Mecnica Computacional Vol XXIX, pgs. 6303-6315 (artculo completo) Eduardo Dvorkin, Marcela Goldschmit, Mario Storti (Eds.

) Buenos Aires, Argentina, 15-18 Noviembre 2010

ANLISE DE IMAGENS TERMOGRAFICAS DE ESTRUTURAS DE CONCRETO A PARTIR DE REDES NEURAIS ARTIFICIAIS

Roberto Pettresa, b, Luiz A. de Lacerdab
a,b

Mestrando do Programa de Ps-graduao em Mtodos Numricos em Engenharia pela Universidade Federal do Paran - Curitiba, Paran, Brasil, robertopettres@yahoo.com.br

Instituto de Tecnologia para o Desenvolvimento LACTEC, Departamento de Estruturas Civis DPEC - Curitiba, Paran, Brasil. CEP: 81531-090. Caixa Postal: 19067. Tel.:+55 41 3361 6002. Fax: +55 41 3361 6141. E-mail: roberto.pettres@lactec.org.br, alkimin@lactec.org.br.

Palavras-chave: Testes no Destrutivos, Termografia, Processamento de Imagens, Redes Neurais Artificiais, Reconhecimento de Padres.
Resumo. Este trabalho apresenta uma ferramenta de anlise computacional baseada em termografia, processamento de imagens e redes neurais artificiais (RNA). A anlise tem como objetivo obter um diagnstico da integridade das estruturas de concreto atravs de teste no destrutivo, buscando a identificao de irregularidades no interior da estrutura. O desempenho da ferramenta avaliado com o uso de imagens trmicas geradas numericamente com o software Ansys em anlises estacionrias de transferncia de calor em blocos de concreto com anomalias conhecidas. As anomalias so parametrizadas por suas dimenses, posies em relao superfcie e propriedades trmicas. A ferramenta de anlise foi implementada no software Matlab 6 e aplicada sobre um conjunto de 256 imagens resultantes de condies conhecidas. Os resultados foram avaliados com estimadores de erro para cada imagem, parmetro e conjunto testado. A RNA desenvolvida apresentou testes com mdia de 72,88% das estimativas para os parmetros caractersticos dos defeitos com erros relativos mdios inferiores a 30%, permitindo a identificao de padres defeituosos na estrutura de concreto. Abstract. This paper presents a computational analysis tool based on thermal imaging, image processing and artificial neural networks (ANN). The analysis aims a diagnosis of the integrity of concrete structures through nondestructive testing, searching for irregularities within the structure. The tool performance is evaluated using numerically generated thermal images with the software Ansys in steady-state heat transfer analyses in concrete blocks with known anomalies. The anomalies are parameterized by their size, position with respect to the surface and thermal properties. The analysis tool was implemented in Matlab 6 and applied to a set of 256 images resulting from known conditions. The results were evaluated with error estimators for each tested image, parameter and global set of parameters. The developed ANN presented an average of 72,88% of results for the characteristic parameters of the defects with mean relative errors below 30%, allowing the identification of damage patterns in the concrete structures. Keywords: Non-Destructive Testing, Thermography, Image Processing, Artificial Neural Networks, Pattern Recognition.

Copyright 2010 Asociacin Argentina de Mecnica Computacional http://www.amcaonline.org.ar

6304

R. PETTRES, L. DE LACERDA

INTRODUO Estruturas de concreto podem apresentar imperfeies subsuperficiais como descontinuidades, microfissuras e espaos vazios, resultantes do processo construtivo. Tais defeitos so indesejados, especialmente em estruturas em permanente contato com a gua, podendo interferir na estanqueidade e/ou durabilidade da estrutura (Metha & Monteiro, 2008). Com o intuito de detectar esses defeitos, tcnicas de anlise no destrutiva, como a termografia digital, tm sido empregadas em estruturas de concreto (Spicer & Osinander, 2002). O primeiro experimento documentado utilizando termografia para detectar delaminaes subsuperficiais no concreto foi publicado no ano de 1973 pelo Ministrio dos Transportes e da Comunicao de Ontrio no Canad. Demonstrou-se que a termografia poderia ser utilizada para detectar falhas causadas pela corroso do ao de reforo, agrupamento de agregados ou fluidos, infiltrao de gua e identificar a presena e localizao de eventuais anomalias subsuperficiais (Malhotra & Carino, 2004). Entretanto, no trivial analisar os dados provenientes da termografia e obter um parecer sobre a estrutura de concreto sem tcnicas e ferramentas computacionais especficas. Uma alternativa o emprego de tcnicas de Processamento de Imagem e tcnicas de Inteligncia Artificial, como por exemplo, Redes Neurais Artificiais (RNA). O Processamento de imagem uma forma de processamento de sinais, onde os dados so obtidos a partir do arquivo de imagem. Algumas tcnicas de processamento utilizam um tratamento bidimensional, procurando extrair informaes quantitativas de interesse ou que sejam bsicas para o processo de anlise, tornando possvel a caracterizao do fenmeno registrado no arquivo. Sobre as Redes Neurais Artificiais, Haykin as define como tcnicas computacionais que apresentam um modelo matemtico inspirado na estrutura neural de organismos inteligentes, podendo adquirir conhecimento pela experincia (Haykin, 2003). Uma das principais vantagens das RNA a habilidade em descobrir e reconhecer padres que parecem despercebidos aos especialistas humanos ou para os mtodos estatsticos tradicionais. O reconhecimento de padres feito pela RNA tem como objetivo classificar informaes baseando-se em conhecimento a priori ou em informaes estatsticas extradas dos exemplos disponveis para treinamento, atribuindo um rtulo a um objeto, de acordo com a informao fornecida pelo seu descritor (Nabney, 2004). A partir de tais consideraes, o presente trabalho tem como objetivo desenvolver uma ferramenta computacional baseada em Termografia, Processamento de Imagens e RNA, capaz de detectar anomalias subsuperficiais no interior de estruturas de concreto. A ferramenta foi desenvolvida e testada utilizando um conjunto de 256 imagens geradas numericamente no software Ansys em regime estacionrio de transferncia de calor, em um bloco de concreto com uma anomalia cujas dimenses e distncia face avaliada so parametrizadas. 1 DESCRIO DO PROBLEMA TRMICO

