Previsão de Deformações e Identificação de Falhas em Torres usando Redes Neurais Artificiais

Abstract

INTRODUÇÃO: As torres de transmissão de energia são infraestruturas sujeitas a severos carregamentos climáticos. No cenário elétrico atual, a inspeção visual e reativa torna-se onerosa, fazendo do Monitoramento de Saúde Estrutural preditivo uma possível solução. Contudo, simulações numéricas tradicionais pelo Método dos Elementos Finitos demandam elevado custo computacional. Este trabalho visa ultrapassar essa barreira através do desenvolvimento de um Gêmeo Digital via Inteligência Artificial, capaz de prever deformações da estrutura de forma quase instantânea. METODOLOGIA: O projeto dividiu-se na formulação mecânica e na aplicação de aprendizado de máquina. Inicialmente, desenvolveu-se um modelo estático linear tridimensional de uma torre com quinhentos e dez nós no OpenSees via Python, validado contra um gabarito bem estabelecido em MATLAB sob onze casos distintos de cargas de vento. A partir do modelo validado, aplicou-se o método de Amostragem por Hipercubo Latino para gerar cem mil simulações estocásticas, variando o fator de intensidade do vento de zero vírgula oito a um vírgula cinco vezes e aplicando redução aleatória do módulo de elasticidade, simulando dano de zero por cento a cinquenta por cento da integridade em três barras aleatórias da estrutura. Essa base de dados treinou uma Rede Neural Artificial profunda com quatro camadas ocultas, ativação ReLU e otimizador Adam, para processar o Problema Direto de inferência de deslocamentos e o Problema Inverso de localização de danos via sensores de deslocamento. SÍNTESE DOS RESULTADOS OBTIDOS: A validação do modelo de elementos finitos comprovou a qualidade da formulação geométrica, apresentando desvio inferior a um por cento no ponto crítico de deformação. Na avaliação do Gêmeo Digital, no Problema Direto, a Rede Neural obteve um Erro Médio Absoluto de apenas zero vírgula doze milímetros em relação ao solver. Em termos de desempenho, a inferência via Inteligência Artificial reduziu o tempo de análise de trinta e nove vírgula vinte e sete milissegundos para apenas zero vírgula treze milissegundos. No Problema Inverso, a rede conseguiu localizar falhas severas nos montantes principais da torre, mas encontrou forte dificuldade em diagnosticar perdas de rigidez em barras secundárias isoladas. CONCLUSÕES: A modelagem de Modelos Substitutos via Redes Neurais provou-se uma alternativa precisa, resolvendo o gargalo do custo computacional para o processamento de dados estruturais. Além disso, a dificuldade no diagnóstico do Problema Inverso revelou que em estruturas hiperestáticas a redistribuição de esforços mascara danos locais. Conclui-se que a instrumentação puramente estática é insuficiente para um monitoramento em torres de transmissão.