Universidade do Estado do Rio de Janeiro

Centro de Tecnologia e Cincias

Faculdade de Engenharia





Genasil Francisco dos Santos



Identificao de danos estruturais utilizando tcnicas de
otimizao















Rio de Janeiro
2009

Genasil Francisco dos Santos




Identificao de danos estruturais utilizando tcnicas de
otimizao




Dissertao apresentada, como requisito
parcial para obteno do ttulo de Mestre,
junto ao PGECIV - Programa de Ps-
Graduao em Engenharia Civil da
Universidade do Estado do Rio de Janeiro
- UERJ. rea de concentrao: Estruturas.









Orientador: Prof. Francisco Jos da Cunha Pires Soeiro, PhD
Co-Orientador: Prof. Jos Guilherme Santos da Silva, DSc





Rio de Janeiro
2009



CATALOGAO NA FONTE
UERJ / REDE SIRIUS / CTCB








Autorizo, apenas para fins acadmicos e cientficos, a reproduo total ou parcial
desta dissertao:


S233 Santos, Genasil Francisco dos.
Identificao de danos estruturais utilizando tcnicas de otimizao./ Genasil
Francisco dos Santos. 2009.
90f.

Orientador: Francisco Jos da Cunha Pires Soeiro.
Co-orientador: Jos Guilherme Santos da Silva.

Dissertao (mestrado) Universidade do Estado do Rio de Janeiro,
Faculdade de Engenharia.

1.Teoria das estruturas. 2.Otimizao das estruturas. I.Soeiro,
Francisco Jos da Cunha Pires. II.Silva, Jos Guilherme Santos da.
Universidade do Estado do Rio de Janeiro. Faculdade de Engenharia.
III.Ttulo.

CDU 624.04


DEDICATRIA





















Aos meus pais, por terem me dado o dom da vida e
minha esposa, que sempre me acompanha
incentivando cada vez mais o meu trabalho.






AGRADECIMENTOS


Em primeiro lugar a meus pais, que me concederam vida. minha esposa
que faz parte de todos os meus dias, acompanhando minhas preocupaes e
satisfaes do dia-a-dia. Aos meus irmos, amo vocs; sei que estiveram na torcida
para meu xito.
Ao Professor Jos Guilherme que me deu a oportunidade de voltar a estudar
em alto nvel e acreditou na minha capacidade de superao ao entrevistar-me. Sem
a sua permisso, eu no estaria aqui!
Ao Professor Francisco Soeiro que acreditou em mim, fornecendo todo
ensinamento necessrio para que eu chegasse at aqui, demonstrando que suas
horas dedicadas a mim no foram em vo.
Aos demais professores do PGECIV, que sempre foram pacientes com
minhas dvidas, em especial, os professores Biondi, Luciano, Pedro e Maria
Elizabeth, de quem tive excelentes aulas.
Aos amigos e companheiros da ps-graduao da UERJ, Natlia, Monique e
Antnio cuja caminhada iniciamos juntos.
Aos demais professores, funcionrios e estagirios do programa de ps-
graduao em engenharia civil, PGECIV, da Universidade do Estado do Rio de
Janeiro, em especial ao tcnico Rodolfo, que sempre foi solcito quando precisei.
CAPES - Coordenao de Aperfeioamento de Pessoal de Nvel Superior,
pelo apoio financeiro.
E a todos os amigos que, de alguma maneira, contriburam na execuo
deste trabalho, ao longo dessa jornada.































graa divina comear bem. Graa maior persistir na caminhada certa.
Mas a graa das graas no desistir nunca.

Dom Hlder Cmara



RESUMO

Santos, Genasil Francisco dos. Identificao de Danos Estruturais Utilizando
Tcnicas de Otimizao. Rio de Janeiro, 2009. 90f. Dissertao de Mestrado -
Faculdade de Engenharia, Programa de Ps-Graduao em Engenharia Civil,
Universidade do Estado do Rio de Janeiro.

Sistemas estruturais em suas variadas aplicaes incluindo-se veculos
espaciais, automveis e estruturas de engenharia civil tais como prdios, pontes e
plataformas off-shore, acumulam dano durante suas vidas teis. Em muitas
situaes, tal dano pode no ser visualmente observado. Do ponto de vista da
segurana e da performance da estrutura, desejvel monitorar esta possvel
ocorrncia, localiz-la e quantific-la. Mtodos de identificao de sistemas, que em
geral, so classificados numa categoria de Tcnicas de Avaliao No-Destrutivas,
podem ser utilizados para esta finalidade. Usando dados experimentais tais como
frequncias naturais, modos de vibrao e deslocamentos estticos, e um modelo
analtico estrutural, parmetros da estrutura podem ser identificados. As
propriedades estruturais do modelo analtico so modificadas de modo a minimizar a
diferena entre os dados obtidos por aquele modelo e a resposta medida. Isto pode
ser definido como um problema inverso onde os parmetros da estrutura so
identificados. O problema inverso, descrito acima, foi resolvido usando mtodos
globais de otimizao devido provvel presena de inmeros mnimos locais e a
no convexidade do espao de projeto. Neste trabalho o mtodo da Evoluo
Diferencial (Differential Evolution, DE) foi utilizado como ferramenta principal de
otimizao. Trata-se de uma meta-heurstica inspirada numa populao de solues
sucessivamente atualizada por operaes aritmticas como mutaes,
recombinaes e critrios de seleo dos melhores indivduos at que um critrio de
convergncia seja alcanado. O mtodo da Evoluo Diferencial foi desenvolvido
como uma heurstica para minimizar funes no diferenciveis e foi aplicado a
estruturas planas de trelias com diferentes nveis de danos.

Palavras-chave: Identificao de dano estrutural. Identificao de sistemas.
Problemas inversos. Mtodos globais de otimizao e evoluo diferencial (DE).


ABSTRACT

Structural systems in a variety of applications including aerospace vehicles,
automobiles and civil engineering structures such as tall buildings, bridges and
offshore platforms, accumulate damage during their service life. In several situations,
such damage may not be visually observable. From the standpoint of both safety and
performance, it is desirable to monitor the occurrence, location and extent of such
damage.System identification methods, which may be classified in a general
category of nondestructive evaluation techniques, can be employed for this purpose.
Using experimental data, such as eigenmodes, eigenvectors and static
displacements, and an analytical structural model, parameters of the structures can
be identified. The approach used in the present work is one where the structural
properties of the analytical model are varied to minimize the difference between the
analytically predicted and empirically measured response. This is an inverse problem
where the structural parameters are identified. In this work a reduced number of
vibration modes were used as the measured response. For the damage assessment
problem a close analytical model of the structural system is available and the model
of the damaged structure will be identified. Damage will be represented by a
reduction in the elastic stiffness properties of the structure.The problem described
above was solved using global methods of optimization due to the fact that
depending on the number of variables or the location of damage the resulting design
space is nonconvex presenting several local minima. In the present work, the
Differential Evolution Optimization Technique (DE) was used. It is a metaheuristic
inspired by a population of solutions that is successively updated by arithmetic
operations such as mutation and recombination, until convergence. The approach
was applied to simple truss structures with different levels of damage.

Keywords: Structural damage assessment. System identification techniques. Inverse
problems. Global methods of optimization and differential evolution optimization
technique


LISTA DE FIGURAS
Figura 2.1 - Diagrama de blocos representando o problema de identificao de
sistemas. 21
Figura 2.2 Representao de um elemento de trelia. ...........................................25
Figura 3.1 Fluxograma da tcnica de otimizao para identificao de danos. .....26
Figura 3.2 Compilao dos mtodos de otimizao utilizados. ..............................27
Figura 3.3 Trelia de 10 barras. .............................................................................28
Figura 3.4 Anlise dos esforos na trelia de 10 barras.........................................29
Figura 3.5 Resultado da aplicao do mtodo tipo gradiente.................................31
Figura 3.6 Resultado da aplicao do mtodo recozimento simulado. ..................34
Figura 3.7 Resultado da aplicao do mtodo algoritmo gentico. ........................36
Figura 3.8 Representao esquemtica do movimento de uma partcula..............38
Figura 3.9 Movimento das partculas na metodologia do PSO...............................39
Figura 3.10 Resultado da aplicao do mtodo enxame de partculas. .................40
Figura 3.11 Trajetos trilhados pelas formigas..........................................................42
Figura 3.12 Resultado da aplicao do mtodo colnia de formigas. ....................43
Figura 3.13 Resultado da aplicao do mtodo de Evoluo Diferencial...............44
Figura 3.14 Grfico comparativo dos valores mnimos das funes objetivos de
cada mtodo..............................................................................................................46
Figura 4.1 Espao de solues ..............................................................................48
Figura 4.2 Pontos iniciais e mutantes.....................................................................49
Figura 4.3 Fluxograma do Algoritmo DE. ...............................................................51
Figura 4.4 Funo de Pico. ....................................................................................53
Figura 4.5 Vista dos trs mnimos da funo. ........................................................53
Figura 4.6 Gerao1: Distribuio aleatria dos pontos.........................................55
Figura 4.7 Gerao 5: Inicia-se uma leve convergncia para a rea do mnimo
global. 56
Figura 4.8 Gerao 9: Todos os pontos esto na regio mnimo global. ...............57
Figura 4.9 Gerao 13: A convergncia est bem localizada no interior da
depresso que contm o mnimo global....................................................................58
Figura 4.10 Gerao 20: Mnimo global, todos os pontos convergiram. Critrio de
parada: 20 geraes..................................................................................................59
Figura 5.1 Trelia de 10 barras. .............................................................................61


Figura 5.2 Trelia de 10 barras, barra 8 danificada em 50% e sem rudo. .............62
Figura 5.3 Trelia de 10 barras, barra 1 danificada em 50% com rudo mximo de
1%. 63
Figura 5.4 Trelia de 10 barras, barras 1, 2 e 3 danificados com 60%, 40% e 20%
respectivamente e sem rudo. ...................................................................................64
Figura 5.5 Trelia de 10 barras, barra 6 danificado em 50% e sem rudo. .............65
Figura 5.6 Trelia de 10 barras, barras 1 e 4 danificadas em 50% e 30%, e rudo
mximo de 2%...........................................................................................................66
Figura 5.7 Trelia de 10 barras, barras 2, 5 e 10 danificadas em 50% e rudo
mximo de 3%...........................................................................................................67
Figura 5.8 Trelia de 27 barras. .............................................................................68
Figura 5.9 Quatro primeiros modos de vibrao da trelia de 27 barras. ...............68
Figura 5.10 Trelia de 27 barras, barra 13 danificada em 50% e sem rudo. .........69
Figura 5.11 Trelia de 27 barras, barra 26 danificada em 50% e sem rudo. .........70
Figura 5.12 Trelia de 27 barras, barras 4, 9 e 17 danificadas em 50% e rudo
mximo de 1%...........................................................................................................71
Figura 5.13 Trelia de 41 barras. ...........................................................................71
Figura 5.14 Quatro primeiros modos de vibrao da trelia de 41 barras. .............72
Figura 5.15 Trelia de 41 barras, barra 16 danificada em 50% e sem rudo. .........73
Figura 5.16 Trelia de 41 barras, barra 25 danificada em 50% e rudo mximo de
1%. 73
Figura 5.17 Trelia de 41 barras, barra 34 danificada em 50% e sem rudo. .........74
Figura 5.18 - Esquema do piso real. .........................................................................75
Figura 5.19 Esquema da laje suspensa por vigas treliadas (joists). .....................75
Figura 5.20 Trelia de 65 barras. ...........................................................................77
Figura 5.21 Quatro primeiros modos de vibrao da trelia de 65 barras. .............78
Figura 5.22 Trelia de 65 barras, barra 14 com 50% de dano e sem rudo............79
Figura 5.23 Trelia de 65 barras, barra 23 com 60% de dano e sem rudo............79
Figura 5.24 Trelia de 65 barras, barra 40 com 50% de dano e sem rudo............80
Figura 5.25 Trelia de 65 barras, barra 57 com 50% de dano e rudo mximo de
1%. 81
Figura 5.26 Trelia de 65 barras, barra 9 com 50% de dano e sem rudo..............82







LISTA DE TABELAS
Tabela 3.1 Esforos na trelia de 10 barras. ..........................................................29
Tabela 3.2 Comparao entre os mtodos ............................................................45
Tabela 4.1 Esquemas de mutaes. ......................................................................49
Tabela 5.1 Propriedades dos perfis........................................................................76


LISTA DE ABREVIATURAS E SIGLAS
AISC American Institute of Steel Construction
ACO Ant Colony Optimization
CISC Canadian Institute of Steel Construction
DE Differential Evolution
GA Genetic Algorithm
IEEE Institute of Electrical and Electronics Engineers
MEF Mtodo dos elementos finitos
PSO Particle Swarm Optimization
SA Simulated Annealing
MATLAB The MathWorks, Inc.



