Técnicas de aprendizado de máquinas com a abordagem Low Code para monitoramento de integridade estrutural

Abstract

O Monitoramento da Integridade Estrutural (SHM) utiliza técnicas e tecnologias para avaliação contínua de estruturas físicas, otimizando recursos e garantindo a segurança. Com o avanço das técnicas de aprendizado de máquina, o SHM beneficia-se de diagnósticos rápidos e confiáveis, essenciais na Indústria 4.0. Este trabalho propõe o uso de plataformas low-code, como o Orange Canvas, para democratizar ferramentas de aprendizado de máquina aplicadas ao SHM. Utilizando dados experimentais de chapas metálicas excitadas por transdutores piezoelétricos, variando entre 30kHz e 70kHz, e simulando estados com falha através da retirada de material por usinagem, técnicas de aprendizado como Floresta Aleatória e Redes Neurais foram avaliadas com base em acurácia, precisão e tempo de treinamento e teste. A técnica combinada conhecida como Stack apresentou uma acurácia de 90,30%, enquanto o modelo Floresta Aleatória obteve 88,60%, mostrando resultados promissores para a metodologia aplicada.