Identificação de Danos Estruturais via Inferência Bayesiana com uma Nova Modelagem Hierárquica e Priori Spike-and-Slab

Autores

DOI:

https://doi.org/10.5902/2179460X87212

Palavras-chave:

Inferˆencia Bayesiana, Método de Monte Carlo com Cadeias de Markov Adaptativo, Priori Spike-and-Slab

Resumo

O presente trabalho tem como propósito formular e resolver o problema inverso de identificação de danos estruturais empregando Inferência Bayesiana. Na solução do problema direto é considerado o Método de Elementos Finitos (MEF). A modelagem do campo de dano é realizada por meio do parâmetro de coesão, o qual descreve continuamente a integridade da estrutura. O problema de identificação de danos é formulado como problema inverso de estimação de parâmetros, onde a distribuição de probabilidade a posteriori dos parâmetros de coesão é amostrada empregando o Método de Monte Carlo com Cadeias de Markov Adaptativo com priori do tipo Spike-Slab, onde foi adotada uma nova modelagem hierárquica do problema inverso e uma distribuição a priori apropriada que modela naturalmente as informações disponíveis sobre os parâmetros de interesse.

Downloads

Não há dados estatísticos.

Biografia do Autor

Josiele da Silva Teixeira, Universidade do Estado do Rio de Janeiro

Possui Bacharelado em Matemática com ênfase em Modelagem Matemática pela Universidade Federal do Espírito Santo (2011). Mestrado em Modelagem Computacional pelo Instituto Politécnico (IPRJ), Campus Regional de Nova Friburgo, RJ (2014). Doutorado em Modelagem Computacional pelo Instituto Politécnico (IPRJ), Campus Regional de Nova Friburgo, RJ (2018). Vem atuando na área de matemática aplicada e modelagem computacional desde 2012, onde tem desenvolvido trabalhos nas linhas de pesquisa: Problemas inversos, Identificação de danos estruturais a partir de ensaios de vibração e Inferência Bayesiana. 

Helio dos Santos Migon, Universidade do Estado do Rio de Janeiro

Graduou-se em Estatística pela Escola Nacional de Ciências Estatísticas (1970), obteve o mestrado em Estatística pela Universidade de São Paulo (1974) e doutorado em Estatística pela University of Warwick, UK (1984). Atualmente, é pesquisador visitante no IPRJ - Instituto de Pesquisa do Rio de Janeiro (UERJ), Faperj) e professor Emérito da Universidade Federal do Rio de Janeiro. Tem experiência na área de Probabilidade e Estatística, com ênfase em Probabilidade e Estatística Aplicadas, atuando principalmente nos seguintes temas: Inferência Bayesiana, Modelos Dinâmicos e Previsões Bayesianas, Amostragem de Populações Finitas, Econometria Aplicada a Finanças e Atuária.

Leonardo Tavares Stutz, Universidade do Estado do Rio de Janeiro

Possui graduação em Engenharia Mecânica pela Universidade Federal do Rio de Janeiro (1997), mestrado em Engenharia Mecânica pelo Instituto Alberto Luiz Coimbra de Pós-Graduação e Pesquisa de Engenharia - COPPE (1999) e doutorado em Engenharia Mecânica pelo Instituto Alberto Luiz Coimbra de Pós-Graduação e Pesquisa de Engenharia - COPPE (2005). Atualmente é Professor Associado da Universidade do Estado do Rio de Janeiro, sendo membro do Departamento de Engenharia Mecânica e Energia e do Programa de Pós-Graduação em Modelagem Computacional do Instituto Politécnico (IPRJ), Campus Regional de Nova Friburgo, RJ. Atua na área de Dinâmica e Vibrações. Seus principais interesses são: Modelagem, estimação de parâmetros e seleção de classes de modelos; Identificação de danos estruturais; Amortecimento viscoelástico; Redução de ordem de modelos; e Inferência Bayesiana. 