LISTA DE SMBOLOS
A rea transversal

i
2
Autovalor
i
Y
Autovetor
CR Coeficiente de Cruzamento (mtodo DE)
EI Coeficiente de rigidez flexo
GJ Coeficiente de rigidez toro
x
i,j
Componente de um vetor inicial (mtodo DE)
v
i,j
Componente do vetor mutante (mtodo DE)
u
i,j
Componente do vetor tentativa (mtodo DE)
L Comprimento longitudinal
k Constante de Boltzmann (mtodo SA)
1
c e
2
c Constantes de inrcia de cada partcula (mtodo PSO)
d
i
Dano do elemento i
U
x
Deslocamento no eixo x
U
y
Deslocamento no eixo y
t Espessura
F Fator de Mutao (mtodo DE)
i Grau de liberdade
x
best
Indivduo com melhor resposta da funo objetivo (mtodo DE)
x
r1
, x
r2
e x
r3
Indivduos escolhidos aleatoriamente (mtodo DE)
[C] Matriz de Amortecimento
[M] Matriz de Massa
[K] Matriz de Rigidez
best
x
Melhor indivduo da populao (mtodo DE)
*
g

Melhor posio alcanada pelo enxame (mtodo PSO)
*
i
x Melhor posio de cada partcula (mtodo PSO)
E Mdulo de elasticidade
e
N
Nmero de elementos
pop
n
Nmero de indivduos de uma populao (mtodo DE)


dv
n
Nmero de variveis de projeto (mtodo DE)
Rand Nmero randmico no intervalo [0,1] (mtodo DE)
P Populaes de indivduos
u
P
Populaes de indivduos modificados
t
i
x
Posio atual de cada partcula (mtodo PSO)
pb Probabilidade de Boltzmann (mtodo SA)
pop
n
x
Produto resultante do nmero de indivduos pelo nmero de
variveis (mtodo DE)
x
m
(t) Resposta medida experimentalmente
x
a
(t) Resposta obtida pelo modelo analtico
Somatrio
T Temperatura de controle do recozimento simulado
i e j Valor seqencial
Y
a
Valores analticos
Y
m
Valores experimentais medidos
E A Variao da energia de configurao (mtodo SA)
1 + t
i
v Velocidade atualizada de cada partcula (mtodo PSO)
t
i
v Velocidade com que cada partcula se move (mtodo PSO)
x
i

Vetor Inicial (mtodo DE)
v
i
Vetor Mutante (mtodo DE)
x Vetor que representa os deslocamento estticos
u
i

Vetor Tentativa (mtodo DE)



SUMRIO
1. INTRODUO E OBJETIVOS .............................................................................17
1.1. Introduo e objetivos...............................................................................17
1.2. Reviso Bibliogrfica.................................................................................17
1.3. Escopo do trabalho....................................................................................19
2. TCNICAS DE IDENTIFICAO DE SISTEMAS................................................20
2.1. O Problema de Identificao de Sistemas ...............................................20
2.2. Formulao de Danos em Estruturas.......................................................22
3. AVALIAO DE DANOS EM ESTRUTURAS......................................................26
3.1. Introduo...................................................................................................26
3.2. Trelia em estudo.......................................................................................28
3.3. Mtodo baseado em Gradiente .................................................................30
3.4. Recozimento Simulado..............................................................................31
3.5. Algoritmo Gentico....................................................................................34
3.6. Enxame de Partculas ................................................................................37
3.7. Colnia de Formigas..................................................................................41
3.8. Evoluo Diferencial ..................................................................................43
3.9. Comparao entre os mtodos.................................................................45
4. EVOLUO DIFERENCIAL.................................................................................47
4.1. Introduo...................................................................................................47
4.2. Algoritmo do DE.........................................................................................47
4.2.1. Populao ....................................................................................................47
4.2.2. Mutao .......................................................................................................48
4.2.3. Cruzamento (crossover) .............................................................................49
4.2.4. Seleo ........................................................................................................50
4.2.5. Critrios de Parada ......................................................................................51
4.3. Parmetros utilizados................................................................................52


4.4. Aplicao ....................................................................................................52
5. APLICAES DO MTODO DA EVOLUO DIFERENCIAL NA AVALIAO
DE DANOS ...............................................................................................................60
5.1. Introduo...................................................................................................60
5.2. Trelia de 10 barras....................................................................................61
5.3. Trelia de 27 barras....................................................................................67
5.4. Trelia de 41 barras....................................................................................71
5.5. Trelia de 65 barras....................................................................................74
6. CONCLUSES E TRABALHOS FUTUROS........................................................83
6.1. Concluses.................................................................................................83
6.2. Trabalhos futuros.......................................................................................84
REFERNCIAS.........................................................................................................86


















17
1. INTRODUO E OBJETIVOS

1.1. Introduo e objetivos

Os componentes de sistemas estruturais sofrem, ao longo de sua vida,
alteraes que normalmente so dependentes de fatores ambientais e das cargas
s quais esto submetidos. Estas alteraes, denominadas danos, podem levar ao
comprometimento desses componentes. fundamental que tais danos sejam
identificados e avaliados no que concerne s suas localizaes e intensidades.
Falhas nestas estruturas podem ocasionar prejuzos materiais e perda de vidas em
casos extremos. desejvel que se faa um acompanhamento da evoluo destes
danos de forma que possveis medidas preventivas sejam propostas e
implementadas.
Uma falha estrutural na forma de uma trinca macroscpica, por exemplo,
pode ser facilmente identificada; porm, mudanas microscpicas que prejudicam as
propriedades mecnicas da estrutura no so fceis de serem observadas
visualmente, tornando-se importante ento uma abordagem que permita a deteco
e correo deste dano antes que a estrutura seja realmente comprometida.
Estas observaes so partes da proposta desta dissertao, que busca,
atravs de um mtodo inverso, localizar e quantificar o dano presente num sistema
estrutural.

1.2. Reviso Bibliogrfica

O aparecimento do dano, em funo de sobrecargas, tenses, ou fadiga,
induz a perda de rigidez estrutural, isso, por sua vez, causa alteraes nas
respostas, tanto, estticas quanto dinmicas. Diversos pesquisadores tm proposto
esquemas de deteco de danos baseados na anlise das respostas medidas das
estruturas antes e depois de danificadas. Os primeiros trabalhos que surgiram,
utilizaram a resposta dinmica com essa finalidade. Adams et al. (1978) usaram uma
tcnica de vibrao no-destrutiva para avaliar a integridade de estruturas. Cawley e
Adams (1979) usaram mudanas nas freqncias naturais para identificar pontos de
dano numa estrutura.


18
Hajela e Soeiro (1989 e 1990) utilizaram tcnicas de identificao de sistemas
na deteco de danos em diferentes tipos de estruturas. Modos de vibrao,
deslocamentos estticos e combinao de diferentes respostas experimentais foram
empregadas na soluo do problema inverso de identificao de danos.
Soeiro e Hajela (1992) utilizaram resultados experimentais reais para o
problema inverso de avaliao de danos estruturais em uma trelia plana.
Saneyei e Onipede (1991) usaram deslocamentos estticos para determinar
danos em estruturas sob cargas aplicadas. Hjelmstad e Shin (1997), tambm,
avaliaram danos atravs de respostas estticas de estruturas simples. Hwan Oh et
al. (1999) avaliaram danos estruturais usando valores estticos e dinmicos de teste.
No processo de aplicar metodologia de tcnicas de otimizao global de
identificao de sistemas, Bavaresco (1996) utilizou Algoritmo Gentico como
ferramenta otimizadora para resolver o problema inverso de identificao de danos.
Bueno e Soeiro (1997) avaliaram danos estruturais resolvendo utilizando o
Recozimento Simulado.
Sawyer e Rao (2000) usaram Lgica Fuzzy para deteco e identificao de
danos baseados nos deslocamentos estticos e respostas dinmicas.
Cerri e Vestroni (2000) abordaram o problema de identificao de danos em
vigas usando freqncias medidas. Di Paola e Bilello (2004) propuseram um
procedimento de identificao de dano para a viga de Euller-Bernoulli submetida a
cargas estticas.
Moslem e Nafaspour (2002) detectaram danos estruturais usando modos de
vibrao como valores experimentais e Algoritmo Gentico como ferramenta
otimizadora.
Jeong et al. (2003) identificaram danos estruturais usando um mtodo de
reduo do domnio, onde cada parte de processo de identificao elimina os
elementos livres de dano.
Maity e Saha (2004) aplicaram uma rede neural com back-propagation
considerando deslocamentos e deformaes como parmetros de entrada na
localizao de danos em qualquer posio de uma viga. Soares (2004) e Cmara
(2006) usaram redes neurais artificiais para resolver o problema inverso de
identificao de danos utilizando dados estticos.


19
Jiang et al. (2005) aplicaram um mtodo interativo de deteco de dano
estrutural usando um circuito transdutor pizoeltrico, cujos dados utilizados foram os
modos de vibrao.
Kouchmeshky et al. (2006) utilizou um algoritmo co-evolucionrio para
identificao de dano estrutural usando dados estticos.

1.3. Escopo do trabalho

No Captulo 1 deste trabalho realizada uma introduo buscando-se rever
os aspectos bibliogrficos e o estado da arte deste tema, apresentado como
motivao deste estudo.
A seguir, no Captulo 2, sero descritas as Tcnicas de Identificao de
Sistemas e a formulao do dano estrutural.
O Captulo 3 destinado a apresentar a avaliao de danos em estruturas por
meio de um exemplo modelado sinteticamente e justificar o uso do mtodo da
Evoluo Diferencial, dentre as tcnicas de otimizao apresentadas, como a
ferramenta otimizadora para resolver o problema inverso de identificao de danos
das demais trelias.
No Captulo 4 apresentado o mtodo de otimizao Evoluo Diferencial
(DE).
No Captulo 5 aplicado o modelo de avaliao de danos em diversas trelias
usando o mtodo da Evoluo Diferencial.
Por ltimo, no Captulo 6, apresentam-se concluses e sugestes para a
realizao de trabalhos futuros.



20
2. TCNICAS DE IDENTIFICAO DE SISTEMAS

2.1. O Problema de Identificao de Sistemas

Uma maneira de se comprovar a veracidade de um modelo analtico atravs
da comparao da resposta prevista pelo modelo com a observada em testes ou
durante a operao. Embora medidas experimentais sejam em si imprecisas devido
presena de erros inerentes ao tipo de equipamento e inexatido das tcnicas de
aquisio de dados, limites razoveis podem ser estabelecidos dentro dos quais os
dados experimentais devem estar situados. Neste caso, se h suficiente confiana
nos dados experimentais, as Tcnicas de Identificao de Sistemas podem ser
utilizadas para correo ou aperfeioamento do modelo analtico.
Problemas de identificao de sistemas, tambm denominados de problemas
inversos, tm aplicaes em inmeras reas da engenharia, medicina e cincia de
modo geral. Nestes problemas as propriedades fundamentais de um sistema so
determinadas atravs da observao do comportamento do mesmo.
Duas categorias de problemas de identificao baseadas num conhecimento
preliminar do sistema podem ser visualizadas. A primeira refere-se completa
identificao do modelo onde pouca informao existe sobre as propriedades do
sistema como, por exemplo, se linear ou no, se possui memria ou no, etc.
Normalmente, neste caso, algum tipo de hiptese ter de ser feita para que se possa
obter alguma soluo. A segunda categoria pode ser referida como de identificao
parcial de modelo, pois caractersticas bsicas do sistema so conhecidas. Este
um problema mais fcil de resolver e nesta categoria se encontra o problema de
verificao da veracidade de modelos que est sendo tratado no presente trabalho.
A maioria das pesquisas em identificao de sistemas se situa nesta categoria, uma
vez que o modelo existe e apenas os parmetros sero modificados para haver
concordncia entre resultados analticos e experimentais. Este tipo de problema
tambm denominado de diferentes formas por alguns pesquisadores como de
aperfeioamento de modelos, de ajuste de modelos ou de correo de modelos.
Como primeiro passo para se modelar um sistema, deve-se identificar as
caractersticas que o definem. O problema de identificao de sistemas pode ser
representado pelo diagrama de blocos abaixo. O procedimento para se identificar um
modelo pode ser dividido nos seguintes passos:


21
1. Especificar e parametrizar uma classe de modelos matemticos que representam
o sistema a identificar;


Sistema a ser
identificado
Tcnica de
Identificao
Modelo do Sistema
entrada sada
M M
rudo rudo
Sada
medida
Entrada
medida
M - Instrumento de Medida

Figura 2.1 - Diagrama de blocos representando o problema de
identificao de sistemas.

2. Aplicar um sinal apropriadamente escolhido ao sistema e gravar os dados de
entrada e sada;
3. Executar a identificao de parmetros para selecionar o modelo dentro da
classe especificada que melhor se enquadra nos dados obtidos;
4. Executar um teste de validao para verificar se o modelo escolhido representa
corretamente o sistema; e
5. Se o teste de validao for bem sucedido, o procedimento finalizado. Caso
contrrio, uma outra classe de modelos deve ser selecionada e os passos de 2 a
4 repetidos at que um modelo validado seja obtido.

