Banca de QUALIFICAÇÃO: THIAGO EDUARDO DOS SANTOS

Uma banca de QUALIFICAÇÃO de MESTRADO foi cadastrada pelo programa.
DISCENTE: THIAGO EDUARDO DOS SANTOS
DATA: 27/08/2026
HORA: 14:30
LOCAL: DCC
TÍTULO:

 

 

     METODOLOGIA COMPUTACIONAL BASEADA EM MACHINE LEARNING PARA ANÁLISE DA VARIABILIDADE E DETECÇÃO DE DANOS EM REFORÇADORES AERONÁUTICOS CONSIDERANDO O EFEITO DAS INCERTEZAS

PALAVRAS-CHAVES:

Inteligência artificial, RNA, KNN, Random Forest, Regressã linear, quantificação de incertezas, Análise modal, reforçadores aeronáuticos

PÁGINAS: 84
GRANDE ÁREA: Ciências Exatas e da Terra
ÁREA: Ciência da Computação
SUBÁREA: Matemática da Computação
ESPECIALIDADE: Modelos Analíticos e de Simulação
RESUMO:

O processo de fabricação de estruturas aeronáuticas introduz incertezas inerentes que podem comprometer a resposta dinâmica da estrutura, especialmente suas frequências naturais e modos de vibração. Essas variações devem permanecer dentro das tolerâncias estabelecidas durante a etapa de projeto, considerando as limitações e a capacidade produtiva dos processos de manufatura empregados. Nesse contexto, esta tese propõe uma metodologia computacional baseada em técnicas de Machine Learning para a quantificação de incertezas, por meio da predição das frequências naturais, e para a detecção e localização de danos (trincas) em reforçadores do tipo chapéu amplamente utilizados em estruturas aeronáuticas.

Na etapa de quantificação de incertezas, os modelos de Regressão Linear e Support Vector Machine (SVM) apresentaram elevado desempenho preditivo, alcançando coeficientes de determinação superiores a 0,99 e valores de RMSE inferiores a 0,02 para a estimação das frequências naturais. Para a detecção de trincas, o algoritmo Random Forest apresentou o melhor desempenho em cenários com quantidade limitada de dados, atingindo valores de F1-Score superiores a 0,90, enquanto as Redes Neurais Artificiais (RNAs) demonstraram maior capacidade de generalização à medida que o volume de dados foi ampliado, alcançando F1-Score de 0,997.

Comportamento semelhante foi observado na tarefa de localização das trincas, em que o Random Forest apresentou melhor desempenho para conjuntos reduzidos de treinamento, sendo posteriormente superado pelas RNAs com o aumento do número de amostras disponíveis. Para a estimação da posição da trinca, formulada como um problema de regressão e utilizando a curvatura modal como variável de entrada, as RNAs obtiveram excelente capacidade preditiva, alcançando coeficiente de determinação (R²) de 0,998 e RMSE de 0,4562. Os resultados demonstram o elevado potencial das técnicas de Machine Learning para a quantificação de incertezas e o monitoramento estrutural de componentes aeronáuticos, fornecendo uma abordagem precisa e computacionalmente eficiente para aplicações em Structural Health Monitoring (SHM).

MEMBROS DA BANCA:
Interno - ANDRE DE LIMA SALGADO (Suplente)
Externo ao Programa - FABIO LUCIO SANTOS - DEG/EENG (Membro)
Presidente - FRANCISCO SCINOCCA (Membro)
Interno - LUIZ HENRIQUE ANDRADE CORREIA (Suplente)
Interno - LUIZ HENRIQUE DE CAMPOS MERSCHMANN (Membro)