íntegros não utilizados no treinamento.

O modelo completo foi treinado minimizando o erro de reconstrução entre o sinal de entrada e o sinal reconstruído, utilizando a função de perda do erro quadrático médio (MSE). A otimização foi realizada por meio do algoritmo Adam. Para evitar sobreajuste, adotou-se um critério de parada antecipada baseado no monitoramento da perda no conjunto de validação, interrompendo o treinamento caso não houvesse melhoria da função de perda após duas épocas consecutivas.

A avaliação do desempenho do método de detecção de danos foi realizada a partir da análise do erro de reconstrução do autoencoder, quantificado pelo erro quadrático médio (MSE), que expressa a diferença entre os dados de entrada e sua reconstrução pelo modelo (PALUBINSKAS, 2017; ZHANG et al., 2023). Sinais com erro acima de um limiar determinado foram classificados como potenciais indícios de dano estrutural.

Para a escolha objetiva do limiar de decisão, empregou-se o índice de Youden (FLUSS et al., 2005), que maximiza simultaneamente a taxa de verdadeiros positivos e minimiza a taxa de falsos positivos. Adicionalmente, para avaliar a capacidade discriminativa do modelo, utilizaram-se a curva Receiver Operating Characteristic (ROC) e a métrica Area Under the Curve (AUC) (JAMES et al., 2006), bem como a matriz de confusão.

3. Resultados e Discussão

Os resultados da pesquisa demonstram a eficácia da abordagem baseada em autoencoders para o reconhecimento de anomalias em séries temporais de aceleração estrutural de pontes, alinhando-se ao objetivo de desenvolver um modelo capaz de identificar automaticamente alterações dinâmicas associadas a danos. A metodologia empregada, com foco no treinamento exclusivo com dados da condição íntegra, permitiu ao modelo aprender os padrões de comportamento saudável da estrutura, utilizando o erro de reconstrução como um indicador robusto para desvios. A análise detalhada dos achados, desde o pré-processamento dos dados até a avaliação do desempenho do modelo, oferece uma compreensão aprofundada da capacidade discriminativa da abordagem proposta. O Pré-processamento

O processo de pré-processamento dos dados foi uma etapa fundamental para a viabilização do treinamento e avaliação do modelo de detecção de anomalias. Inicialmente, os sinais de resposta estrutural, adquiridos em séries temporais longas com aproximadamente 589.824 pontos por sensor, foram segmentados em janelas de 1000 amostras. Essa segmentação, conforme destacado por Shang et al. (2022), é crucial para gerar múltiplas realizações independentes do comportamento dinâmico da estrutura, preservando suas características estatísticas e espectrais, ao mesmo tempo em que expande o conjunto de dados disponível para análise.

A segmentação foi aplicada de maneira consistente tanto aos sinais correspondentes à condição estrutural íntegra, rotulados como zero, quanto aos sinais da condição danificada, rotulados como um. Essa uniformidade na representação dos dados é essencial para garantir a validade das comparações e a robustez do treinamento do modelo. Após a segmentação, os segmentos de ambas as condições foram combinados em um único conjunto de dados, aos quais foram atribuídos os rótulos binários que indicam os estados estrutural íntegro ou danificado, preparando o conjunto para as fases subsequentes do estudo.

Como etapa final do pré-processamento, aplicou-se a normalização do tipo z-score aos dados. Este procedimento envolve a transformação de cada observação pela subtração da média e divisão pelo desvio padrão da variável, resultando em dados com média nula e variância unitária (Curtis et al., 2016). É importante ressaltar que a média e o desvio padrão foram estimados exclusivamente a partir do conjunto de treinamento, evitando qualquer vazamento de informação entre os conjuntos de dados de treinamento e teste. Essa normalização contribui significativamente para a estabilidade numérica e a convergência dos algoritmos baseados em redes neurais, assegurando que todas as variáveis operem na mesma escala e com uma distribuição padronizada. Criação e treinamento do modelo