O problema descrito por Incio et al. (2009), onde foi modelado um bloco com as propriedades fsicas do concreto, com uma anomalia interna caracterizada por um material de maior porosidade, simulando a presena de um nicho de concreto mal vibrado, utilizando o software Ansys. O bloco de concreto de forma cbica de lado L=0.5m, ilustrado pela Figura 1 e as variveis parametrizadas so: a profundidade D do defeito em relao

Copyright 2010 Asociacin Argentina de Mecnica Computacional http://www.amcaonline.org.ar

Mecnica Computacional Vol XXIX, pgs. 6303-6315 (2010)

6305

superfcie de anlise do bloco, as dimenses H (altura), F (largura) e P (espessura) do defeito.

Figura 1 - Geometria do problema.

O modelo matemtico adotado a equao de Laplace na sua formulao tridimensional, analisando-se a conduo de calor no interior do bloco e do defeito atravs da equao da difuso de calor para meios isotrpicos, considerando o regime estacionrio, onde ks a condutividade trmica do meio (bloco ou defeito):

T T T ks + ks + z k s z = 0 y x x y

(1)

A simulao numrica adotada consiste em discretizar a Eq. (1) atravs do Mtodo dos Elementos Finitos com a utilizao do software Ansys, adotando um campo de temperatura uniforme, aplicado na superfcie do bloco em z=0 (T(x,y,0)=Tw). Em z*=L* uma condio de 3 espcie aplicada, descrevendo a existncia na superfcie de um resfriamento por conveco (ar) com coeficiente ha e temperatura Ta. As demais superfcies externas (paralelas aos planos yz e xz) so consideradas adiabticas, ou seja, com fluxo trmico nulo. Nas superfcies de contato do defeito com o bloco so aplicados balanos de energia igualando os fluxos de calor entre os elementos adjacentes. A Figura 2 ilustra as condies de contorno aplicadas ao problema:

Figura 2 - Condies de contorno.

Copyright 2010 Asociacin Argentina de Mecnica Computacional http://www.amcaonline.org.ar

6306

R. PETTRES, L. DE LACERDA

A modelagem computacional foi realizada considerando-se: condutividade trmica do concreto Kb = 2.75 W/m. K; condutividade trmica do defeito Kd = 25% KB e coeficiente de conveco concreto/ar: ha = 13.95 W/m K. Os valores atribudos aos parmetros D, H, F e P variaram entre 0.05, 0.10, 0.15 e 0.20 m, totalizando 256 combinaes possveis e, consequentemente, a gerao de 256 imagens trmicas superficiais. Na Figura 3 apresentada uma amostra do conjunto de imagens.

F=0.05, H=0.05, P=0.05, D=0.10

F=0.05, H=0.05, P= 0.20, D=0.05

F=0.05, H=0.05, P=0.20, D=0.10

F=0.05, H=0.10, P=0.20, D=0.10

F=0.05, H=0.10, P=0.20, D=0.20

F=0.05, H=0.15, P=0.20, D=0.05

F=0.05, H=0.15, P=0.20, D=0.10

F=0.05, H=0.15, P=0.20, D=0.20

Figura 3 - Amostra do conjunto de imagens, F= Largura; H = Altura; P = Espessura; D = Profundidade.

PROCESSAMENTO DAS IMAGENS

No processamento das imagens foram aplicadas as funes colormap(128) e imread ao conjunto de imagens trmicas, ambas funes computacionais do Matlab 6, que associadas, convertem a imagem colorida em uma matriz tridimensional (M por N por 3), retornado valores do padro RGB (do ingls Red, Green and Blue), associando a cada imagem um mapa de cores contendo 128 cores, e alocando um valor numrico para cada componente ijk (onde k= 1, 2, 3) da matriz correspondente (Figura 4). Desta forma, cada pixel da imagem trmica passa a ser representado por um vetor de trs componentes.

Figura 4 Matrizes do padro RGB.

