Sensores ópticos baseados em LPFGs para identificação de condições de carregamento em estruturas

• Ano de defesa: 2021
• Autor(a) principal: Barino, Felipe Oliveira
• Orientador(a): Santos, Alexandre Bessa dos
• Banca de defesa: Barbero, Andrés Pablo López , Marcato, André Luís Marques
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Juiz de Fora (UFJF)
• Programa de Pós-Graduação: Programa de Pós-graduação em Engenharia Elétrica
• Departamento: Faculdade de Engenharia
• País: Brasil
• Palavras-chave em Português: Sensores; Grades de período longo em fibra; Identificação de força; Carregamento; Viga biapoiada; Sensor multidimensional; Sensors; Long period fiber grating; Force identification; Loading; Simplysupported beam; Multidimensional sensor
• Área do conhecimento CNPq: CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA
• Link de acesso: https://doi.org/10.34019/ufjf/di/2021/00161; https://repositorio.ufjf.br/jspui/handle/ufjf/13184

Para garantir a segurança e durabilidade de estruturas em serviço, o monitoramento constante da saúde estrutural destas vem sendo utilizado por engenheiros para melhor gerenciamento, tomada de decisões e planejamento de manutenção. Neste cenário, sistemas de sensoriamento são extremamente importantes. Este trabalho apresenta o uso de sensores ópticos a fibra baseados em grades de período longo (LPFGs, do inglês long period fiber gratings) na identificação de forças em estruturas. Sensores ópticos a fibra são interessantes para monitorar estruturas em tempo real devido à capacidade de lidar com ambientes hostis, imunidade eletromagnética e baixa atenuação do sinal. Nesta dissertação são analisados dois cenários: identificação de um carregamento concentrado em uma viga biapoiada e identificação de forças bidimensionais por meio da compressão da LPFG. No primeiro caso, desenvolveu-se um modelo matemático para identificação da intensidade e posição de uma força aplicada a tal viga, obtendo um erro absoluto relativo de, em média, 1,22% na estimativa da intensidade e 2,51% na estimativa da posição. Já no segundo caso, um modelo de regressão baseado em aprendizado de máquinas foi utilizado para identificar a intensidade e direção de uma força com erro absoluto relativo de, em média, 2,19% e 3,93%, respectivamente.