Se o modelo conhecido, aplicam-se apenas os passos de 2 a 4. Ao trmino
deste processo ter-se- o modelo analtico do problema.
Existem dois modos de identificao de sistemas. Um deles o feito "off-line",
onde os dados so primeiro observados e depois, baseado em todos os dados
gravados, os parmetros so estimados. Por outro lado, na identificao "on-line" as


22
estimativas dos parmetros so calculadas recursivamente para cada conjunto de
dados. Os novos dados obtidos so utilizados para atualizar os parmetros j
determinados. Se o processo de aquisio de dados for muito rpido possvel se
desenvolver uma tcnica de identificao "on-line", em tempo real.
As tcnicas de identificao podem ter diferentes classificaes, baseadas,
por exemplo, no tipo de dados utilizado, no tipo de sistema a ser identificado ou no
tipo de formulao a ser empregada. Dentre as formulaes que podem ser
empregadas, destaca-se o mtodo do erro na sada ("output error approach"), onde
algumas respostas caractersticas do sistema sero relacionadas como as variveis
para as quais se exigir uma concordncia entre os resultados previstos pelo modelo
analtico e as medidas experimentais. Ser ento criada uma funo objetiva que
tipicamente medida em mnimos quadrados da diferena entre os valores
apontados acima. De maneira geral, esta funo objetiva ter a forma da equao

( )
}
=
T
m
dt t x t x F
0
2
) ( ) (
(2.1)

onde x(t) obtido pelo modelo analtico e x
m
(t) a resposta medida
experimentalmente no domnio do tempo t num intervalo de tempo [0,T].
O modelo analtico de onde x(t) obtido contm os parmetros do sistema
que sero ajustados para minimizar a funo F. Em identificao de sistemas
estruturais, normalmente modos de vibrao, frequncias naturais e deslocamentos
estticos so selecionados como caractersticas a serem utilizadas para
identificao do modelo.

2.2. Formulao de Danos em Estruturas

Numa formulao de elementos finitos, as caractersticas da estrutura so
definidas em termos das matrizes de rigidez [K], amortecimento [C] e massa [M].
Quaisquer variaes nessas matrizes, como as que seriam introduzidas por um
dano, afetam a resposta da estrutura. Na presente dissertao, medidas simuladas
(sintticas) dos modos de vibrao, das frequncias naturais e dos deslocamentos
estticos sob cargas definidas, sero usadas para identificao do dano estrutural.


23
O modelo analtico que descreve o problema de autovalores para um sistema
sem amortecimento pode ser descrito em termos das matrizes de rigidez e massa,
mencionadas acima e definido pela equao

( ) 0 ] [ ] [
2
=
i i
q M K
(2.2)

onde
2
i
o i-simo autovalor e
i
q o correspondente autovetor. As matrizes [K] e
[M] podem ser ajustadas para minimizar as diferenas entre os autovetores medidos
experimentalmente e os obtidos pelo modelo analtico descrito acima.
Se os deslocamentos estticos forem utilizados para identificao, o modelo
envolver a matriz de rigidez apenas, como sugere a equao

| |( ) P x K =
(2.3)

onde x um vetor que representa os deslocamentos estticos obtidos a partir de
carga P.
Embora seja claro pelas equaes anteriores que uma variao nas matrizes
do sistema resulta em uma resposta diferente, mais importante do ponto de vista
da avaliao de danos relacionar estas diferenas com elementos especficos das
matrizes. considerado que o dano interno no resulta em perda de material, o que
leva hiptese de que a matriz de massa seja constante.
Tipicamente a matriz de rigidez pode ser expressa em termos de
propriedades de seo reta dos diversos elementos como a rea A e os momentos
de inrcia I e J. H tambm dependncia s dimenses do elemento como a
espessura t e comprimento L, alm das propriedades do material representadas
pelos mdulos de elasticidade longitudinal e transversal, E e G. Pode-se estabelecer
a seguinte relao

( ) | | GJ EI E A L t K K , , , , , = (2.4).

No presente trabalho as mudanas que ocorrem nessas grandezas devidas
ao dano sero condensadas em uma nica varivel que ser denominada d
i
. Seu


24
valor ser usado para multiplicar a matriz de rigidez de cada elemento. Se os
deslocamentos estticos ou modos de vibrao, medidos e obtidos analiticamente,
forem denotados respectivamente por Y
m
e Y
a
, o problema de otimizao resultante
pode ser definido como determinar o vetor de variveis de projeto d
i
que minimiza a
funo objetivo escalar que representa a diferena entre a resposta analtica e a
experimental. Pode ser representada da seguinte forma

( )

=
j
ij
a
ij
m
i
Y Y F
2
(2.5)

onde i representa o grau de liberdade e j denota a condio de carregamento
esttico ou o modo de vibrao em particular. Esta minimizao requer que Y
a
seja
obtido de um problema de autovalores, ou da equao de equilbrio esttico
utilizando-se a matriz [K] que ser identificada.
Limites inferiores e superiores de 0 e 1 foram estabelecidos para as variveis
d
i
que correspondem, respectivamente a um elemento sem dano e um elemento
totalmente danificado.
O mtodo de avaliao de danos descrito acima foi aplicado a uma srie de
trelias planas, com danos simulados em alguns membros, com diferentes graus de
severidade. A matriz de rigidez do elemento de trelia ser modificada para
incorporar a varivel de dano, conforme a expresso abaixo

2 2
2 2
(.)
2 2
2 2
(1 )
i i i
i
i
C CS C CS
CS S CS S d E A
K
L
C CS C CS
CS S CS S
(

(
(
=
(

(
(


(2.6)

onde C = cos e S = sin so mostrados no exemplo de elemento finito de trelia
da figura a seguir.



25



U
4

U
3

U
2

U
1

2
1
y
x
L
L: Comprimento do Elemento

Figura 2.2 Representao de um elemento de trelia.


26
3. AVALIAO DE DANOS EM ESTRUTURAS

3.1. Introduo

Como foi descrito no captulo anterior, o mtodo de avaliao de danos pode
resultar num problema de otimizao (ver Eq. 2.5). Trata-se de um problema onde
as restries so de igualdade e resolvidas implicitamente e so representadas
pelas equaes de equilbrio na anlise de problemas estticos, ou pelos problemas
de autovalores nos casos dinmicos. Suas caractersticas so automaticamente
satisfeitas quando o problema analtico resolvido. As variveis de projeto, d
i
, so
definidas no intervalo [0,1].
No fluxograma abaixo mostrado o processo de deteco de danos utilizado
em todo o trabalho.


Incio
(variveis iniciais)
Anlise em Elementos Finitos
Resposta Analtica
(modos de vibrao, frequncias
naturais ou deslocamentos estticos)
Otimizador
Resposta do Otimizador
(novo grupo de variveis)
Resultado
Convergiu?
Trmino
Sim
No
Valores
Experimentais
Modelo
estrutural em
elemento fintos

Figura 3.1 Fluxograma da tcnica de otimizao para identificao de
danos.



27
Para o modelo analtico das estruturas estudadas foi utilizado um programa
de elementos finitos para MATLAB, desenvolvido por Kwon e Bang (2000). Quanto
aos mtodos de otimizao, diversos otimizadores desenvolvidos para MATLAB
foram utilizados. Um caso simples foi resolvido por diversos mtodos e seus
resultados foram comparados para chegar ao mtodo que melhor soluo
apresentasse dentro da metodologia de avaliao de danos. Todas as ferramentas
otimizadoras usadas foram desenvolvidas para MATLAB. As sub-rotinas, prprias do
MATLAB, utilizadas foram: a fmincon que utiliza um mtodo baseado em gradientes
e os mtodos estocsticos Algoritmo Gentico (Genetic Algorithm, GA) e o
Recozimento Simulado (Simulated Annealing, SA), ambas como algoritmos
estocsticos. Ainda foram testadas duas outras sub-rotinas para mnimos globais
desenvolvidas por Viana (2008), tambm para MATLAB: o Enxame de Partculas
(Particle Swarm Optimization, PSO) e o Colnia de Formigas (Ant Colony
Optimization, ACO). Por ltimo, foi testado a Evoluo Diferencial (DE) desenvolvido
em linguagem MATLAB por Price et al. (2005), autores do mtodo. Na figura a seguir
so resumidos os mtodos de otimizao utilizados nesta dissertao.


Mtodos de Otimizao
Utilizados
Mtodos Clssicos Mtodos Estocsticos
Mtodo de Gradiente
Algoritmo Gentico
Colnia de Formigas
Enxame de Partculas
Recozimento Simulado
Evoluo Diferencial

Figura 3.2 Compilao dos mtodos de otimizao utilizados.



28
3.2. Trelia em estudo

A trelia da Figura 3.3 foi o objeto de estudo inicial do presente trabalho,
contm dez barras, seis ns e est submetida a uma fora P=10kN aplicada no n 2.
A trelia est apoiada nos ns 5 e 6, e as seguintes propriedades de materiais so:
rea de seo transversal com 5cm e mdulo de elasticidade longitudinal 205GPa.


Figura 3.3 Trelia de 10 barras.

Na Figura 3.4 mostrada a anlise dos esforos da trelia de dez barras. As
barras da trelia seguem uma escala de cores representada na parte de baixo da
trelia. Essa escala varia de azul (barras comprimidas) ao vermelho (barras
tencionadas). A tonalidade do azul decresce em direo ao vermelho em funo da
compresso menos efetiva em cada barra; da mesma forma acontece ao vermelho,
tornando a barra mais alaranjada e amarelada medida que o esforo da barra fica
mais fraco. A anlise dos esforos foi executada no programa Ansys. possvel
identificar na mesma figura o contorno original da trelia em relao deformao
causada pela carga aplicada no n dois. A diferena entre a posio do n original e
sua subseqente posio deformada indica o deslocamento esttico dos ns da
trelia. Dessa maneira, entende-se que o n 1 a posio inicial do n da trelia
antes da carga ser aplicada; o n 1 est defasado em virtude do carregamento
proposto. A diferena entre as posies 1 e 1 o deslocamento esttico do


29
respectivo n. Esse mesmo procedimento pode ser observado para os demais ns
da trelia, como, por exemplo, o n 2 e sua posio deformada 2.


Figura 3.4 Anlise dos esforos na trelia de 10 barras.

A anlise destas informaes permite trabalhar em favor da segurana
estrutural, assim possvel simular danos nas barras mais solicitadas. Na anlise
acima, a barra 3 a mais comprimida, enquanto que a barra 1 a mais tracionada,
como pode ser visto na tabela abaixo.

Tabela 3.1 Esforos na trelia de 10 barras.
Elemento Fora Normal (kN)
1 15,061
2 4,476
3 -14,939
4 -5,524
5 -0,434
6 4,476
7 6,986


30
8 -7,157
9 7,812
10 -6,330

O problema a ser resolvido pelas tcnicas de otimizao listadas corresponde
a identificao do dano de 50% na barra 1 e demais barras com dano zero. Para
soluo deste problema ser utilizada uma medio experimental sinttica dos
deslocamentos estticos dos ns da trelia. Nesta simulao sero utilizados os
deslocamentos horizontais e verticais dos ns, no caso da trelia de 10 barras, a
resposta da estrutura composta de oito valores, que corresponde aos
deslocamentos dos ns 1, 2, 3 e 4. Os ns 5 e 6 no possuem deslocamentos, seus
graus de liberdades esto restringidos.

3.3. Mtodo baseado em Gradiente

A ferramenta utilizada para com a caracterstica tipo gradiente do MATLAB
a sub-rotina fmincon. Sua implementao no processo de otimizao incrementa um
valor numrico, denominado passo, a cada iterao nas variveis de projeto. Um
passo muito pequeno a cada iterao tornar o mtodo muito lento, porque ser
preciso muitos incrementos para que a soluo possa chegar ao seu valor mnimo.
Em compensao, um passo muito grande, torna a convergncia rpida e imprecisa;
a possibilidade de um incremento ultrapassar um ponto de mnimo muito grande.
Para aplicar este mtodo deve-se determinar um ponto de partida, no caso
dos problemas de danos, adotado o vetor x
0
=[0 0 0 0 0 0 0 0 0 0]. Esse valor
considerado como o estado inicial da estrutura, tomando por base que no momento
em que suas barras so montadas na trelia, subentende-se que esto sem dano e
medida que a estrutura entra em uso, o dano passa a ser acumulado nas suas
barras.
Na figura a seguir ilustrado o resultado da aplicao da sub-rotina fmincon
do MATLAB na soluo do problema proposto. O valor mnimo da funo objetivo foi
de 1,8197x10
-4
na quinta iterao.



31

Figura 3.5 Resultado da aplicao do mtodo tipo gradiente.

A resposta desta ferramenta mostra que a convergncia foi encerrada na
quinta iterao, provavelmente, para o timo local mais prximo do ponto de partida.
Sua resposta no condiz com a simulao proposta.

3.4. Recozimento Simulado

O Recozimento Simulado (Simulated Annealing, SA) tem sua origem na
analogia entre o processo fsico do resfriamento de um metal em estado de fuso.
Este mtodo foi apresentado inicialmente como uma tcnica de otimizao
combinatria por Kirkpatrick et al. (1983) que o utilizaram no projeto de sistemas
eletrnicos.
A mecnica estatstica a disciplina central da fsica da matria condensada
que estuda as propriedades agregadas de um conjunto elevado de tomos
existentes em um lquido ou slido. Como o nmero de tomos da ordem de 10
por centmetro cbico, somente as caractersticas mais provveis do sistema em
equilbrio trmico sero observadas em experimentos. Isto caracterizado pelas
propriedades mdias e pequenas flutuaes em torno das mesmas. Cada situao


32
definida por um conjunto de posies atmicas afetadas pela probabilidade de
Boltzmann e pela energia de configurao dada pela seguinte equao

| |
kT
E
b
e p
A
=
(3.1)

onde:
- p
b
a probabilidade de Boltzmann;
- E A a variao da energia de configurao;
- k a constante de Boltzmann; e
- T a temperatura de controle do recozimento.