A definição da arquitetura do autoencoder foi precedida por um processo de busca automática de hiperparâmetros, empregando a biblioteca Optuna (Akiba et al., 2019). Este procedimento teve como finalidade identificar uma configuração de rede neural que oferecesse um equilíbrio ideal entre capacidade de representação, estabilidade de treinamento e desempenho na reconstrução dos sinais estruturais. Os hiperparâmetros otimizados incluíram o número de camadas para o codificador e decodificador, a quantidade de neurônios em cada camada de entrada e no espaço latente, buscando a melhor configuração para o modelo.

A arquitetura do autoencoder foi implementada com uma sequência de três camadas densas no codificador, contendo 512, 256 e 128 neurônios, respectivamente, seguidas por uma camada de compressão que define o código latente com dimensão de 64. Todas as camadas do codificador utilizaram a função de ativação ReLU, que é conhecida por favorecer a modelagem de relações não lineares e otimizar a eficiência computacional. O modelo consiste em um autoencoder totalmente conectado, onde o codificador mapeia os sinais de entrada, representados por segmentos temporais de 1000 amostras, para um espaço latente de menor dimensionalidade.

O decodificador, por sua vez, realiza o mapeamento inverso, reconstruindo o sinal original a partir da representação latente. Sua arquitetura é simétrica à do codificador, composta por camadas densas com 128, 256 e 512 neurônios, também com função de ativação ReLU, e finaliza com uma camada de saída que possui um número de neurônios igual ao comprimento do segmento de entrada. A camada final emprega uma função de ativação linear, adequada para a reconstrução de sinais contínuos, garantindo a fidelidade do sinal reconstruído ao original.

O treinamento do modelo completo foi conduzido com o objetivo de minimizar o erro de reconstrução entre o sinal de entrada e o sinal reconstruído, utilizando a função de perda do erro quadrático médio (MSE). A otimização foi realizada por meio do algoritmo Adam, amplamente reconhecido em redes neurais profundas por sua robustez e rápida convergência. Para mitigar o risco de sobreajuste e assegurar uma melhor generalização, foi implementado um critério de parada antecipada, monitorando a perda no conjunto de validação e interrompendo o treinamento caso não houvesse melhoria na função de perda após duas épocas consecutivas, o que contribuiu para a eficiência computacional e a estabilidade do processo de aprendizagem.

O autoencoder foi treinado exclusivamente com dados correspondentes à condição estrutural íntegra, permitindo que o modelo aprendesse a representação do comportamento normal da ponte. O treinamento foi realizado por até 200 épocas, com um tamanho de lote de 128, utilizando os próprios sinais de entrada como alvo de reconstrução e um conjunto de validação composto por dados íntegros não utilizados no treinamento. A evolução da função de perda demonstrou que o processo de aprendizado convergiu aproximadamente na época 25, com uma redução significativa do erro de reconstrução, passando de valores iniciais em torno de 0,5 para aproximadamente 0,1. Após esse ponto, a perda de validação permaneceu estável, enquanto a perda de treinamento atingiu um patamar quase nulo, indicando que o modelo alcançou uma representação adequada do comportamento estrutural normal sem evidências de sobreajuste. Avaliação do desempenho

A avaliação inicial do modelo foi realizada por meio da comparação direta entre os sinais temporais de entrada e aqueles reconstruídos pelo autoencoder. Para a condição estrutural íntegra, o modelo demonstrou uma elevada capacidade de reproduzir o sinal com alta fidelidade, apresentando uma reconstrução suavizada e com significativa redução do ruído. Este comportamento sugere que o autoencoder aprendeu as características dominantes do comportamento dinâmico normal da estrutura, atuando implicitamente como um filtro, o que é um indicativo positivo de sua capacidade de representação.

