Uso de aprendizaje automático para evaluar el desempeño de métodos de cuantificación de daño

Abstract

En el pasado se ha propuesto una innumerable cantidad de métodos para la detección y localización de daño en vigas. Sin embargo, la cuantificación de daño aún presenta dificultades. Una falencia que se observa en la literatura sobre estos métodos es la falta de pruebas de su generalidad; i.e., suelen evaluarse en un número limitado de ejemplos arbitrarios. A pesar de que estos métodos se basan en modelos generales, como dichos modelos son simplificadores, no hay seguridad de que su desempeño sea bueno en la generalidad de los casos reales que supuestamente se ajustan a dichos modelos. Por ello, aquí se plantea una evaluación más robusta, y que puede ejecutarse en un tiempo razonable. Se propone hacer un estudio paramétrico utilizando elementos finitos sólidos y variando varios parámetros; e.g. forma y dimensiones de la sección transversal, esbeltez de la viga, y disposición de los sensores. La enorme cantidad de resultados generados hace difícil su análisis por humanos. Como alternativa innovadora, se resume la información utilizando una herramienta de aprendizaje automático llamada árboles de decisión para clasificación. Así se logra distinguir la relevancia de cada parámetro y sus interrelaciones en el desempeño final del método puesto a prueba.

A myriad of methods for detecting and locating damage in beams have been proposed in the past. However, the quantification of damage still presents difficulties. One deficiency found in the literature on these methods is the lack of evidence for their generality; i.e., they are usually evaluated in a limited number of arbitrary examples. Although these methods are based on general models, as these models are simplifying, there is no guarantee that their performance will be good in the generality of the real cases that supposedly fit those models. For this reason, a more robust evaluation is proposed here, which can be carried out in a reasonable time. It is proposed to do a parametric study using solid finite elements and varying several parameters; e.g., the shape and dimensions of the cross section, the slenderness of the beam, and the arrangement of the sensors. The huge amount of data generated makes its analysis by humans difficult. As an innovative alternative, information is summarized using a machine learning tool called Decision Trees for Classification. Thus, it is possible to distinguish the relevance of each parameter and their interrelationships in the final performance of the method under test.