A INFLUÊNCIA DA ANÁLISE DE COMPONENTES PRINCIPAIS (PCA) NOS

SISTEMAS DE MONITORAMENTO DE INTEGRIDADE ESTRUTURAL (SHM)

Nome do autor: Rafael Camilo Nunes Ferreira de Paula
Universidade Federal de Goiás, Programa de Pós Graduação em Engenharia Mecânica
rafaelcamilo@discente.ufg.br

INTRODUÇÃO
O monitoramento de integridade estrutural (do inglês Structural Health Monitoring - SHM)
pode ser descrito como o processo de monitorar o status de uma estrutura e detectar danos
estruturais ao longo do tempo, sendo uma demanda multidisciplinar nas áreas de
engenharia. Determinar danos incipientes através de modelos computacionais tem auxiliado
nessa tarefa, tendo em vista as inerentes dificuldades de um sistema real.
Com o aprimoramento e melhoria de ferramentas tem-se optado pelo uso de técnicas de
aprendizado de máquinas (Machine Learning - ML), entretanto essas técnicas podem
resultar em modelos muito robustos, o que pode comprometer o tempo de processamento
de aprendizado e resposta da máquina. Ferramentas e técnicas que reduzam a
dimensionalidade desses dados, produzam modelos mais rápidos, compactos e precisos
são necessários. Uma técnica de redução de dimensionalidade é a análise de componentes
principais (Principal Componente Analysis – PCA).
As técnicas convencionais de detecção de danos têm sido substituídas cada vez mais por
tecnologias de última linha capazes de oferecer um serviço de monitoramento e de tomada
de decisões mais inteligentes. Dentro dos sistemas de Monitoramento de Integridade
Estrutural, gradualmente têm surgido tecnologias capazes de avaliar danos em tempo real ,
se mostrando assim como uma promissora transição visando o preenchimento das falhas
existentes entre as tecnologias emergentes do futuro e as ineficiências dos aplicativos do
Após, foram aplicados os filtros de pesquisa objetivando reduzir o número de
trabalhos para uma quantidade possível de ser analisada mais a fundo, são eles:
 Filtro 1: artigos de engenharia. No caso, todos os 42 artigos encontrados além de
não serem repetidos, já pertenciam à área da engenharia;
 Filtro 2: artigos publicados entre 2019 e 2022, o que configura os últimos quatro
anos. O objetivo deste filtro foi encontrar artigos relevantes e recentes, visto que
trabalhos anteriores ao período estabelecido poderiam se mostrar defasados em
relação às tecnologias analisadas. 27 artigos se encaixavam no requisito, de modo
que 15 foram descartados.
 Filtro 3: leitura de resumo e metodologia. Neste último filtro, os 27 artigos tiveram
seus resumos e metodologias lidos a fim de encontrar semelhanças com o objetivo
do estudo aqui proposto, verificar a influência do PCA na redução de
dimensionalidade.
Além disso, houve interesse em identificar, após a pesquisa com a string definida, a
disposição da publicação de artigos durante os anos a partir de 2000 até 2020
(Figura 2). Estes dados possuem como objetivo avaliar a evolução no interesse da
academia pela relação entre PCA e SHM. Frequência de palavras-chave nos artigos
16

passado (MALEKLOO, A. et al., 2021). Figura 2 - Número de 14

artigos que relacionam 12

Partindo deste contexto, neste artigo, será efetuado um levantamento bibliográfico do tipo

Frequência das palavras-chave

PCA e SHM publicados a 10

revisão sistemática, no qual, serão analisados os trabalhos mais recentes, publicados entre cada ano, partindo de 2000 8

2019 e 2022, sobre SHM que utilizem técnicas de ML, PCA e mineração de dados. Serão até 2022. 6

Fonte: Próprios autores. 4

analisados os problemas, objetivos, técnicas usadas, problemas abertos e lacunas dos 2

trabalhos analisados. . 0
rin
g
he
alt
h
rn
in
g
tu
ra
l
da
ta ag
e
hi
ne
atu
re
id
ge tio
n
aly
s is
no
sis fa
ul
t
en
t
ca
bl
e
iss
io
n
on
de
r
de
ep
ar
in
g
rb
in
e
ctu
re
tig
u e
cr
ete
in
in
g
ito
lea uc am ac fe br te ec an ag s s m
nc e tu rf a fa co
n m
on str d m d di se em e b
m as to