Em contraste, quando o modelo foi aplicado a sinais provenientes da condição danificada, que não foram incluídos no treinamento, a reconstrução apresentou uma qualidade significativamente inferior. Observou-se que as variações operacionais e ambientais influenciaram fortemente a reconstrução, resultando em maiores discrepâncias entre o sinal original e o reconstruído. Essa diferença acentuada na qualidade da reconstrução evidencia a capacidade do autoencoder de distinguir eficazmente entre padrões associados à condição saudável e aqueles relacionados a estados anômalos, estabelecendo a base para a detecção de danos por meio da análise do erro de reconstrução.

A avaliação quantitativa do desempenho do método de detecção de danos foi realizada por meio da análise do erro de reconstrução do autoencoder e de métricas clássicas de classificação, como a matriz de confusão. Esta matriz forneceu uma visão direta da capacidade do modelo em diferenciar entre estados estruturais íntegros e danificados. Verificou-se que 92,4% dos segmentos correspondentes à condição danificada foram corretamente identificados como anômalos, demonstrando uma elevada sensibilidade do método à presença de dano estrutural.

Este resultado é particularmente relevante para o monitoramento da saúde estrutural, pois a maximização da taxa de acertos da classe anômala está diretamente ligada à mitigação de riscos reais. Falhas na identificação de danos, conhecidas como falsos negativos, podem levar à progressão não detectada de patologias estruturais, com o potencial de resultar em colapsos ou interrupções severas de serviço. Portanto, a priorização da sensibilidade do modelo é mais crítica do que a simples acurácia global, pois se alinha diretamente com a prevenção de eventos de alto impacto e a segurança da infraestrutura.

Por outro lado, aproximadamente 7,6% dos sinais danificados foram classificados como normais, configurando falsos negativos. Embora indesejáveis, esses casos podem ser atribuídos à sobreposição parcial entre os padrões de resposta estrutural sob dano leve e as variações operacionais ou ambientais. Em relação à condição íntegra, 66,1% dos segmentos foram corretamente classificados como normais, enquanto 33,9% foram incorretamente identificados como anômalos, caracterizando falsos positivos.

Este resultado está associado ao caráter deliberadamente conservador do método, que utiliza o erro de reconstrução como critério de decisão. Variações naturais do comportamento estrutural, ruído de medição e influências ambientais podem elevar o erro de reconstrução mesmo na ausência de dano, levando à classificação de alguns sinais íntegros como anômalos. Contudo, essa abordagem aumenta a sensibilidade do modelo para detectar alterações estruturais relevantes, o que é um trade-off aceitável em aplicações práticas de monitoramento de saúde estrutural, onde o equilíbrio entre detecção de danos e alarmes falsos deve ser avaliado conforme os requisitos de segurança e risco da infraestrutura.

A definição do limiar de decisão para separar estados normais e anômalos é um aspecto central da metodologia. O limiar foi determinado com base no índice de Youden (Fluss et al., 2005), que maximiza simultaneamente a taxa de verdadeiros positivos e minimiza a taxa de falsos positivos. Este critério oferece uma escolha objetiva do limiar, equilibrando sensibilidade e especificidade e evitando decisões arbitrárias baseadas apenas em inspeção visual, o que é fundamental para a robustez do sistema de detecção.

A análise do erro de reconstrução dos dados íntegros por meio de um histograma permitiu visualizar a distribuição dos valores de erro para as condições normal e danificada. Observou-se uma separação clara entre as distribuições, embora com uma região de sobreposição, uma característica comum em problemas reais de Structural Health Monitoring (SHM). Essa sobreposição indica a complexidade de distinguir perfeitamente entre condições de dano leve e variações normais, reforçando a necessidade de métodos robustos como o autoencoder.

