Monitorización e identificación de puntos calientes térmicos en estructuras utilizando transductores piezoeléctricos

La identificació de punts calents tèrmics en estructures és un camp del monitoratge que encara es troba en fase preliminar. És, per això, que cal continuar amb l’estudi per trobar eines i metodologies que permetin detectar, localitzar i determinar la mida del dany que se li pot arribar a ocasionar a les estructures. Com a conseqüència, aquest tipus de dany posa en perill la integritat d’aquestes, així com l’alt risc de pèrdues de vides humanes. L’objectiu d’aquest treball és construir un model basat en dades utilitzant eines d’aprenentatge automàtic per a la identificació de diferents punts calents en una estructura, utilitzant sensors piezo‐ elèctrics. Per complir aquest propòsit, es va dissenyar un experiment al laboratori de CoDAlab (que es troba en l’Escola d’Enginyeria de Barcelona Est, Universitat Politècnica de Catalunya) que consisteix en la instal∙lació de 12 sensors (que poden funcionar com a sensor o actuador) en una placa d’alumini, on es van aplicar 12 punts calents (que són els principals defectes de l’estructura) amb l’ajuda d’una pistola de calor i es va captar la informació de resposta mitjançant una càmera tèrmica i un programa informàtic orientat cap a la detecció de danys en estructures anomenat Labview. Finalment, aquesta informació es va processar creant 12 bases de dades corresponents a cada actuador. Amb la informació pertanyent a un actuador, s’ha realitzat la prova d’un total de 14 algoritmes de regressió diferents, dels quals s’ha triat aquell que maximitza el valor de l’ajust donat pel coeficient de determinació R2 i minimitza l’error absolut mitjà. Amb aquest, s’ha procedit a crear el model de regressió amb la resta d’informació dels actuadors, on s’ha seleccionat com a variable d’entrada la informació dels senyals i, com a variables de sortida a predir, la temperatura, posició X, posició Y i àrea del punt calent. A més, s’ha implementat una xarxa neuronal com un mètode alternatiu més eficient per a la localització de punts calents, on les variables d’entrada continuen sent les mateixes, però ara es defineix com a variable de sortida una imatge tèrmica de 120 x 160 píxels que mostra la localització del punt calent. Finalment, es va obtenir un score del R2 del 87% per al model de regressió i un error mig absolut de 5 píxels per a la xarxa neuronal. Tots dos ofereixen una aproximació correcta per a la localització del punt calent, però la xarxa neuronal era més eficient perquè el temps d’entrenament era més curt (un minut, comparats amb els 10 minuts per al model de regressió) i, també, perquè era capaç de predir i retornar una imatge tèrmica amb la localització del punt calent en la placa. En canvi, per al model de regressió, va ser necessari un pas addicional per representar gràficament el punt calent, a partir de les quatre variables de sortida.La identificación de puntos calientes térmicos en estructuras es un campo de la monitorización que aún se encuentran en fase preliminar. Es por ello que se precisa continuar con el estudio para en‐ contrar herramientas y metodologías que permitan detectar, localizar y determinar la dimensión del daño que se le ocasiona a las estructuras. Como consecuencia, este tipo de daños pone en peligro la integridad de las mismas, así como también el alto riesgo de pérdidas de vidas humanas. El objetivo de este trabajo es construir un modelo de regresión basado en datos utilizando her‐ ramientas de Machine Learning para la identificación de diferentes puntos calientes en una estruc‐ tura mediante el uso de sensores piezoeléctricos. Para ello, se ha procedido a diseñar un experimento en el laboratorio de CoDAlab (Escuela de Ingeniería de Barcelona Este, Universidad Politécnica de Cataluña) que consiste en la instalación de 12 sensores (que pueden funcionar como sensor o ac‐ tuador) en una placa de aluminio, en la cual se han aplicado 12 puntos calientes (los cuales son los defectos principales de la estructura) con la ayuda de una pistola de calor y se ha captado la infor‐ mación de respuesta mediante una cámara termográfica y un programa informático orientado a la detección de daños en estructuras denominado Labview. Finalmente, esta información de señales se ha procesado creando 12 bases de datos pertenecientes a cada actuador. Con la información por actuador, se ha realizado la prueba de un total de 14 regresores distintos, de los cuales se ha elegido aquel que maximiza el valor del ajuste dado por el coeficiente de deter‐ minación R2 y minimiza el error absoluto medio. Con este, se ha procedido a crear el modelo de regresión con el resto de información de los actuadores, donde se ha seleccionado como variable de entrada la información de las señales y, como variables de salida a predecir, la temperatura, posición X, posición Y y área del punto caliente. Por último, se ha implementado una red neuronal como un método alternativo más eficiente para la localización de puntos calientes, donde las variables de en‐ trada continúan siendo las mismas, pero ahora se define como variable de salida una imagen térmica de 120 x 160 píxeles que muestra la localización del punto caliente. Finalmente, se ha obtenido un score del R2 del 87% para el modelo de regresión y un error medio absoluto de 5 píxeles para la red neuronal. Ambos ofrecieron una aproximación correcta para la local‐ ización del punto caliente, pero la red neuronal era más eficiente porque el tiempo de entrenamiento era más corto (un minuto, comparados con los 10 minutos que tardó el modelo de regresión) y era capaz de predecir y devolver una imagen térmica con la localización del punto caliente. En cambio, para el modelo de regresión, se requirió de un paso adicional para representarlo gráficamente.Hot spots identification within structures is a detection and monitoring field that is still under a pre‐ liminary phase. Therefore, it is necessary to do an in‐depth analysis on the subject to find tools and methodologies that allow the detection, location, and determination of the size of the damage caused in the structures. Due to such damage, the structure’s integrity may be compromised, which can ultimately put human lives in danger. The main objective of this project is to develop a machine learning based model that identifies different hot spots using data acquired from piezoelectric sensors. For this purpose, an experiment was designed in the CoDAlab laboratory (Barcelona East School of Engineering, Polytechnic University of Catalonia) where 12 sensors (that can dually function as sensor or actuator) were installed on an aluminum sheet. On the sheet, 12 hot spots (which are the main defects of the structure) were applied with the help of a heat gun, and the response signal was captured with a thermal camera and a damaged detection oriented software called Labview. Finally, the data was processed creating 12 unique dataframes corresponding to each actuator. With the acquired data of a single actuator, 14 different machine learning regression models were tested. The final model was selected based on performance metrics: highest R2 coefficient value and lowest mean absolute error. In the developed model, the input values were the signal data from the sensors and, for the output values were the temperature, X position, Y position and area of the hot spot. In addition, a neural network was implemented for locating hot spots as a more efficient alternative method to the regression model. In this case, while the input values remained the same, the output variable was defined as a thermal image of 120 x 160 pixels that contained the location of the hot spot. Finally, a R2 score of 87% was obtained for the regression model, and a mean absolute error of 5 pixels for the neural network. Both were able to predict the hot spot with a good aproximation, but the neural network was more efficient as the training time was shorter (one minute compared to the 10 minutes for the regression model). Moreover, the neural network immediately returns a thermal image with the location of the hot spot,whereas for the regression model an additional step is required to represent graphically the hot spot, from the four output variables