Seminario: Aprendizaje por transferencia en el monitoreo de la salud estructural: Un nuevo paradigma para soluciones económicas
Días, hora y lugar: Martes 12 de septiembre, 16h, aula de Conectividad, edificio de Aulas, Facultad de Ingeniería.
Resumen:
La implementación de algoritmos de aprendizaje automático (machine learning) en sistemas de monitoreo de la salud estructural (Structural Health Monitoring, SHM) necesita de una base de datos robusta para el entrenamiento y validación, cuya adquisición puede ser costosa y requerir mucho tiempo debido a la necesidad de periodos de monitoreo prolongados durante la fase de puesta en servicio de las estructuras.
En este contexto, la habilidad de transferir una base de datos entrenada para una estructura similar, ofrece un potencial enorme en términos de aplicabilidad, como así también como reducción de costos en SHM.
Esta presentación, dará una visión general de este campo emergente, resaltando recientes avances aplicados a casos específicos de detección de daño en estructuras con uniones abulonadas y puentes con distintos grados de semejanza.
Seminario: Detección de daño estructural en sistemas no lineales utilizando series de Volterra
Días, hora y lugar: Jueves 14 de septiembre, 11h, aula de Conectividad, edificio de Aulas, Facultad de Ingeniería.
Resumen: Uno de los desafíos más importantes en el monitoreo de la salud estructural (Structural Health Monitoring, SHM) implica gestionar y mitigar los efectos no lineales. Estos efectos pueden surgir de mecanismos de daño, tales como fisuras, o del comportamiento inherente de la estructura, como por ejemplo las no linealidades derivadas de la geometría, las relaciones constitutivas de los materiales o los niveles de excitación.
Este desafío se vuelve aún más complejo si tenemos en cuenta y cuantificamos las incertidumbres presentes en las estructuras del mundo real y sus correspondientes datos de monitoreo.
En esta presentación se analizará el uso de un método innovador para identificar sistemas no lineales basado en las series de Volterra. Este método permite aislar los componentes de la respuesta vibratoria que pueden atribuirse a efectos no lineales aproximables mediante no linealidades suaves.
La técnica implica múltiples convoluciones entre las señales de excitación y las respuestas al impulso de alto orden. Estas señales generan medidas de detección más sensibles y robustas, que pueden mejorar los métodos de clasificación en SHM, reduciendo la incidencia de falsos positivos y negativos.
* Ambas presentaciones se realizarán de forma gratuita, sin necesidad de inscripción previa.
Sobre Samuel da Silva
Es Profesor Asociado en el Departamento de Ingeniería Mecánica de la Universidad del Estado de São Paulo (UNESP) en Ilha Solteira, Brasil. Es también Investigador del Consejo para el Desarrollo Científico y Tecnológico de Brasil (CNPq).
Obtuvo sus grados académicos de licenciatura y master (becario de FAPESP) en Ingeniería Mecánica en la UNESP en 2002 y 2005, respectivamente.
En 2008, obtuvo su doctorado en Ingeniería Mecánica de la Universidad Estadual de Campinas (UNICAMP). Durante sus estudios doctorales recibió una beca de doctorado sandwich para realizar investigaciones en la Universidad de Franche-Comté en Besançon, Francia.
En 2019-2020 fue Investigador Visitante en Arts et Métiers en Paris, Francia, a través de una beca de la Fundación de Investigación de San Pablo (FAPESP).
Actualmente, es miembro del Comité Editorial del Journal of the Brazilian Society of Mechanical Sciences and Engineering.
El Prof. da Silva ha dirigido nueve (9) tesis doctorales finalizadas y ha publicado más de setenta (70) trabajos en revistas internacionales con referato. Sus temas de investigación incluyen: Monitoreo de Salud Estructural, Identificación de Sistemas, Procesamiento de Señales, Dinámica no lineal y Mecánica Aplicada.