A análise por meio da curva Receiver Operating Characteristic (ROC) complementou a avaliação do desempenho global do método. A curva ROC descreve o comportamento do classificador para diferentes valores de limiar, relacionando a taxa de verdadeiros positivos com a taxa de falsos positivos. O valor da área sob a curva (AUC) foi de aproximadamente 0,78, indicando uma boa capacidade discriminativa do modelo, significativamente superior ao desempenho aleatório. Este resultado confirma que o erro de reconstrução aprendido pelo autoencoder contém informação relevante sobre o estado estrutural da ponte, permitindo distinguir, de forma robusta, entre condições íntegras e danificadas, mesmo na presença de variabilidade operacional e ambiental.

Em conjunto, os resultados obtidos indicam que o autoencoder, treinado exclusivamente com dados da condição íntegra, é capaz de aprender uma representação consistente do padrão associado ao estado normal e de identificar desvios relacionados a danos por meio do aumento do erro de reconstrução. Embora a AUC de 0,78 sugira que ainda há espaço para melhorias na capacidade global de discriminação entre estados íntegros e anômalos, o modelo apresenta desempenho elevado na identificação da classe anômala, com uma taxa de acerto superior a 90%. Este aspecto é particularmente relevante para o problema em questão, onde a correta identificação de danos possui maior importância prática do que a classificação da condição íntegra, uma vez que erros nesse contexto estão diretamente associados a riscos à segurança da infraestrutura.

Dessa forma, a abordagem baseada em autoencoders demonstra ser uma alternativa robusta e promissora aos métodos tradicionais de inspeção e às técnicas supervisionadas, especialmente em contextos onde dados rotulados de dano são escassos ou inexistentes. O método possui potencial para aplicação em sistemas de monitoramento contínuo, contribuindo para estratégias de manutenção baseada em condição e para o aumento da resiliência de infraestruturas críticas frente a cenários de envelhecimento e mudanças climáticas. A capacidade de identificar precocemente alterações estruturais é essencial para a segurança e otimização da vida útil das pontes, alinhando-se diretamente com o objetivo central deste estudo.

4. Conclusão

O presente estudo objetivou desenvolver e avaliar uma abordagem baseada em aprendizado de máquina para o reconhecimento de anomalias em séries temporais de aceleração estrutural de pontes. Verificou-se que o autoencoder, treinado exclusivamente com dados representativos da condição íntegra, demonstrou capacidade de aprender os padrões de comportamento saudável da estrutura. A análise do erro de reconstrução, quantificado pelo erro quadrático médio (MSE), permitiu identificar desvios em relação a essa condição, com uma taxa de detecção da classe anômala superior a 90%. Observou-se um desempenho global satisfatório, com área sob a curva ROC (AUC) próxima de 0,78, indicando a robustez da abordagem em distinguir entre condições íntegras e danificadas, mesmo diante de variabilidade operacional e ambiental. A priorização da sensibilidade na detecção de danos mostrou-se crucial para a mitigação de riscos em infraestruturas críticas.

A principal contribuição deste trabalho reside na oferta de uma alternativa robusta e promissora aos métodos tradicionais de inspeção e às técnicas supervisionadas, especialmente em cenários de escassez de dados rotulados de dano. O modelo desenvolvido possui potencial para aplicação em sistemas de monitoramento contínuo, otimizando estratégias de manutenção baseada em condição e aumentando a resiliência de infraestruturas críticas frente ao envelhecimento e às mudanças climáticas. Contudo, a sobreposição parcial entre os padrões de resposta estrutural sob dano leve e as variações operacionais ou ambientais, que resultou em falsos positivos e uma AUC de 0,78, indica que ainda há espaço para aprimoramentos na capacidade global de discriminação. Sugere-se que estudos futuros explorem a otimização do modelo para reduzir a taxa de falsos positivos, sem comprometer a alta sensibilidade na detecção de anomalias, e investiguem a integração de dados ambientais para refinar a distinção entre variações normais e danos reais.

Referências Bibliográficas

AKIBA, T.; SANO, S.; YANASE, T.; OHTA, T.; KOYAMA, M. 2019. Optuna: A next-generation hyperparameter optimization framework. In: ACM SIGKDD International Conference on Knowledge Discovery & Data Mining, 2019. Anais… p. 2623-2631.