OBJETIVOS
au

Palavras-chave

O objetivo deste trabalho é, portanto, como o PCA se comporta e afeta o Monitoramento de
Integridade Estrutural.
METODOLOGIA
O trabalho aqui apresentado é do tipo Revisão Sistemática, de modo que visa identificar,
selecionar, avaliar e sintetizar as principais informações acerca do seu objeto de estudo: a
relevância do PCA no Monitoramento da Integridade Estrutural, ou “Structure Health
Monitoring”. Dentro deste contexto, este trabalho busca artigos científicos em quatro
journals, sendo eles: “Journal of Intelligent Material Systems and Structures”, “Journal of
Nondestructive Evaluation”, “Structure Health Monitoring” e “Journal of Brazilian Society of
Mechanical Sciences and Engineering”.
RESULTADOS E DISCUSSÃO
A priori, foram definidas como palavras-chaves para a pesquisa os seguintes termos:
A Figura 2 mostra que o interesse pela relação entre PCA e SHM foi praticamente
inexistente até 2006. A partir daí, apenas em 2012 não houve a publicação de artigos
que resultassem da pesquisa com a string estabelecida. Os dados também mostram
um crescimento considerável no ano de 2018, chegando ao estabelecimento da
temática na academia, visto que ambos 2021 e 2022 tiverem 10 artigos publicados que
resultaram da pesquisa em questão.
Outro ponto relevante a ser tratado foi a determinação de quais palavras-chave foram
mais comuns entre os artigos pesquisados. Para tal, a partir do espaço amostral dos 42
artigos resultantes da string, foram selecionados aqueles publicados nos últimos cinco
anos. Suas palavras-chave foram anotadas uma a uma a fim de encontrar aquelas que
apareciam com maior frequência. Foram selecionadas as 24 palavras-chave mais
mencionadas entre os artigos, de modo que o gráfico da Figura 3 mostra os resultados
deste processo.
Número de artigos publicados a cada ano

“structural health monitoring”, “data mining” e “principal componente analysis”. Somando os 12

resultados das pesquisas de cada uma das palavras-chaves em todos os quatro journals, 10

encontrou-se uma grande quantidade de artigos disponíveis. Para corrigir esta questão e Figura 3 - Frequência de 8
Número de publicações

com o objetivo de refinar e especificar a pesquisa em questão, iniciou-se o processo de palavras-chave nos artigos 6

pesquisados.
criação da string de pesquisa. A Figura 1 traz um fluxograma que ilustra a metodologia do Fonte: Próprios autores. 4

estudo aqui apresentado, assim como o processo de definição da string de pesquisa e a 2

aplicação dos três filtros de pesquisa.

0
2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020 2021 2022

Ano

Ao analisar os dados dispostos na Figura 3, é possível perceber que, além dos termos
que compõem o SHM, “monitoring”, “health” e “structural”, as palavras “learning” e
“data” completam o top 5. Importante ressaltar que encontrar “data” nesta posição não
é uma surpresa, visto que a string de pesquisa tinha em sua composição o termo “data
Figura 1 - Fluxograma da mining” ou mineração de dados. A palavra “learning”, por sua vez, pode ter sido
metodologia do estudo.
Fonte: Próprios autores.
bastante utilizada em referência a inteligências artificiais e a máquinas autônomas. A
presença de “machine” na sétima posição corrobora com esta hipótese.

Em um primeiro momento, foram realizadas duas pesquisas paralelas: i) a primeira utilizou do
operador AND para criar “structural health monitoring AND principal componente analysis”, a
fim de encontrar trabalhos que tratassem dos dois temas simultaneamente, o que resultou em
439 artigos encontrados; ii) a segunda utilizou do mesmo operador para criar “structural health
monitoring AND data mining”, com o mesmo objetivo de encontrar trabalhos que tratassem do
Monitoramento da Integridade Estrutural e também de Mineração de dados, o que resultou em
169 artigos encontrados. Por fim, objetivando a procura de trabalhos que tratassem de SHM e
“principal componente analysis” ou “data mining”, a string de pesquisa definida foi: “structural
health monitoring AND principal componente analysis OR data mining”. A pesquisa com a
string definida encontrou 42 resultados.
CONCLUSÃO
Com o avanço das técnicas computacionais como ferramenta do SHM, a redução de
dimensionalidade se mostrou uma técnica eficiente nos trabalhos estudados, pois ela
ajuda estimar os parâmetros que possuem uma maior significância. Isso ajuda a reduzir
o tempo de processamento de máquina, tendo em vista que os métodos visam escolher
as variáveis significativas e trabalhar com elas, fazendo com que a confiabilidade não
seja afetada significativamente
REFERÊNCIAS 
•MALEKLOO, A.; OZER, E.; ALHAMAYDEH, M. & GIROLAMI, M. Machine learning
and structural health monitoring review with emerging technology and high-
dimensional data source highlights. Structural Health Monitoring, v.21, n.4, p.1906-
1955, 2021. DOI: 10.1177/14759217211036880