Uma questo fundamental na mecnica estatstica saber o que acontece ao
sistema em temperaturas baixas, se o mesmo permanece em estado lquido ou se
solidifica e, neste caso, se atinge uma configurao cristalina ou se transforma em
vidro. Isto est relacionado diretamente com a energia interna do material. Baixas
temperaturas no so condies suficientes para garantir que baixos nveis de
energia interna foram atingidos. Experimentos que levam a baixos nveis de energia
interna do material so baseados em um recozimento cuidadoso, ou seja, uma
reduo bem lenta da temperatura desde o estado de fuso do material, que vai
resultar numa estrutura cristalina pura. Se no for feito assim, os cristais resultantes
tero muitos defeitos e substncia pode se transformar em um vidro, que uma
estrutura apenas tima localmente.
Este processo de achar um estado de baixa energia simulado para a
soluo de um problema de otimizao. A funo objetivo ser correspondida ao
nvel de energia do sistema, que se deseja minimizar. A temperatura do sistema
fsico no tem equivalente no problema de otimizao. Esta ser apenas um
parmetro de controle.
No processo iterativo, se apenas configuraes que levam a uma reduo da
energia forem aceitas, haver uma convergncia rpida de uma temperatura elevada
para T = 0, o que fisicamente significa uma tmpera ou uma soluo metaestvel do
ponto de vista matemtico. A este processo, foi incorporado um aproveitamento
cuidadoso de passos de subida, ou seja, passos que resultam em um aumento da
funo objetivo, visando facilitar a obteno do timo global. Foi esta probabilidade


33
de se aceitar passos que levam a um valor pior da funo objetivo que levou a um
algoritmo que foge dos mnimos locais possibilitando a convergncia para o timo
global.
Repetindo-se este procedimento bsico diversas vezes o movimento dos
tomos de um material na temperatura T simulado. Utilizando-se a funo objetivo
no lugar da energia e denindo-se as conguraes atmicas como conjuntos de
variveis de projeto x
i
, gera-se um conjunto de conguraes de um problema de
otimizao a uma certa temperatura. Esta temperatura apenas um parmetro de
controle. A constante de Boltzmann tambm passa a ser um simples fator de escala
normalmente igualado unidade. O Recozimento Simulado consiste em primeiro
fundir o sistema a ser otimizado a uma temperatura elevada e depois em reduzir a
temperatura at que o sistema congele e no ocorra nenhuma melhora no valor da
funo objetivo. Em cada temperatura a simulao deve ser executada num nmero
tal de vezes que o estado de equilbrio seja atingido. A sequncia de temperaturas e
o nmero de rearranjos x
i
tentados em cada temperatura para o equilbrio
representam o esquema de recozimento do mtodo.
A implementao desta ferramenta desenvolvida em MATLAB demanda a
utilizao de um ponto partida, e pelos mesmos motivos apresentados no mtodo
baseado em gradientes adotado o vetor x
0
=[0 0 0 0 0 0 0 0 0 0].
Seu aperfeioamento demandou inmeras tentativas de otimizaes para que
se pudessem configurar seus parmetros, porm seus resultados no tiveram
sucesso com problemas multi-variveis. Na Figura 3.6 mostrada a soluo do
problema proposto (identificar a barra danificada a partir da resposta esttica da
estrutura); dano de 50% na barra 1 da trelia de dez barras e demais barras com
nvel zero de dano. O valor mnimo da funo objetivo encontrado foi de 3,1749x10
-5

com cinco mil iteraes calculadas e os valores de danos para as barras no
representaram a proposta do problema simulado. Na barra 1 o dano identificado foi
prximo de 41%, as demais barras, que deveriam mostrar nvel de dano zero,
apresentaram valores discrepantes. Nas barras 2, 5, 6 e 10 foram encontradas as
piores respostas.



34

Figura 3.6 Resultado da aplicao do mtodo recozimento simulado.

Os valores encontrados para as barras no condizem com a realidade do
problema proposto. Diversos elementos apresentaram danos nesta soluo e que,
na verdade, somente a barra 1 est danificada em 50% e as demais barras possuem
nvel zero de dano. Uma caracterstica dos mtodos estocsticos a exigncia do
elevado esforo computacional. Verifica-se que a soluo encontrada no a
correta e, provavelmente, a escolha dos parmetros desta ferramenta para soluo
deste problema no foi adequada.

3.5. Algoritmo Gentico

O Algoritmo Gentico (Genetic Algorithm, GA) foi desenvolvido com base nas
leis de evoluo natural das espcies, sua filosofia advm da Teoria de Darwin
(1859) que explica a sobrevivncia dos indivduos mais bem adaptados no meio
ambiente. Pertence categoria dos mtodos de busca estocstica com uma
vantagem de que a busca pode alcanar as regies do espao de projeto onde h
maior potencial de se encontrar o timo global. De maneira anloga ao processo
natural onde a populao de uma dada espcie se adapta ao seu habitat natural,
uma populao de projetos (possveis candidatos soluo do problema de
otimizao) criada aleatoriamente evoluda gerao aps gerao a fim de


35
encontrar a melhor soluo. As diversas alternativas de projetos que representam
uma populao numa determinada gerao so submetidas a cruzamentos entre
eles, tendo o melhor projeto maior probabilidade de ser utilizado nas prximas
geraes. Combinaes das melhores caractersticas dos membros mais adaptados
no processo de cruzamento resultam em uma populao de lhos melhor que a dos
pais. medida que a adaptabilidade de uma populao aumenta, sucessivas
geraes produziro melhores valores para funo objetivo. A terminologia utilizada
neste trabalho pode ser encontrada em Goldberg (1989).
O Algoritmo Gentico caracterizado por cadeias de bits representando
possveis solues de um dado problema e por transformaes utilizadas para variar
estas solues. No processo natural, por analogia, as informaes genticas so
armazenadas em cadeias de cromossomos que so alteradas atravs de geraes
para a adaptao ao meio ambiente. Esta estrutura cromossmica representa a
memria da gerao e alterada pela reproduo dos indivduos. Alm da
reproduo, mutaes ocasionais da informao gentica podem alterar a
constituio dos cromossomos. De maneira similar natureza, o Algoritmo Gentico
utiliza cromossomos para representar as possveis solues do problema no
processo de procura da melhor soluo.
O processo de cruzamento permite que as caractersticas dos melhores
indivduos sejam intercambiadas criando assim uma gerao seguinte mais
adaptada. Os membros da populao mais adaptados tero maiores oportunidades
de serem selecionados como pais contribuindo cada vez mais para a melhoria dos
cromossomos da gerao seguinte. Este mtodo baseado em um processo de
seleo dos indivduos para reproduo.
O processo de seleo pode ser tendencioso no sentido de produzir membros
mais bem adaptados e eliminar os menos aptos. Dentre as diversas maneiras
existentes de seleo, o elitismo permitir levar o indivduo mais bem adaptado da
populao direto para a gerao seguinte, isso possibilita que suas caractersticas
genticas promissoras possam ser aproveitadas na prxima gerao. Alm disso,
faz-lo reproduzir mais vezes com os demais indivduos, gera novos descendentes
com melhores aptides. O melhor indivduo ser aquele que apresenta menor valor
da funo de adaptabilidade (funo objetivo), tendo por base que este trabalho se
trata de um problema de minimizao.


36
A mutao procura inserir na populao um material gentico novo durante o
processo evolutivo. Sua principal caracterstica permiti que, a cada mutao inserida
na populao, ocorra a presena de pelo menos um indivduo com cromossomos
diferentes. Esse novo indivduo impede que os novos descendentes sejam iguais
aos seus pais, forando o aparecimento de novas solues. Este artifcio traz uma
robustez ao mtodo a fim de provocar a busca por uma soluo tima. Como ltima
fase do algoritmo, a funo objetivo (ou funo de adaptabilidade) indica qual
membro tem a melhor resposta.
Como o Algoritmo Gentico baseado em uma populao de indivduos
(solues) no h necessidade de um ponto de partida. Na figura abaixo so
mostrados os valores encontrados para a soluo do problema inverso de
identificao de um dano de 50% na barra 1 da trelia de dez barras e demais
barras com nvel zero de dano. Os valores experimentais usados foram os
deslocamentos estticos dos ns da estrutura, conforme descrito anteriormente. O
valor mnimo da funo objetivo de 3,2261x10
-6
na iterao 100.


Figura 3.7 Resultado da aplicao do mtodo algoritmo gentico.

Diversas barras danificadas apareceram na soluo apresentada pelo
Algoritmo Gentico, porm no condizem com a simulao proposta. Essa soluo
pode ter chegado num timo local da funo objetivo e sua convergncia para o


37
mnimo global da funo ficou comprometida. Alterar seus parmetros pode
melhorar a soluo, porm sua infinidade de combinao de parmetros pode
dificultar a calibragem do mtodo para aplicao. Semelhante aos exemplos
anteriores, o resultado encontrado no foi satisfatrio para o problema de maneira
que sua aplicabilidade ficou comprometida.

3.6. Enxame de Partculas

A otimizao por Enxame de Partculas, ou do original Particle Swarm
Optimization (PSO), um mtodo relativamente recente inspirado no
comportamento colaborativo de grupo de populaes biolgicas. Este um mtodo
adequado para otimizao de funes no-lineares contnuas. A teoria de enxames
(swarming theory), proposta por Kennedy e Eberhart (1995) tem inspirao no
comportamento de vo de bandos de pssaros e nado de cardumes de peixes.
Vrios cientistas, incluindo zologos, se interessaram pelas regras que gerenciam a
sincronia de um grande nmero de pssaros em vo, levando em considerao as
bruscas mudanas de direo, e caractersticas como disperso e reagrupamento.
Deste interesse, modelos foram gerados para uma melhor compreenso do
fenmeno. Essas ferramentas se baseiam na manipulao das distncias
interindividuais, onde a sincronia do comportamento de bando pode ser
caracterizada por uma funo que gerencia o esforo do pssaro em se manter
numa distncia tima entre seus colegas de bando. Na Figura 3.8 representado o
esquema de um enxame de partculas i em movimento. A posio g* representa a
melhor posio encontrada pelo bando e
*
i
x representa as inmeras possibilidades
de direes que cada partcula pode buscar, a fim de que o enxame, ao longo do
seu tempo de atuao, possa alcanar a posio tima.



38
Enxame de
Partculas i
Possibilidade de
direes do enxame
*
i
x

g*
Melhor posio de
cada partcula
Melhor posio do
enxame

Figura 3.8 Representao esquemtica do movimento de uma
partcula.

Na tcnica original proposta por Kennedy e Eberhart (1995), o bando de
pssaros representado perante num ambiente bi-dimensional. As posies de
cada pssaro (partcula) so representadas por sua equivalente posio cartesiana
(x, y), sendo ainda expressa a sua velocidade de deslocamento em cada eixo
especifico do plano. No controle da iterao, cada partcula, a menor parte do bando
a ser simulado, possui um movimento prprio que corresponde soma de trs
termos distintos como pode ser observado na Eq. (3.2). O primeiro termo
corresponde inrcia da partcula, que simboliza a velocidade com que a partcula
se move. O segundo termo se relaciona atrao da partcula com relao ao
melhor ponto em que se posicionou. O terceiro termo se relaciona com a atrao ao
posicionamento da partcula, porm ligada ao melhor ponto da soluo que todo o
grupo encontrou.

( ) ( )
t
i
t
i
t
i
t
i
x x c x g c v v + + =
+ *
2
*
1
1
(3.2)

onde:
-
1 + t
i
v a velocidade atualizada de cada partcula
-
t
i
v a velocidade com que cada partcula se move


39
-
1
c e
2
c so as constantes de inrcia de cada partcula
-
t
i
x a posio atual de cada partcula
-
*
i
x a melhor posio de cada partcula
-
*
g a melhor posio alcanada pelo enxame

A posio da partcula em relao ao bando pode ser expressa pela equao

t v x x
t
i
t
i
t
i
A + =
+ + 1 1
(3.3)

onde:
-
1 + t
i
x a posio atualizada da partcula
-
t
i
x a posio da partcula
-
1 + t
i
v a velocidade atualizada da partcula

O uso dessas equaes busca definir regras que movam as partculas de tal
forma que as posies busquem uma soluo tima para o bando. A procura de
solues no espao de projeto pelo Enxame de Partculas sugere uma modificao
imposta pelo termo velocidade como na figura a seguir.


y
x
1 + t
i
x

t
i
v
t
i
x
*
i
x
*
g

Figura 3.9 Movimento das partculas na metodologia do PSO.



40
Como o sistema dinmico, sua posio muda a todo instante conforme
apresentado na figura acima. A nova posio da partcula,
1 + t
i
x dada em funo da
posio atual
t
i
x , da velocidade
t
i
v , da localizao do melhor sucesso do indivduo
*
i
x e da melhor posio encontrada por qualquer membro de seu grupo
*
g .
As posies e as velocidades das partculas so inicializadas aleatoriamente
no domnio de cada varivel. A mudana na posio detalhada como sendo uma
diferena entre a melhor posio e a posio atual do indivduo. Aquele que tiver a
melhor posio no espao amostral ser considerado como soluo tima.
A funo bsica desta tcnica promover uma troca de informaes entre os
elementos do grupo denominadas partculas levando em conta o conhecimento de
grupo, a fim de promover sua segurana conjunta do bando.
O otimizador utilizado foi desenvolvido por Viana (2008) para MATLAB e foi
testada para resolver o mesmo problema proposto. Na figura a seguir mostrada a
configurao final das barras e o valor mnimo da funo objetivo em 4,1353x10
-6
na
centsima iterao.