ALAHAKOON, S.; PREETHICHANDRA, D. M. G.; EKANAYAKE, E. M. I. M. 2009. Sensor network applications in structures a survey. Electronic Journal of Structural Engineering 1: 1-10.

CURTIS, A. E.; SMITH, T. A.; ZIGANSHIN, B. A.; ELEFTERIADES, J. A. 2016. The mystery of the Z-score. Aorta 4(4): 124-130.

FAVARELLI, E.; GIORGETTI, A. 2020. Machine learning for automatic processing of modal analysis in damage detection of bridges. IEEE Transactions on Instrumentation and Measurement 70: 1-13.

FLUSS, R.; FARAGGI, D.; REISER, B. 2005. Estimation of the Youden Index and its associated cutoff point. Biometrical Journal: Journal of Mathematical Methods in Biosciences 47(4): 458-472.

JAMES, G.; WITTEN, D.; HASTIE, T.; TIBSHIRANI, R. 2013. An introduction to statistical learning: with applications in R. Springer, New York, NY, USA.

KATAM, R.; PASUPULETI, V. D. K.; KALAPATAPU, P. 2023. A review on structural health monitoring: past to present. Innovative Infrastructure Solutions 8(9): 248.

MAECK, J.; ROECK, G. D. 2003. Description of Z24 benchmark. Mechanical Systems and Signal Processing 17(1): 127-131.

NUMAN, M. 2024. Advancements in structural health monitoring: a review of machine learning approaches for damage detection and assessment. International Journal for Computational Civil and Structural Engineering 20(1): 124-142.

ORGANISATION FOR ECONOMIC COOPERATION AND DEVELOPMENT (OECD). 2024. Infrastructure for a climate-resilient future.

PALIN, E. J.; STIPANOVIC OSLAKOVIC, I.; GAVIN, K.; QUINN, A. 2021. Implications of climate change for railway infrastructure. Wiley Interdisciplinary Reviews: Climate Change 12(5): e728.

PALUBINSKAS, G. 2017. Image similarity/distance measures: what is really behind MSE and SSIM? International Journal of Image and Data Fusion 8(1): 32-53.

SEAGER, T. P.; CLARK, S. S.; EISENBERG, D. A.; THOMAS, J. E.; HINRICHS, M. M.; KOFRON, R.; ALDERSON, D. L. 2017. Redesigning resilient infrastructure research. p. 81-119. In: Resilience and Risk: Methods and Application in Environment, Cyber and Social Domains. Springer Netherlands, Dordrecht.

SHAH MANSOURI, T.; LUBARSKY, G.; FINLAY, D.; McLAUGHLIN, J. 2024. Machine learning-based structural health monitoring technique for crack detection and localisation using Bluetooth strain gauge sensor network. Journal of Sensor and Actuator Networks 13(6): 79.

SHANG, Z.; SUN, L.; XIA, Y.; ZHANG, W. 2021. Vibration-based damage detection for bridges by deep convolutional denoising autoencoder. Structural Health Monitoring 20(4): 1880-1903.

SHANG, Z.; XIA, Y.; CHEN, L.; SUN, L. 2022. Damping ratio identification using attenuation responses extracted by time series semantic segmentation. Mechanical Systems and Signal Processing 180: 109287.

ZHANG, A.; LIPTON, Z. C.; LI, M.; SMOLA, A. J. 2023. Dive into deep learning. Cambridge University Press, Cambridge, UK.

ZHANG, Y.; LEI, Y. 2021. Data anomaly detection of bridge structures using convolutional neural network based on structural vibration signals. Symmetry 13(7): 1186.

Artigo oriundo de Trabalho de Conclusão de Curso da Especialização em Data Science e Analytics do MBA USP/Esalq

Para saber mais sobre o curso, clique aqui e acesse a plataforma MBX Academy