Diego Campos Knupp, Universidade do Estado do Rio de Janeiro

Possui graduação em Engenharia Mecânica pelo Instituto Politécnico da Universidade do Estado do Rio de Janeiro (2009). Possui mestrado (2010) e doutorado (2013) em Engenharia Mecânica pela COPPE/UFRJ. Atualmente ocupa o cargo de Professor Adjunto no Instituto Politécnico, IPRJ/UERJ e é docente do quadro permanente do Programa de Pós-Graduação em Modelagem Computacional (Nota 6 CAPES - Mestrado e Doutorado). Eleito Membro Afiliado da Academia Brasileira de Ciências (2019-2023). É autor de mais de 100 artigos publicados em periódicos especializados e conferências, suas principais áreas de interesse incluem problemas inversos em engenharia, métodos híbridos, transformação integral, transferência de calor na micro/nano-escala, e otimização. 

Antônio José da Silva Neto, Universidade do Estado do Rio de Janeiro

Antônio José da Silva Neto é Engenheiro Mecânico/Nuclear (UFRJ,1983), M.Sc. em Engenharia Nuclear (COPPE/UFRJ, 1989) e Ph.D. em Engenharia Mecânica (North Carolina State University, 1993). Desde 1997 é professor no Instituto Politécnico da Universidade do Estado do Rio de Janeiro. Atua na área de Engenharia Mecânica, com ênfase em Transferência de Calor, e em Matemática Aplicada e Computacional, com ênfase em Métodos Numéricos. Em seu Currículo Lattes os termos mais frequentes na contextualização da produção científica e tecnológica são: Problemas Inversos, Radiação Térmica, Condução de Calor, Equação de Boltzmann, Meios Participantes e Estimativa de Termo Fonte. 

Referências

Albani, R. A., Albani, V. L., Gomes, L. E. S., Migon, H. S., and Silva Neto, A. J. (2023).

Bayesian inference and wind field statistical modeling applied to multiple source estimation. Environmental Pollution, 321:121061.1–11.

Andersen, M. R., Vehtari, A., Winther, O., and Hansen, L. K. (2017). Bayesian inference for spatio-temporal spike-and-slab priors. Journal of Machine Learning Research, 18:1–58.

Hastings, W. K. (1970). Monte Carlo sampling methods using Markov Chain and their applications. Biometrika, 57:97–109.

Hern´andez-Lobato, D., Hern´andez-Lobato, J. M., and Dupont, P. (2013). Generalized spike-and-slab priors for bayesian group feature selection using expectation propagation. Journal of Machine Learning Research, 14:1891–1945.

Link, M. and Weiland, M. (2009). Damage identification by multi-model updating in the modal and in the time domain. Mech. Syst. Signal Process, 23:1734–1746.

Malakoff, D. M. (1999). Bayes offers “new” way to make sense of numbers. Science, 268:1460–1464.

Migon, H. S., Gamerman, D., and Louzada, F. (2014). Statistical Inference - An Integrated Approach, volume 1. FL: Chapman Hall, Boca Raton, 2 edition.

Mitchell, T. J. and Beauchamp, J. J. (1988). Bayesian variable selection in linear regression. Journal of the American Statistical Association, 83:1023–1032.

Ozisik, M. N. and Orlande, H. R. B. (2021). Inverse Heat Transfer. CRC Press, Boca Raton, 2 edition.

Pandey, A. K. and Biswas, M. (1994). Damage detection in structures using changes in flexibility. Journal of Sound and Vibration, 169(1):3–17.

Reddy, J. N. (1984). An Introduction to the Finite Element Method. McGraw-Hill.

Stutz, L. T., Castello, D. A., and Rochinha, F. A. (2005). A flexibility-based continuum damage identification approach. Journal of Sound and Vibration, 279:641–667.

Stutz, L. T., Rangel, I. C. S. S., Rangel, L. S., Corrˆea, R. A. P., and Knupp, D. C. (2018). Structural damage identification built on a response surface model and the flexibility matrix. Journal of Sound and Vibration, 434:284–297.

Taghizadeh, L., Karimi, A., Stadlbauer, B., Weninger, W. J., Kaniusas, E., and Heitzinger, C. (2020). Bayesian inversion for electrical-impedance tomography in medical imaging using the nonlinear poisson–boltzmann equation. Computer Methods in Applied Mechanics and Engineering, 365:112959.

Tanner, M. A. (1993). Tools for Statistical Inference. Springer Verlag, New York.

