Os efeitos ambientais muitas vezes interferem no diagnóstico preciso de danos estruturais em sistemas de monitorização de saúde estrutural (SHM) baseados em ondas guiadas. Distinguir essas influências ambientais, denominadas características sensíveis ao ambiente, das características sensíveis a danos é crítico, uma vez que fatores como temperatura podem mascarar indicadores de danos estruturais, como fissuras. Este estudo propõe uma metodologia híbrida que combina a Transformada Chirplet (CT) para extração de características e redes neurais artificiais (ANNs) para compensação ambiental. Dados de ondas elásticas guiadas foram coletados de uma estrutura não danificada sob várias condições ambientais e operacionais. A análise preliminar sob condições controladas justificou a seleção de características, mostrando uma forte correlação linear entre o coeficiente de deslocamento temporal da CT e a temperatura (R = 0,99), e entre seu módulo de escala e o tamanho do dano (R = 0,98). Uma ANN foi então treinada com dados de uma estrutura não danificada para modelar a relação básica entre a temperatura e esses coeficientes da CT, alcançando um erro quadrático médio de validação de 14%. Para a avaliação de danos, a ANN treinada gera coeficientes pseudo-referenciais para a temperatura atual, permitindo a quantificação do dano ao compará-los com os coeficientes do sinal medido. A abordagem contorna as extensas demandas de dados da seleção otimizada de linha de base e os modelos simplificados de alongamento do sinal de linha de base, possibilitando uma estrutura direta para a quantificação de danos com baixo custo computacional. Ao separar com sucesso os efeitos ambientais dos indicadores de dano em um cenário simplificado, este trabalho apresenta uma metodologia promissora e computacionalmente eficiente para avaliação de danos em SHM.
García-Alonso et al. (Ter,) estudaram esta questão.