Banca de QUALIFICAÇÃO: AMANDA ARYDA SILVA RODRIGUES DE SOUSA

Uma banca de QUALIFICAÇÃO de DOUTORADO foi cadastrada pelo programa.
DISCENTE : AMANDA ARYDA SILVA RODRIGUES DE SOUSA
DATA : 21/08/2025
HORA: 09:00
LOCAL: Microsoft Teams
TÍTULO:

Monitoramento de tubina eólica empregando inteligência artificial e dados de sensores multimodais

PALAVRAS-CHAVES:

Monitoramento da Integridade Estrutural; Reconhecimento de Padrões; Vibrações; Aprendizado de Máquina.

 

PÁGINAS: 100
RESUMO:

Turbinas eólicas são sistemas eletromecânicos de elevada complexidade, cuja operação eficiente e segura depende de estratégias robustas de monitoramento contínuo. O monitoramento da integridade estrutural (Structural Health Monitoring – SHM) tem se beneficiado dos avanços em aprendizado de máquina (Machine Learning – ML), que permitem a automação na detecção de falhas por meio de técnicas baseadas em dados. No entanto, ainda existem desafios na adaptação dos métodos de SHM a condições ambientais complexas, mantendo a confiabilidade na detecção e classificação de falhas. Este trabalho propõe um modelo híbrido que integra algoritmos de aprendizado supervisionado e não supervisionado para a classificação de falhas em turbinas eólicas, com base em dados multifísicos que incorporam tanto variáveis estruturais quanto ambientais. A abordagem adotada abrange desde experimentos controlados em laboratório até cenários operacionais reais. Inicialmente, são utilizados dados de uma placa compósita, material semelhante ao utilizado em pás de turbinas, instrumentada com sensores piezelétricos, submetida a diferentes níveis de dano e variações de temperatura. Na sequência, o modelo é aplicado a dados reais de uma turbina eólica onshore, visando monitorar quatro estados operacionais distintos. A abordagem começa com a análise dos sinais dos sensores e a extração de características descritivas que capturam o comportamento dinâmico. O algoritmo k-means é aplicado para rotular e agrupar o conjunto de dados, enquanto a seleção de características e sensores é realizada usando análise de correlação canônica para classificar as variáveis mais informativas, combinando informações estruturais e ambientais. Um novo índice de dano é introduzido para normalizar as características, aumentando a precisão do agrupamento e da classificação de falhas. A classificação é conduzida usando cinco algoritmos diferentes de aprendizado de máquina. Os resultados da placa chegam a 98%, destacando a eficiencia do metodo encontrado. Nos dados da turbina eólica, o modelo demonstra um forte desempenho em tarefas binárias e multiclasse, incluindo a detecção de incluindo a detecção de falhas no sistema de acionamento de passo (pitch), a identificação de formação de gelo no rotor e o diagnóstico de desequilíbrios aerodinâmicos. O modelo atingiu acurácia de até 100% na classificação, ressaltando seu potencial para aplicações práticas em SHM de turbinas eólicas, contribuindo para o aumento da confiabilidade estrutural e da segurança operacional desses sistemas.

MEMBROS DA BANCA:
Externo à Instituição - ELÓI JOÃO FARIA FIGUEIREDO - ULUSOFONA-LB
Externo à Instituição - ALEXANDRE ABRAHÃO CURY - UFJF
Presidente - 1310273 - MARCELA RODRIGUES MACHADO
Externo ao Programa - 1619095 - MARCUS VINICIUS GIRAO DE MORAIS - nullInterno - 2143651 - THIAGO DE CARVALHO RODRIGUES DOCA