Figura 3.10 Resultado da aplicao do mtodo enxame de partculas.



41
A soluo desta ferramenta esteve prxima de convergir para a configurao
correta do problema proposto (barra 1 danificada em 50% e demais barras sem
dano). No grfico acima mostrada a barra 1 com valor de dano da ordem de 46%,
porm as barras 2, 4, 5 e 7 tambm apresentaram danos mensurveis, mesmo
assim inferiores ao da barra 1. Nas barras 3, 6, 8, 9 e 10, os danos so prximos de
zero de modo que podem ser considerados corretos. Esta ferramenta pode
apresentar resultados melhores, caso alterarem seus parmetros adequadamente
tendo em vista que existe uma pequena convergncia para a barra danificada,
embora os outros elementos tenham tambm apresentado valores de danos.
Pequenas alteraes nos parmetros deste otimizador podem surtir efeitos bem
positivos. Seu custo computacional se manteve como os demais, em torno de 100
iteraes, de modo que houve alguma melhoria em relao ao Algoritmo Gentico, o
Recozimento Simulado e o mtodo baseado em gradientes (sub-rotina: fmincon do
MATLAB).

3.7. Colnia de Formigas

Para entender como o mtodo de Otimizao por Colnia de Formigas (Ant
Colony Optimization, ACO) foi criado, necessrio conhecer um pouco sobre o
comportamento das formigas. Cada inseto, quando caminha em busca de alimento,
deposita no solo uma substncia qumica chamada de feromnio. Como existe a
possibilidade da formiga seguir por vrios caminhos, o inseto pode considerar como
caminho mais adequado quele que possui a maior quantidade de feromnio
depositado. Um caminho cheio dessa substncia significa que est sendo mais
utilizado pela colnia, isso pode indicar um atrativo a mais dentre todos os caminhos
utilizados. Com o decorrer do tempo, essa substncia qumica evapora-se, o
caminho que restar, provavelmente, ser aquele que a maioria das formigas decidiu
trilhar,e as demais opes evaporaro em seguida. Na figura a seguir, possvel
diferenciar dois caminhos possveis, sendo o trajeto verde o mais curto.



42

Figura 3.11 Trajetos trilhados pelas formigas.

medida que as formigas se desloquem do seu ninho para a fonte de
alimento, ambos trajetos pode ser percorridos. Uma vez que o caminho mais curto
possa a ser mais utilizado, uma maior quantidade de feromnio depositado,
diferentemente do caminho mais longo que passa a ter o feromnio evaporado.
Dessa forma subentende-se que o caminho mais curto (trajeto verde), possivelmente
ser o mais utilizado pelas formigas no trajeto entre o seu ninho e a fonte de
alimento. Essa caracterstica sugere uma maneira prtica das formigas otimizarem
seu caminho.
O algoritmo de otimizao por formigas foi proposto por Dorigo e Gambardella
(1997). Um feromnio virtual utilizado para manter as boas solues na memria
do computador. A combinao do reforo positivo (depsito de feromnio) com o
negativo (evaporao) permite que se evite, na maioria dos casos, uma
convergncia prematura do algoritmo para solues no timas.
A ferramenta aplicada nesta dissertao foi desenvolvida por Viana (2008),
um otimizador robusto para soluo de problemas inversos de estimao de
parmetros contnuos. Sua caracterstica estocstica adequada para uma busca
global no espao de solues, embora, custa de um nmero grande de iteraes
e, consequentemente, de avaliaes da funo objetivo.
Esta ferramenta, dentre as outras testadas neste trabalho, iniciou um novo
horizonte de solues para o problema proposto, seu aproveitamento foi excelente
na identificao de danos nos primeiros testes. No grfico abaixo mostrado o valor
de dano do elemento 1 bem identificado, enquanto que os demais esto com seus
nveis de danos prximos de zeros e foi encontrado 2,7068x10
-7
como valor mnimo
da funo objetivo na quinquagsima iterao.


43


Figura 3.12 Resultado da aplicao do mtodo colnia de formigas.

O resultado ilustrado na figura acima mostrou excelente capacidade para
resolver este problema, a ferramenta no se perdeu no espao de projeto de dez
variveis e teve um rendimento computacional melhor que os outros mtodos
expostos at aqui. Sua convergncia ocorreu na quinquagsima iterao, o que
mostra maior rapidez na busca pelo timo global em relao s demais ferramentas
expostas at agora. A soluo acima, tambm, mostra que o mtodo convergiu para
um ponto prximo do mnimo global do problema ao encontrar a barra danificada
entre as dez barras da trelia. Outro aspecto relevante desta ferramenta a
pequena quantidade de parmetros configurados. Nesta soluo foram usadas 100
formigas na sua populao.

3.8. Evoluo Diferencial

uma meta-heurstica inspirada numa populao de solues
sucessivamente atualizada por operaes aritmticas como mutaes,
recombinaes e critrios de seleo dos melhores indivduos at que um critrio de


44
convergncia seja alcanado. O mtodo foi desenvolvido como uma heurstica para
minimizar funes no diferenciveis. Possui dois parmetros de configuraes: o
fator de mutao e o coeficiente de cruzamento.
A ferramenta Evoluo Diferencial desenvolvida em linguagem MATLAB por
Price e Storn (2009). Na figura seguinte mostrado o resultado deste mtodo para
resolver o mesmo problema proposto (50% dano na barra 1, demais barras com
dano zero e deslocamentos estticos como dado experimental). O valor mnimo da
funo objetivo foi de 1,6497x10
-13
na trigsima iterao; isso mostra que houve uma
melhoria em relao ao mtodo Colnia de Formigas que teve o valor mnimo como
2,7068x10
-7
na quinquagsima iterao.


Figura 3.13 Resultado da aplicao do mtodo de Evoluo Diferencial.

Assim como ocorreram nas demais ferramentas, algumas otimizaes foram
desperdiadas para calibrar o mtodo, porm um nmero muito reduzido de
configuraes produziu resultados bem mais interessantes que os demais. No ser
objeto de discusso desta dissertao o tempo de calibragem de cada processo.
Para esta soluo os parmetros utilizados foram o Fator de Mutao igual a 0,9
(F=0,9) e o Coeficiente de Cruzamento igual a 0,8 (CR=0,8).


45

3.9. Comparao entre os mtodos

Neste tpico feita uma comparao entre as ferramentas acima descritas a
fim de justificar qual mtodo dever ser usado nas demais aplicaes. Na tabela
abaixo feita uma comparao entre todas as ferramentas utilizadas nesta primeira
simulao na trelia de dez barras. As informaes abaixo esto divididas em trs
grupos de valores: os valores de danos dos elementos, o valor mnimo da funo
objetivo e o nmero de iteraes.
Tabela 3.2 Comparao entre os mtodos
Elemento
Dano
Simulado
fmincon SA GA PSO ACO DE
1 0.5 0.3181 0.4147 0.4625 0.4639 0.4849 0.5
2 0 0.0332 0.4147 0.1330 0.1653 0.0059 0.0034
3 0 0.2535 0.0 0.0221 0.0 0.0210 0.0
4 0 0.0286 0.0 0.0255 0.0752 0.0743 0.0
5 0 0.0004 0.3085 0.4241 0.3327 0.0390 0.0
6 0 0.0 0.4147 0.0366 0.0157 0.0061 0.0
7 0 0.0958 0.1062 0.0896 0.1372 0.0021 0.0004
8 0 0.0819 0.1062 0.0146 0.0 0.0401 0.0
9 0 0.0769 0.1062 0.0388 0.0003 0.0024 0.0
10 0 0.0573 0.3085 0.0220 0.0017 0.0013 0.0017
Valor Mnimo
da Funo
Objetivo
1.8197e-4 3.1749e-5 3.2261e-6 4.1353e-6 2.7068e-7 1.6497e-13
Iteraes 5 5000 100 100 50 30

Na primeira coluna identificado o elemento da trelia e na segunda coluna
mostrada a configurao da simulao proposta (50% de dano no elemento 1 e
demais barras com dano zero). Na sequncia das colunas so listados os resultados
obtidos por cada mtodo proposto. Na parte de baixo da Tabela so mostrados os
melhores valores das funes e suas respectivas quantidades de iteraes.
A comparao do dano encontrado na barra 1 da trelia no mostra toda
dificuldade de chegar a um timo global, percebe-se que todos os mtodos
identificaram que havia um dano nesta barra; isso foi um sinal positivo para cada
ferramenta, porm s os mtodos PSO, ACO e DE chegaram prximos da
configurao simulada. No caso das demais barras, isso foi um fator de preocupao


46
para algumas ferramentas. Um exemplo pode ser visto na barra 5, que foi
identificada com nvel prximo de zero pelo gradiente, ACO e DE, enquanto que o
SA e PSO chegaram prximo de 30% e o GA em torno de 40%.
O nmero de iteraes utilizado por cada mtodo para convergir para uma
resposta completa as comparaes entre as ferramentas do MATLAB. Pode-se
avaliar que a converso para uma soluo na quinta iterao, como fez o mtodo de
gradiente, revelasse pouca confiana na soluo encontrada. Da mesma forma,
ocorreu com os mtodos SA, GA e PSO, que evoluram mais de cem iteraes e no
resolveram o problema proposto.
Para comparar os melhores valores das funes, foi montado grfico abaixo
com as respostas dos otimizadores para o exemplo acima.


Figura 3.14 Grfico comparativo dos valores mnimos das funes
objetivos de cada mtodo.

Pela comparao dos resultados, chegou-se opo pelo mtodo da
Evoluo Diferencial, pois se trata de uma ferramenta que apresentou o melhor
resultado com o menor tempo computacional (menor nmero de iteraes)
comparado s demais ferramentas. Essa escolha pode ser definida como uma
metodologia inovadora, tendo por base a pouca quantidade de trabalhos
disponibilizados pela literatura.


47
4. EVOLUO DIFERENCIAL

4.1. Introduo

O mtodo Evoluo Diferencial (DE Differential Evolution) foi proposto por
Storn e Price (1995) como um algoritmo estocstico para resolver problemas de
otimizao global com funes no-lineares. A principal idia por trs do DE criar
uma populao de solues (indivduos) que sucessivamente atualizada atravs
de possveis combinaes dos seus componentes at a convergncia. Essas
combinaes so operaes de adio, subtrao e troca de componentes entre
indivduos de uma populao e se assemelha ao Algoritmo Gentico (GA), neste
mtodo so preservados algumas das suas nomenclaturas, tais como: seleo,
recombinao, mutao e cruzamento (crossover). Este otimizador desenvolvido
pelos autores para MATLAB apresenta uma pequena quantidade de parmetros
ajustveis.

4.2. Algoritmo do DE

4.2.1. Populao

Inicialmente, uma populao de indivduos gerada aleatoriamente dentro do
espao de projeto com a finalidade de localizar o valor mnimo da funo objetivo. A
cada gerao, novos vetores populacionais so recombinados e evoludos a partir
da populao atual. Uma populao de indivduos P pode ser expressa pela matriz a
seguir

(
(
(
(
(

=
ij i i
j
j
x x x
x x x
x x x
P
...
... ... ... ...
...
...
2 1
2 22 12
1 12 11
(4.1)

onde i o nmero de indivduos da populao e j o nmero de variveis de
projeto.


48

4.2.2. Mutao

Para se obter a mutao, necessrio calcular um vetor referncia. Um
possvel indivduo mutante
1 r
v pode ser formado da seguinte maneira

( )
3 2 1 1 r r r r
x x F x v + =
(4.2)

onde x
r1
, x
r2
e x
r3
so trs indivduos distintos e escolhidos aleatoriamente da
populao inicial e
1 r
v o indivduo mutante, sendo F o Fator de Mutao definido
no intervalo [0,2]. A figura abaixo apresenta a formao de um vetor mutante no
espao de solues.

Espao da soluo
1 r
v
1 r
x
3 r
x
2 r
x
Vetor referncia

Figura 4.1 Espao de solues

Possveis variaes do indivduo mutante podem ser configuradas utilizando-
se no lugar do indivduo referncia x
r1
(escolhido aleatoriamente) o melhor indivduo
x
best
encontrado em cada iterao. Na tabela a seguir so apresentadas algumas
variaes de indivduos mutantes.




49
Tabela 4.1 Esquemas de mutaes.
Mutao
Indivduo
referncia
( )
3 2 1 1 r r r r
x x F x v + =
1 r
x
( )
3 2 1 r r best r
x x F x v + =
best
x
( ) ( )
3 2 3 1 1 r r r best r r
x x F x x F x v + + =
1 r
x

Aps aplicar a operao de mutao, cada indivduo x
ij
corresponder a um
indivduo mutante v
ij
. Na figura a seguir so mostrados as distribuies dos
indivduos iniciais (pontos pretos) e dos indivduos mutantes (pontos vermelhos) no
espao de solues.


Espao da soluo
Indivduo Mutante
Indivduo Inicial

Figura 4.2 Pontos iniciais e mutantes.