Teixeira, J. S., Stutz, L., Knupp, D. C., and Silva Neto, A. J. (2016). Structural damage identification via time domain response and Markov Chain Monte Carlo method. Inverse Problems in Science and Engineering, 25(6):909–935.

Teixeira, J. S., Stutz, L. T., Knupp, D. C., and Neto, A. J. S. (2020). A new adaptive approach of the metropolis-hastings algorithm applied to structural damage identification using time domain data. Applied Mathematical Modelling, 82:587–606.

V¨olkel, S. H., Kr¨uger, C. J., and Kokkotas, K. D. (2021). Bayesian inverse problem of rotating neutron stars. Physical Review D, 103:083008.

Downloads

Publicado

2024-11-07

Como Citar

Teixeira, J. da S., Migon, H. dos S., Stutz, L. T., Knupp, D. C., & Silva Neto, A. J. da. (2024). Identificação de Danos Estruturais via Inferência Bayesiana com uma Nova Modelagem Hierárquica e Priori Spike-and-Slab. Ciência E Natura, 46(esp. 1), e87212. https://doi.org/10.5902/2179460X87212

Edição

v. 46 n. esp. 1 (2024): ERMAC e ENMC

Seção

Edição Especial 1

Licença

Copyright (c) 2024 Ciência e Natura

Creative Commons License

Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.

Para acessar a DECLARAÇÃO DE ORIGINALIDADE E EXCLUSIVIDADE E CESSÃO DE DIREITOS AUTORAIS clique aqui.

 

Diretrizes Éticas para Publicação de Revistas

A revista Ciência e Natura está empenhada em garantir a ética na publicação e na qualidade dos artigos.

A conformidade com padrões de comportamento ético é, portanto, esperada de todas as partes envolvidas: Autores, Editores e Revisores.

Em particular, 

Autores: Os Autores devem apresentar uma discussão objetiva sobre a importância do trabalho de pesquisa, bem como detalhes e referências suficientes para permitir que outros reproduzam as experiências. Declarações fraudulentas ou intencionalmente incorretas constituem comportamento antiético e são inaceitáveis. Artigos de Revisão também devem ser objetivos, abrangentes e relatos precisos do estado da arte. Os Autores devem assegurar que seu trabalho é uma obra totalmente original, e se o trabalho e / ou palavras de outros têm sido utilizadas, isso tem sido devidamente reconhecido. O plágio em todas as suas formas constitui um comportamento publicitário não ético e é inaceitável. Submeter o mesmo manuscrito a mais de um jornal simultaneamente constitui um comportamento publicitário não ético e é inaceitável. Os Autores não devem submeter artigos que descrevam essencialmente a mesma pesquisa a mais de uma revista. O Autor correspondente deve garantir que haja um consenso total de todos os Co-autores na aprovação da versão final do artigo e sua submissão para publicação.

Editores: Os Editores devem avaliar manuscritos exclusivamente com base no seu mérito acadêmico. Um Editor não deve usar informações não publicadas na própria pesquisa do Editor sem o consentimento expresso por escrito do Autor. Os Editores devem tomar medidas de resposta razoável quando tiverem sido apresentadas queixas éticas relativas a um manuscrito submetido ou publicado.

Revisores: Todos os manuscritos recebidos para revisão devem ser tratados como documentos confidenciais. As informações ou ideias privilegiadas obtidas através da análise por pares devem ser mantidas confidenciais e não utilizadas para vantagens pessoais. As revisões devem ser conduzidas objetivamente e as observações devem ser formuladas claramente com argumentos de apoio, de modo que os Autores possam usá-los para melhorar o artigo. Qualquer Revisor selecionado que se sinta desqualificado para rever a pesquisa relatada em um manuscrito ou sabe que sua rápida revisão será impossível deve notificar o Editor e desculpar-se do processo de revisão. Os Revisores não devem considerar manuscritos nos quais tenham conflitos de interesse resultantes de relacionamentos ou conexões competitivas, colaborativas ou outras conexões com qualquer dos autores, empresas ou instituições conectadas aos documentos.

Artigos mais lidos pelo mesmo(s) autor(es)