Modelagem Numérica e Aprendizado Profundo para Detecção de Delaminações em Materiais Compósitos
Palavras-chave:
Aprendizado Profundo, Materiais Compósitos, Método dos Elementos Finitos, Monitoramento da Integridade EstruturalResumo
O estudo demonstrou que a modelagem do dano por ausência de contato entre camadas no MEF representa de forma mais realista a delaminação, impactando significativamente as frequências naturais e o comportamento estrutural. Essa abordagem permitiu observar de maneira consistente como a presença, localização e tamanho dos danos influenciam os modos de vibração, reforçando a importância da representação adequada de falhas interlaminares em análises numéricas. Já na etapa de aprendizado profundo, constatou-se que a complexidade do problema, somada à variabilidade do vetor de danos, ainda constitui um desafio para que a CNN estabeleça correlações plenamente consistentes entre as imagens e os rótulos. Apesar dessas limitações, o trabalho contribui ao evidenciar os obstáculos frente à construção de datasets robustos para aplicações em SHM e ressalta a relevância de investigações futuras, seja por meio do aumento da base de dados, da adoção de estratégias de geração sintética ou da exploração de técnicas alternativas de aprendizado, de modo a ampliar a acurácia e a confiabilidade na detecção de múltiplos danos em compósitos.