4.2.3. Cruzamento (crossover)

Na operao de cruzamento, cada indivduo do vetor x
i
ser combinado com
os indivduos do vetor mutante v
i
gerando um vetor tentativa (trial vector) u
i
. Se a
funo objetivo tiver, por exemplo, cinco variveis de projeto, um vetor tentativa
poderia ter a seguinte forma:

Vetor Inicial: x
i
=(x
i1
, x
i2
, x
i3
, x
i4
, x
i5
)


50
Vetor Mutante: v
i
=(v
i1
, v
i2
, v
i3
, v
i4
, v
i5
)
Vetor Tentativa: u
i
=(__,__,__,__,__)

Para cada componente dos vetores ser gerado um nmero aleatrio no
intervalo [0,1], que comparado com uma probabilidade de cruzamento CR
(parmetro previamente definido) de acordo com a condio abaixo

=
j i
j i
j i
x
v
u
,
,
,

Se rand CR
Caso contrrio
(4.3)

onde:
- i nmero de indivduos da populao;
- j nmero de variveis;
- u
i,j
componente do vetor tentativa;
- v
i,j
componente do vetor mutante;
- x
i,j
componente de um vetor inicial;
- CR a probabilidade de cruzamento; e
- rand uma ferramenta que gera nmeros aleatrios entre [0,1].

Para garantir que haver algum cruzamento, pelo menos um dos
componentes do vetor tentativa u
j
, escolhido aleatoriamente, ser obrigatoriamente
um componente do vetor v
i
. Uma possvel configurao do vetor tentativa u
i
seria:

Vetor Tentativa: u
i
=(v
i1
, x
i2
, x
i3
, v
i4
, v
i5
)

4.2.4. Seleo

A seleo ser feita entre o vetor inicial x
i
e o vetor tentativa u
i
. Aquele que
produzir o menor valor da funo objetivo ser levado para a populao seguinte. Se
F(u
i
)<F(x
i
), o vetor x
i
ser substitudo pelo u
i
. Caso contrrio x
i
ser mantido na
gerao seguinte.



51
4.2.5. Critrios de Parada

O principal critrio de parada que tem sido utilizado nos mtodos evolutivos
o nmero mximo de geraes, tambm conhecido como iteraes, definido
previamente pelo usurio. O nmero padro de iteraes utilizado nas simulaes
propostas nesta dissertao ser definido como dez vezes o nmero de variveis do
problema proposto, uma vez que inmeras tentativas foram geradas para configurar
o melhor valor para este parmetro. Todavia, outros mecanismos podem ser
utilizados para finalizar o processo evolutivo, dentre os quais podem ser citados: o
tempo de processamento, o nmero de avaliaes da funo objetivo, valor final da
funo objetivo e o prprio monitoramento do usurio. Em qualquer uma destas
estratgias procura-se obter convergncia custa de baixo esforo computacional,
mensurado pelo nmero de avaliaes da funo objetivo. Na figura a seguir
ilustrado o fluxograma do algoritmo DE.


Parmetros de inicializao do DE (Tamanho da populao,
Fator de amplificao,...)
Inicializar populao aleatoriamente dentro do domnio das
variveis de projeto
Avaliar a populao utilizando a funo objetivo
Aplicar mutao
Aplicar cruzamento
Avaliar a nova populao
Aplicar seleo
Critrio de
Parada
Resultado
no sim

Figura 4.3 Fluxograma do Algoritmo DE.



52
4.3. Parmetros utilizados

Os fatores de mutao e de cruzamento influenciam diretamente na
atualizao das populaes. Seus valores podem variar nos seguintes intervalos:
Fator de Mutao (F) entre [0;2] e Coeficiente de Cruzamento (CR) entre [0;1]. Para
as aplicaes envolvidas nesta dissertao, foi adotado fator de mutao igual 0,8 e
coeficiente de cruzamento igual a 0,9. No caso das populaes, o nmero de
indivduos utilizados equivale dez vezes a quantidade de variveis de projeto. Ou
seja, para uma trelia de dez barras, utilizou-se cem indivduos na composio da
populao. As iteraes foram definidas como dez vezes o nmero de variveis do
problema, dessa forma, a trelia de 10 barras foi submetida a cem iteraes.

4.4. Aplicao

Na equao abaixo definida a forma analtica de uma funo de duas
variveis com vrios pontos de mnimos.

( )
( )
( ) ( )
( ) ( ) ( )
2 2 2 2 2
1 5 3 2 2
3
1
5
10 1 1 3
y x y x x
e e y x
x
y e x z
+
+ =
(4.4)

Na figura a seguir apresentado um grfico 3-D dessa funo. Sua
representao foi executada no MATLAB (2008) e conhecida como Funo de
Pico (Peaks Function). Sua superfcie apresenta vrios pontos de mnimo e mximo
e logo abaixo da superfcie possvel verificar a presena das curvas de nvel dessa
funo.


53

Figura 4.4 Funo de Pico.

Na figura abaixo possvel perceber a presena de trs mnimos, sendo a
soluo tima o ponto que est na extremidade da regio vermelha inferior da
funo.


Figura 4.5 Vista dos trs mnimos da funo.



54
Nas Figuras 4.6 a 4.10 so mostradas diversas informaes de como o
mtodo se comporta numa busca por um mnimo global de uma funo. As
ilustraes so compostas de quatro figuras menores: um grfico de contorno da
funo de pico, um grfico de perfil, um grfico que acompanha a evoluo do valor
mnimo da funo objetivo e um grfico que mostra a distribuio da diferena
vetorial. Todos os grficos so atualizados a cada nova gerao.
Nos grficos de contorno e de perfil da funo de pico possvel identificar a
distribuio dos pontos vermelhos que representam as localizaes dos indivduos
da populao. A rea em vermelho observada nos grficos de contorno e perfil a
regio de pico mximo da funo, enquanto que a regio azul escuro a rea que
contm o ponto de mnimo da funo de pico. O grfico que representa o valor
mnimo da funo objetivo atualizado a cada nova gerao e ilustra o valor do
melhor indivduo da funo de pico. No quarto grfico, Distribuio da Diferena
Vetorial, mostrado a diferena vetorial entre os indivduos, assim, quanto maior for
distncia entre eles, maior ser a diferena vetorial e maior ser a distncia entre
os indivduos no espao de projeto. No momento que esta informao reduzida,
possvel afirmar que os indivduos esto convergindo para uma regio com um ponto
de mnimo em comum. A idia da diferena vetorial sugere que quando ocorrer uma
minimizao da diferena vetorial, ou seja, quando essa diferena chegar a zero,
significa dizer que o mtodo chegou num ponto de mnimo da funo. Outra
caracterstica deste mtodo, a distribuio randmica dos indivduos no espao de
busca a fim de facilitar a varredura do espao de projeto em busca de regies com
pontos de mnimo.
Na Figura 4.6, possvel verificar uma distribuio aleatria dos pontos pelo
espao de projeto determinado. Nesta simulao, a funo de pico teve seu espao
amostral reduzido


55

Figura 4.6 Gerao1: Distribuio aleatria dos pontos.

medida que as geraes evoluem, os pontos tendem a convergir para a
regio em que se encontra o mnimo global da funo. Na Figura 4.7, na quinta
gerao, observa-se que ocorre uma pequena convergncia dos indivduos para a
regio azul escura, onde est localizado o mnimo global da funo de pico. Ainda
assim, ocorre que alguns indivduos tentam vasculhar outras regies, na busca por
um outro ponto melhor.



56

Figura 4.7 Gerao 5: Inicia-se uma leve convergncia para a rea do
mnimo global.

Uma vez encontrado o caminho para a regio onde est localizado o mnimo
global, os outros pontos iniciam um processo migratrio para a regio que
apresentou o menor valor da funo objetivo at a presente gerao. Nessa regio,
eles iniciam uma busca local por uma nova posio que produza o valor mnimo da
funo objetivo. Na Figura 4.8, nona gerao, todos os indivduos so concentrados
na regio azul escura. O grfico do valor mnimo da funo objetivo inicia um
movimento descendente mais inclinado sugerindo que a regio possui o valor
mnimo da funo objetivo e no grfico da distribuio da diferena vetorial
verificada uma converso para regio prxima de zero.



57

Figura 4.8 Gerao 9: Todos os pontos esto na regio mnimo global.

Na Figura 4.9, dcima-terceira gerao, mostrada uma concentrao cada
vez maior dos indivduos ao redor do ponto de mnimo da funo de pico, como
pode ser visto nos grficos de contorno e de perfil. No grfico Valor Mnimo da
Funo Objetivo verificado um movimento descrescente, sugerindo que os
indivduos esto caminhando para regio que contm o valor mnimo da funo
objetivo de pico. No grfico da Distribuio da Diferena Vetorial confirmado o
processo de convergncia, os vetores esto cada vez mais prximos uns dos outros
de forma que o ponto de mnimo est a caminho.



58

Figura 4.9 Gerao 13: A convergncia est bem localizada no interior
da depresso que contm o mnimo global.

Na vigsima gerao (ver Figura 4.10), possvel perceber no grfico do
valor mnimo da funo objetivo o incio de uma estabilizao. A configurao que
chama ateno a presena de sucessivos pontos horizontais, isso pode indicar
que o mnimo est prximo de ser alcanado. No grfico da distribuio da diferena
vetorial mostrado que no h mais diferena vetorial entre os indivduos, essa
confirmao indica que todos os indivduos convergiram para a mesma depresso
(regio que possui um ponto de mnimo) e que no mais haver queda brusca no
Valor Mnimo da Funo Objetivo. Por ltimo, nos dois grficos que ilustram o
posicionamento dos indivduos no espao de projeto verificado um nico ponto
vermelho no centro da regio azul escura. Isso confirma a convergncia da
populao do otimizador para o ponto de mnimo da funo de pico. Esse processo
continuou at que fosse atingido o limite de vinte geraes como critrio de parada.



59

Figura 4.10 Gerao 20: Mnimo global, todos os pontos convergiram.
Critrio de parada: 20 geraes.

No Captulo 5, diversos danos sero simulados a fim de serem identificados
por meio do mtodo de Evoluo Diferencial. As respostas das trelias danificadas
sero usadas como valores experimentais. O otimizador far sucessivas alteraes
nas variveis de dano do modelo analtico para que sejam encontrados os danos em
todas as barras propostas para cada simulao. Esse procedimento compe o
problema inverso que responder em que estado encontra-se a estrutura.



60
5. APLICAES DO MTODO DA EVOLUO DIFERENCIAL NA AVALIAO
DE DANOS

5.1. Introduo

Neste captulo so apresentados os resultados da aplicao do mtodo da
Evoluo Diferencial a diferentes tipos de trelias com nmeros crescentes de
elementos. Foram utilizados como resultados experimentais tanto deslocamentos
estticos quanto modos de vibrao. Os dados medidos foram simulados
sinteticamente utilizando o modelo analtico em elementos finitos da estrutura com
determinadas barras danificadas (rigidez reduzida). Na terminologia relacionada a
problemas inversos, essas informaes so denominadas de dados experimentais
sintticos, uma vez que a resposta da estrutura foi conseguida a partir do modelo
analtico. No caso de vibraes, foram utilizados as quatro primeiras frequncias
naturais e os quatro primeiros modos de vibrao. Essas informaes trazem uma
conotao real avaliao de danos atravs de dados experimentais, tendo em
vista que podem ser produzidas por uma aparelhagem de medio, ainda sim, sabe-
se que h limitaes prticas para obteno dessas informaes.
Ao longo do trabalho, foi testada a simulao de rudo presente em
equipamentos de medio. Para tal, os dados sintticos, foram corrompidos,
adicionando-se diferentes valores randmicos dentro de um erro mximo para
simular o erro experimental, conforme a seguinte equao

( )
mx
i
calc
i
calc
m
i
e rand Y Y Y 1 * 2 + =
(5.1)

onde:
-
i
m
Y o resultado experimental sinttico associado ao grau de liberdade i;
-
i
calc
Y o resultado calculado pelo modelo analtico considerando o dano
associado ao grau de liberdade i;
- rand um nmero randmico no intervalo [0,1]; e
-
mx
e o erro mximo



61
Para modelar as estruturas, foi utilizada a ferramenta desenvolvida para o
MATLAB por Kwon e Bang (2000). A ferramenta otimizadora utilizada o mtodo da
Evoluo Diferencial desenvolvida para MATLAB produzido por Price e Storn (2009).
Inmeras tentativas foram geradas a fim de calibrar o mtodo. A configurao que
melhor expressou a capacidade desta ferramenta para identificar danos nestas
trelias foi o Fator de mutao igual a 0.8, Probabilidade de Cruzamento igual a 0.9
e nmero de populaes igual a dez vezes o nmero de variveis (barras).

5.2. Trelia de 10 barras

A trelia apresentada abaixo a mesma da Figura 3.3, contm dez barras,
seis ns e est submetida a uma fora P=10kN aplicada no n 2. A trelia est
apoiada nos ns 5 e 6, e as seguintes propriedades de materiais so: rea de seo
transversal com 5cm e mdulo de elasticidade longitudinal 205GPa.


Figura 5.1 Trelia de 10 barras.

A primeira abordagem das simulaes propostas diz respeito aos valores
experimentais utilizados para identificar um elemento danificado na estrutura. Neste
exemplo, apenas foram considerados os valores dos deslocamentos estticos dos
ns da trelia. Na ilustrao 5.2 mostrado o resultado da soluo do problema,
sendo encontrado dano de 50% na barra 8 e dano zero para as demais barras. O
valor mnimo da funo objetivo encontrado foi 4,0923x10
-13
na trigsima iterao e


62
os valores de danos das barras seguem em conformidade ao problema proposto
como sugere a figura a seguir.


Figura 5.2 Trelia de 10 barras, barra 8 danificada em 50% e sem rudo.

Na Figura 5.3 so apresentados os resultados onde o elemento 1 foi
danificado em 50% e demais barras permaneceram com nvel zero de dano. A
resposta experimental foi corrompida por um rudo de 1%. Nas barras 2 e 10 so
mostrados nveis numricos de danos que apareceram na resposta. Este exemplo
induz o otimizador a um problema mais complexo, a presena do rudo dificulta a
convergncia do mtodo para a soluo correta, mesmo assim a resposta esteve
bem prxima da configurao proposta.



63

Figura 5.3 Trelia de 10 barras, barra 1 danificada em 50% com rudo
mximo de 1%.

O ltimo exemplo aplicando deslocamentos estticos (ver Figura 5.4) traz
uma configurao de trs barras danificadas sem rudo, cujos dados experimentais
consistem das medies estticas dos ns da trelia. Nesta simulao, verifica-se
que o mtodo permite identificar vrias barras danificadas simultaneamente com
diferentes nveis de dano, de maneira que se pode observar a correta convergncia
para os seguintes danos: 60% no elemento um, 40% no elemento dois e 20% no
elemento trs. A resposta encontrada no otimizador foi 9,847510
-13
para o valor
mnimo da funo objetivo, enquanto os danos em suas barras foram corretamente
identificados. Uma justificativa para este exemplo que a utilizao destas trs
barras justificada pela anlise dos esforos realizada no Captulo 3. O
carregamento proposto trelia justifica uma maior ateno nesta simulao, essas
barras podem ser consideradas como os elementos mais propensos ao dano, uma
vez que so as barras mais solicitadas conforme anlise anterior e que pode ser
observada na Tabela 3.1.



64

Figura 5.4 Trelia de 10 barras, barras 1, 2 e 3 danificados com 60%,
40% e 20% respectivamente e sem rudo.

Nos prximos problemas uma nova abordagem foi levada em considerao.
O procedimento de identificao de danos foi aplicado a partir da obteno das
informaes modais da trelia.
Na sequncia destas anlises, os quatro primeiros modos de vibrao e as
suas quatro primeiras frequncias naturais foram utilizados como valores
experimentais da trelia de dez barras para identificar danos simulados. Ressalta-se
que para obteno dessas informaes modais, no se faz necessrio aplicar a
fora ilustrada no n dois da trelia, porm todas as propriedades elsticas e
geomtricas foram mantidas.
Na Figura 5.5 mostrada a soluo da identificao de um dano de 60% na
barra 6 e demais barras com dano zero, para as informaes modais obtidas. O
valor mnimo da funo objetivo encontrado foi 7,8156x10
-9
na trigsima iterao e
todas as barras da trelia foram perfeitamente localizadas e quantificadas.



65

Figura 5.5 Trelia de 10 barras, barra 6 danificado em 50% e sem rudo.

Na Figura 5.6 ilustrada a soluo encontrada para a barra 1 danificada em
50% e a barra 4 danificada em 30% com um rudo mximo de 2% na sua resposta
experimental modal. Nesta simulao existe uma configurao mais complexa que
os primeiros exemplos, tendo em vista a presena de duas barras danificadas ao
mesmo tempo e mais a presena de rudo. Para obter uma soluo mais
aprimorada, permitiu-se o aumento do nmero de iteraes de trinta para sessenta.
Esse aumento foi implementado pelo usurio em relao s aplicaes anteriores
por causa da dificuldade extra ocasionada pelo rudo, ressalta-se que o nmero
definido como padro de iteraes de dez vezes o nmero de variveis do
problema. No caso da trelia de dez barras, o nmero de iteraes ser de cem
iteraes, porm o mtodo conseguiu convergir para a soluo correta com uma
quantidade menor.



66

Figura 5.6 Trelia de 10 barras, barras 1 e 4 danificadas em 50% e 30%,
e rudo mximo de 2%.

Na Figura 5.7 est representada a resposta de trs barras danificadas em
50% e com nvel de rudo mximo de 3% para dados experimentais modais. Esse
aumento no nmero de barras danificadas tenta idealizar uma configurao mais
complexa da estrutura. Para o otimizador, isso gera uma situao mais complicada a
fim de explorar a sua capacidade de convergncia. De qualquer forma, o mtodo se
mostrou capaz de identificar vrias barras danificadas numa mesma estrutura,
mesmo que seus valores experimentais modais estivessem alterados por rudos.



67

Figura 5.7 Trelia de 10 barras, barras 2, 5 e 10 danificadas em 50% e
rudo mximo de 3%.

5.3. Trelia de 27 barras

A segunda trelia em que o problema de identificao de danos foi proposto
utilizando a Evoluo Diferencial uma trelia plana de 27 barras ilustrada na figura
a seguir. Seu comprimento mede 28 metros com uma altura de 8 metros, 15 ns
distribudos, possui sete barras no banzo inferior, oito barras no banzo superior e
doze diagonais internas.



68

Figura 5.8 Trelia de 27 barras.

Os valores experimentais obtidos foram os quatro modos de vibrao e suas
respectivas frequncias naturais, como segue mostrado na figura abaixo.




Figura 5.9 Quatro primeiros modos de vibrao da trelia de 27 barras.



69
Nas anlises das Figuras 5.10, 5.11 e 5.12 foram procurados identificar danos
em barras distintas, de modo que pelo menos um tipo de barra fosse simulado.
Na figura a seguir mostrado o resultado da simulao da barra diagonal 13
danificada em 50% e demais com dano zero. O valor mnimo da funo objetivo
atingido foi 1.3741e-012. Os valores de danos das barras foram corretamente
quantificados. A resposta experimental modal desta simulao no teve rudo.


Figura 5.10 Trelia de 27 barras, barra 13 danificada em 50% e sem
rudo.

Na Figura 5.11 mostrada a barra 26 do banzo inferior danificada em 50% e
demais barras com dano zero, e sua resposta experimental modal no teve rudo
acrescida. Relembra-se que foram utilizados os quatro primeiros modos de vibrao
e suas respectivas frequncias naturais. A identificao e a localizao da pea
simulada da estrutura convergiram para a simulao proposta.



70

Figura 5.11 Trelia de 27 barras, barra 26 danificada em 50% e sem
rudo.

Na simulao seguinte so mostradas trs barras danificadas em 50% e
demais barras sem dano; uma barra do banzo superior (barra 4) e duas barras
diagonais (barras 9 e 17). Sua resposta experimental modal foi alterada por um rudo
mximo de 1%. A identificao e a localizao das peas danificadas da trelia est
na Figura 5.12. Verifica-se que a presena do rudo na aquisio dos dados da
estrutura ocasionou o aparecimento indesejvel de alguns danos na resposta; os
danos nas barras 1, 8, 13 e 25 apresentaram a influencia do rudo na resposta
experimental.



71

Figura 5.12 Trelia de 27 barras, barras 4, 9 e 17 danificadas em 50% e
rudo mximo de 1%.

5.4. Trelia de 41 barras

A terceira trelia que foi submetida ao processo de identificao de dano
possui 41 barras distribudas em 22 ns, mede 15 metros de comprimento, com uma
altura de 1,5 metro, possui dez barras no banzo inferior, dez barras no banzo
superior, dez diagonais internas e onze montantes e est ilustrada na figura abaixo.


Figura 5.13 Trelia de 41 barras.


72

As respostas experimentais utilizadas nas simulaes abaixo so os quatro
primeiros modos de vibrao e suas respectivas frequncias naturais, como segue
mostrado na figura abaixo.




Figura 5.14 Quatro primeiros modos de vibrao da trelia de 41
barras.


Na Figura a seguir mostrada a resposta da barra dezesseis do banzo
inferior danificada em 50% e demais barras sem dano. O valor mnimo da funo
objetivo obtido foi 8,7238x10
-12
. A resposta experimental desta simulao no foi
acrescida de rudo.



73

Figura 5.15 Trelia de 41 barras, barra 16 danificada em 50% e sem
rudo.

Na Figura abaixo mostrada a resposta da identificao do dano simulado na
barra 25 (barra tipo montante) e demais barras sem dano, cuja resposta
experimental foi corrompida por um rudo de 1%.


Figura 5.16 Trelia de 41 barras, barra 25 danificada em 50% e rudo
mximo de 1%.


74

Na prxima figura mostrada uma barra do banzo superior (barra 34) com
50% de dano, demais barras sem dano e resposta experimental sem rudo.


Figura 5.17 Trelia de 41 barras, barra 34 danificada em 50% e sem
rudo.


5.5. Trelia de 65 barras

A simulao de danos estruturais ser estendida a uma trelia de grande
porte utilizada como viga de suporte de um piso. Na Figura a seguir ilustrado um
piso apresentado no AISC/CISC Steel Design Guide Series No. 11 (2003) usado
como rea de jantar com um espao destinado pista de dana.



75

Figura 5.18 - Esquema do piso real.

O sistema de piso estudado consiste numa laje de concreto com vigas
metlicas treliadas (joist) ao longo do vo de 14 metros, apoiados em paredes de
alvenaria, conforme a figura abaixo.


Figura 5.19 Esquema da laje suspensa por vigas treliadas (joists).



76
No projeto da estrutura foram utilizadas dezenove vigas treliadas (joists)
padronizadas do tipo 30K8, que cobrem um vo de quatorze metros e sua altura
mede 0.762 m. Cada trelia composta de 65 elementos, seu modelo analtico est
representado na Figura 5.20 e na tabela abaixo so mostradas as propriedades dos
perfis que compem a trelia e suas respectivas barras.

Tabela 5.1 Propriedades dos perfis.

Banzos
superiores
Banzos
inferiores
Diagonais Montantes
rea 6.20E-04 4.64E-04 7.00E-05 1.27E-04
Barras 1 a 16 17 a 32 33 a 48 49 a 65


O sistema de vigas treliadas (joists) composto pelo conjunto de vrias
trelias metlicas afastadas e ligadas entre si, formando um elemento estvel. Estas
estruturas podem ser utilizadas em sistemas estruturais de coberturas, fechamentos
laterais e pavimentos de edificaes em geral oferecendo diversas vantagens,
dentre elas: a eficincia do ao de alta resistncia produz estruturas de baixo peso,
a reduo do peso proporciona colunas e fundaes menores, maior velocidade e
facilidade na montagem.



77


Figura 5.20 Trelia de 65 barras.


78
Os valores experimentais utilizados para encontrar os danos estruturais so
os quatro primeiros modos de vibrao e suas respectivas frequncias naturais
como segue mostrado na figura abaixo.




Figura 5.21 Quatro primeiros modos de vibrao da trelia de 65
barras.

Na Figura 5.22 indicada a resposta encontrada pelo otimizador para a
resposta experimental composta dos quatro primeiros modos de vibrao da
estrutura e suas respectivas frequncias naturais que acumulava um dano de 50%
na barra 14 localizada no banzo superior da trelia de 65 barras e demais barras
com dano zero. O valor mnimo da funo objetivo encontrado foi de 1,8758x10
-7
na
centsima nonagsima iterao e todas as barras foram corretamente identificadas.
Essa resposta tem uma caracterstica de convergncia relativamente rpida,
levando-se em conta a pequena quantidade de iteraes envolvidas.



79

Figura 5.22 Trelia de 65 barras, barra 14 com 50% de dano e sem
rudo.

Na Figura 5.23 indicada a resposta encontrada pelo otimizador o dano de
50% na barra 23 localizada no banzo inferior da trelia de 65 barras e demais barras
com nvel zero de dano. Esta soluo encontrou o seguinte valor mnimo da funo
objetivo: 4,4760x10
-9
na iterao nmero 600.


Figura 5.23 Trelia de 65 barras, barra 23 com 60% de dano e sem
rudo.


80

Na Figura 5.24 indicada a resposta encontrada pelo otimizador para o dano
de 50% na barra 40 localizada numa das diagonais da trelia de 65 barras e demais
barras com nvel zero de dano. O valor mnimo da funo objetivo encontrado para a
funo foi de 1,4680x10
-11
na iterao 1300, sendo assim a ferramenta otimizadora
convergiu para uma regio prxima do timo global do problema.


Figura 5.24 Trelia de 65 barras, barra 40 com 50% de dano e sem
rudo.

Na Figura 5.25 indicada a resposta encontrada pelo otimizador para um
dano de 50% na barra 57 localizada num dos montantes da trelia de 65 barras. Os
dados experimentais foram corrompidos por um rudo de 1%. O valor mnimo da
funo objetivo atingido foi de 5,9063x10
-12
na iterao nmero 1300, e todas as
barras foram perfeitamente identificadas e quantificadas. O dano apresentado na
barra 63 dado em funo do rudo inserido na resposta experimental, assim como
a barra 61 tambm apresenta um pequeno dano. Na soluo apresentada
ilustrada a capacidade do otimizador Evoluo Diferencial de encontrar a regio do
mnimo global da funo num espao de projeto composto por 65 dimenses.



81

Figura 5.25 Trelia de 65 barras, barra 57 com 50% de dano e rudo
mximo de 1%.

Nestes ltimos exemplos, foi sugerida a identificao de um dano simulado
para cada tipo de barra da trelia de 65 elementos, desta forma foi possvel localizar
um dano na barra do banzo superior, um dano numa barra do banzo inferior, um
numa barra tipo diagonal e outro numa barra tipo montante.
Na Figura abaixo mostrada uma resposta encontrada para um dano de 50%
na barra 9 localizada no banzo superior e a evoluo do valor mnimo da funo
objetivo. No grfico dos valores de danos das barras, percebe-se que a soluo
encontrada completamente diferentemente da simulao proposta, apesar do
Valor Mnimo da Funo Objetivo mostrar o valor 2,0543x10
-8
, sugere-se que esta
soluo alcanou o mnimo local da funo objetivo. Para concluir esta anlise com
absoluta certeza, teria que ser analisado o valor da distribuio das diferenas
vetoriais. Conforme estas diferenas vetoriais se aproximassem de zero, pode
afirmar que os indivduos desta ferramenta estivessem convergindo para um ponto
em comum. Apesar do problema dos inmeros mnimos locais, o processo chegou a
um nmero de 900 iteraes e a barra nove foi identificada alm de diversas outras
barras.


82


Figura 5.26 Trelia de 65 barras, barra 9 com 50% de dano e sem rudo.

Ao longo desta pesquisa, esse evento ocorreu algumas vezes, principalmente
nas trelias maiores. O aumento do nmero de iteraes, em alguns casos, pode
resolver o problema do mnimo local. Relembra-se que o nmero de iteraes
padronizado aplicado neste trabalho de dez vezes o nmero de variveis
propostas, ou seja, para esta trelia de 65 barras, a quantidade de iteraes
definidas de 650 iteraes. A incidncia do rudo, normalmente, inclui uma
dificuldade a mais, o que se reflete no aumento do nmero de iteraes. Alguns
exemplos se mostraram suscetveis a este aumento, mas em outros casos no.
Por fim, a presena dessa soluo pode indicar que essa ferramenta est
trabalhando no seu limite de variveis e que o mtodo, provavelmente, tenha
convergido para um mnimo local. possvel afirmar que uma maior quantidade de
informaes (maior nmero de modos de vibraes e de frequncias naturais) da
estrutura auxiliasse o trabalho do otimizador. De qualquer forma esta ferramenta se
mostrou capaz de localizar e quantificar uma possvel avaria num elemento qualquer
duma trelia de at 65 barras.



83
6. CONCLUSES E TRABALHOS FUTUROS

6.1. Concluses

O presente estudo investigou um mtodo de avaliao de danos em
estruturas utilizando a tcnica de identificao de sistemas. O mtodo resulta num
problema de minimizao de uma funo erro, que foi resolvido utilizando uma
tcnica de otimizao global. Modos de vibrao, frequncias naturais e
deslocamentos estticos foram utilizados como resposta estrutural, e considerou-se
que o dano altera, apenas, as propriedades de rigidez da mesma.
Variveis de dano no intervalo [0,1] foram utilizadas e consideradas como as
variveis de projeto do problema de minimizao da funo objetivo resolvido pelas
tcnicas de otimizao. Estas variveis foram, continuamente, alteradas de modo a
fazer com que a resposta obtida pelo modelo analtico se aproximasse da resposta
experimental. O mtodo foi aplicado a uma srie de trelias apresentando bons
resultados.
O aumento do nmero de elementos da estrutura resulta em um aumento na
dimenso do espao de projeto, isto gera funes objetivo no convexas cada vez
maiores, provavelmente, com muitos mnimos locais. Para a soluo do problema de
avaliao de danos em estruturas o uso de mtodos estocsticos de otimizao
global parece mais adequado.
O otimizador Evoluo Diferencial (DE) desenvolvido em linguagem MATLAB
mostrou ter bom potencial para soluo de problemas de identificao de danos
usando tcnicas de identificao de sistemas.
Na presena do rudo, diversas anlises se mostraram com dificuldade para
precisar um dano na estrutura. Por causa disso, numa medio prtica duma
estrutura, de extrema importncia que as informaes experimentais sejam as
mais precisas possveis.
Os mtodos estocsticos necessitam de um nmero elevado de avaliaes da
funo objetivo. Com relao ao tempo computacional, utilizou-se um padro de dez
vezes o nmero de barras de cada trelia para configurar o nmero de geraes
(iteraes) do mtodo. Assim sendo, a soluo de dano da trelia de 27 barras, onde
270 iteraes foram aplicadas, levou um tempo em torno de 15 minutos. A soluo
da trelia de 41 barras, onde 410 iteraes foram aplicadas, levou em mdia 50


84
minutos; e a soluo da trelia de 65 barras, onde foram processadas 650 iteraes
levou cerca de 135 minutos. Esses valores levam em considerao a utilizao de
um computador Pentium Intel Core 2 Duo, com 2GB de memria. Hoje, com
computadores cada vez mais rpidos e com maior capacidade de processamento de
dados, possvel pensar no uso de ferramentas estocsticas de otimizao global
na avaliao de danos em estruturas de grande porte, haja vista que sero
aumentadas as iteraes da funo objetivo.

6.2. Trabalhos futuros

Durante os estudos e as pesquisas dos assuntos abordados nesta
dissertao surgiram idias, como a busca e aplicao de novas heursticas
otimizadoras, bem como novas ferramentas desenvolvidas em outros softwares
como alternativas para o desenvolvimento desta linha de pesquisa. Tm surgido,
recentemente, novas heursticas baseadas na observao da natureza que podem
ser testadas no problema de avaliao de danos.
A utilizao da presente tcnica a outros tipos de estrutura como vigas,
prticos, placas, ou at mesmo materiais compsitos, seria a continuao deste
trabalho pelo lado do tipo de aplicao a ser dado aos mtodos de identificao de
sistemas.
Como sugesto para utilizao do mtodo da Evoluo Diferencial como
ferramenta otimizadora, pode-se pensar na possibilidade de usar a caracterstica da
Distribuio da Diferena Vetorial como parmetro de convergncia, de maneira que
a partir de um determinado valor dessa diferena seja possvel verificar, como por
exemplo nas figuras da funo de pico do Captulo 4, que a soluo est localizada
numa regio onde existe um ponto de mnimo. Essa caracterstica permite afirmar
que a partir de qualquer ponto dessa regio possvel aplicar uma ferramenta tipo
gradiente na convergncia final para um ponto de mnimo do problema.
Pode-se pensar em investigar novas tcnicas matemticas e computacionais
que permitam solucionar o problema, como por exemplo, o uso de tcnicas de
regularizao que facilitem o trabalho dos otimizadores em casos de espaos de
soluo de dimenses elevadas e em presena de rudo; e o uso de tcnicas que
possam reduzir a dimenso do espao de busca de modo a se localizar as regies
de possvel dano, antes de aplicar a metodologia apresentada no presente trabalho.


85
A metodologia utilizada baseada em resultados experimentais que esto
sempre ligados a incertezas nas medies. Modelos probabilsticos seriam talvez
mais adequados a descrever o problema inverso de deteco de danos. No mtodo
Bayesiano o modelo seria uma varivel aleatria e a soluo seriam as funes
densidade de probabilidade de cada parmetro do modelo.
Finalmente a realizao de experimentos que comprovem a aplicabilidade da
metodologia desenvolvida traria novas perspectivas presente pesquisa.



86
REFERNCIAS
ADAMS, R. D., CAWLEY, P., PYE, C. J. and STONE, B. J.; A Vibration Technique
for Non-Destructively Assessing the Integrity of Structures, Journal of Mechanical
Engineering Science, 20 93-100, 1978.

AISC/CISC STEEL DESIGN GUIDE SERIES No. 11: Floor Vibrations Due to Human
Activity, American Institute of Steel Construction, Example 5.1, page 40, Chicago, III,
2003.

ANSYS, 2005. Swanson Analysis Systems, Inc., P.O. Box 65, Johnson Road,
Houston, PA, 15342-0065, Basic analysis procedures guide, Release 10.

BAVARESCO, M A.; Avaliao de danos estruturais utilizando o Algoritmo Gentico,
Tese de Mestrado, Instituto Militar de Engenharia, 1996.

BUENO, V. C. e SOEIRO, F. J. C. P.; O Recozimento Simulado Como Ferramenta
de Otimizao Global. Revista Militar de Cincia e Tecnologia, Rio de Janeiro, v.
XIV, p. 5, 1997.

CMARA, F. M. M.; Formulao e Soluo do Problema Inverso de Avaliao de
Danos em Estruturas Utilizando Redes Neurais, Tese de Mestrado, IPRJ UERJ,
2006.

CAWLEY, P. e ADAMS, R. D.; The location of defects in structures from
measurement of natural frequencies, J. Strain Anal, 14: 49-57, 1979.

CERRI, M. N. e VESTRONI F.; Detection of damage in beams subject to diffused
cracking, Journal of Sound and Vibration Volume 234, Issue 2, Pages 259-276, 6
July 2000.

DARWIN, C.; On the origin of Species by Means of Natural Selection, John Murray,
Londres, 1859.



87
DI PAOLA, M. and BILELLO, C.; An Integral Equation for Damage Identication of
Euler-Bernoulli Beams under Static Loads, ASCE Publications, Journal of
Engineering Mechanics, Vol. 130, No. 2, pp. 225-234, February 2004.

DORIGO, M. and GAMBARDELLA, L. M.; Ant Colony System: A Cooperative
Learning Approach to the Traveling Salesman Problem, IEEE Transactions on
Evolutionary Computation, Vol. 1, N. 1, pp. 53-66, Apr. 1997.

GOLDBERG, D. E.; Genetic algorithms for search, optimization, and machine
learning, Addison-Wesley, Reading, MA, 1989.

HAJELA, P. e SOEIRO, F. J. C. P.; Recent Developments in Damage Detection
Based on System Identification Methods, Structural Optimization, v. 2, 1-10, 1990.

HJELMSTAD, K. D. e SHIN, S.; Damage detection and assessment of structures
from static response, J. Eng. Mech., 123(6):56876, 1997.

HWAN Oh, B., JUNG, B. S. e WON, C., S.; Damage assessment of structure using
static and dynamic test data, Transactions of the 15
th
International Conference on
Structural Mechanics in Reactor Technology, Seoul, Korea, (1999).

JEONG, W., MIN, S. e LEE, U.; Structural damage identification by using the
reduce-domain method, 44th AIAA/ASME/ASCE/AHS Structures, , Norfolk, Virginia,
April 2003.

JIANG, L. J., TANG, J. e WANG, K. W.; An interactive eigenvector updating method
for structural damage detection using piezoelectric transducer circuitry with tunable
inductance, 46
th
AIAA, Austin, Texas, April 2005.

KENNEDY, J. e EBERHART, R. C.; Particle swarm optimization, Proceedings of
IEEE, International Conference on Neural Networks, Perth, Australia, 1995.

KIRKPATRICK, S., GELATT, C. D. e VECCHI, M. P.; Optimization by Simulated


88
Annealing, Science, v. 220, 4598, 671 680, 1983.

KOUCHMESHKY, B., AQUINO, W., BONGARD, J. C. e LIPSON, H.; Co-
evolutionary algorithm for structural damage identication using minimal physical
testing, International Journal for Numerical methods in engineering, 2006.

KWON, Y. W. e BANG, H..; The Finite Element Method Using MATLAB, 2
nd
Ed.,
CRC Press, Boca Raton, Fl., 2000.

MAITY, D. e SAHA, A.; Damage assessment in structure from changes in static,
Civil Engineering Department, Indian Institute of Technology Guwahati, India,
2004.

MATLAB Version 7.6, part of R2008a, The MathWorks, Inc., 2008.

MOSLEM, K. e NAFASPOUR, R.; Structural damage detection by genetic
algorithms, AIAA Journal, Vol 40, n7, July 2002.

PRICE, K. e STORN, R.; Differential Evolution - A Simple and Efficient Adaptive
Scheme for Global Optimization over Continuous Spaces. International Computer
Science Institute, Berkley, Technical Report TR-95-012, Mar. 1995.

PRICE, K. e STORN, R.; Differential Evolution for Continuous Function Optimization,
<http://www.icsi.berkeley.edu/~storn/code.html>. Acesso em 01 abr. 2009.

PRICE, K., STORN, R. e LAMPINEN, J.; Differential Evolution - A Practical
Approach to Global Optimization, Natural Computing Series, Springer, 2005.

SANEYEI, M. e ONIPEDE, O.; Damage Assessment of Structures using static test
data, AIAA J. 29: 1174-1179, 1991.

SAWYER, J. P. e RAO, S. S.; Structural damage detection and identification using
Fuzzy logic, AIAA Journal, vol 38, N12, December 2000.


89

SOARES, P. O.; Utilizao de redes neurais para identificao de parmetros em
transferncia de calor e estruturas, IPRJ, UERJ 2004.

SOEIRO, F. J. C. P. and HAJELA, P. ; Locating Damage in a Truss Structure Using
Identification Techniques: an Experimental Investigation, Journal of the Brazilian
Society of Mechanical Sciences, v. XVI, n. 2, 119-134, 1992.

VIANA, F. A. C.; Surrogate modeling techniques and heuristic optimization methods
applied to design and identification problems, Tese de Doutorado, Universidade
Federal de Uberlndia, Minas Gerais, Brasil, 2008.