A variao de cor entre pixels em regies especficas da imagem revela a distribuio

Copyright 2010 Asociacin Argentina de Mecnica Computacional http://www.amcaonline.org.ar

Mecnica Computacional Vol XXIX, pgs. 6303-6315 (2010)

6307

trmica e seus gradientes na superfcie do bloco. Com o intuito de obter estas variaes, foram associados valores de temperaturas a cada pixel na imagem (Figura 5), substituindo os vetores de trs componentes por valores de temperatura padronizados pelas 128 cores de acordo com a emisso de calor registrada na simulao em Ansys, fazendo com que cada imagem seja representada por uma matriz M por N, representando um campo trmico bidimensional.

Figura 5 Regio selecionada da imagem gerada em Ansys (esquerda); imagem ilustrativa da ampliao da regio selecionada utilizando o software MikroView2.9 (direita).

A Figura 5 uma imagem ilustrativa representando a ampliao de uma regio sobre a imagem gerada pelo Ansys com o auxlio do software MikroView 2.9, utilizado para anlise termogrfica, apresentando a temperatura de determinados pixels. Na anlise feita no campo trmico das imagens foi verificado que a presena do defeito no interior do bloco, sob as condies estabelecidas, produzia uma clara perturbao do campo trmico, coincidindo a localizao da regio mais fria do campo com a localizao da projeo do defeito no plano frontal. Nesta mesma anlise foi verificado que o parmetro P, espessura do defeito, no apresentava alteraes significativas no campo trmico registrado na superfcie do bloco de concreto (Incio et al., 2009). As alteraes significativas na imagem trmica na face resultaram da variao dos parmetros, largura, altura e profundidade do defeito. Desta forma, optou-se em utilizar apenas estes trs parmetros, para as sadas conhecidas a priori pela RNA. Para determinar as caractersticas para compor o conjunto de entradas da RNA, foi necessria a obteno de informaes que indicassem um padro a ser detectado pela RNA, desta a forma, foram obtidas informaes sobre o registro de temperaturas de cada modelo a partir de uma malha quadrada contendo 25 (Figura 6) ns, sendo coletados os valores de temperatura em cada n.

Copyright 2010 Asociacin Argentina de Mecnica Computacional http://www.amcaonline.org.ar

6308

R. PETTRES, L. DE LACERDA

Figura 6 Malha 25 para localizao das caractersticas trmicas.

Devido sensibilidade das redes neurais s magnitudes absolutas, as informaes obtidas durante o processamento das imagens foram normalizadas de acordo com sua ordem de grandeza e dimensionalidade, sendo armazenadas em um vetor contendo os padres caractersticos de cada imagem. Assim, estes vetores representam as entradas ou tambm chamados sinais funcionais da RNA. O tempo necessrio de processamento para esta abordagem foi de 8,9 segundos para o conjunto de 256 imagens, utilizando um computador com 4 GB de memria RAM, sistema operacional de 32 bits e processador Intel 2 Quad Core CPU 2.33 Ghz. 3 PLANEJAMENTO DA REDE NEURAL ARTIFICIAL

No planejamento da RNA, buscou-se uma topologia com nmero de camadas e nmero de neurnios em cada camada que fornecesse maior qualidade de resposta. Tsoukalas e Uhrig (1997) citam que uma rede de trs camadas (entrada, escondida e sada), com um nmero suficiente de neurnios adequada para representar qualquer mapeamento, e que novas camadas s devem ser acrescentadas se a arquitetura em mos no for adequada. Desta forma, a estrutura da rede definida por trs camadas, com vinte e cinco neurnios na camada de entrada e trs neurnios na camada de sada referentes aos parmetros desejados. Para obter o nmero de neurnios na camada escondida, foram construdas vinte e cinco redes neurais, simuladas iterativamente variando a quantidade de neurnios nesta camada at um nmero igual quantidade de sinais funcionais, buscando a quantidade que apresentasse o menor somatrio de erro quadrtico mdio. Este processo justificado pela importncia que esta camada representa para o aprendizado da rede, pois segundo Haykin (2003), os neurnios da camada escondida desempenham um papel crucial na operao de uma rede de mltiplas camadas com aprendizagem por retropropagao porque agem como detectores de caractersticas. Desta forma, conforme o processo de aprendizagem avana, os neurnios da camada escondida comeam gradualmente a descobrir as caractersticas salientes que caracterizam os dados de treinamento. Isto feito a partir de uma transformao no linear dos dados de entrada para um espao de caractersticas (Haykin, 2003). Baseado em tal afirmao, foram aplicadas transformaes (funes de ativao ou tambm chamadas de funes de transferncia) no lineares sobre as camadas de entrada e escondida, utilizando a funo tangente hiperblica (Eq. 2) e adotando uma funo linear (Eq.
Copyright 2010 Asociacin Argentina de Mecnica Computacional http://www.amcaonline.org.ar

Mecnica Computacional Vol XXIX, pgs. 6303-6315 (2010)

6309

3) para a camada de sada. A escolha de neurnios lineares na camada de sada motivada pelo desejo de concentrar a ateno sobre o papel dos neurnios da camada escondida (Haykin, 2003).

e X k e X k yk = tanh( X k ) = X k X k e +e
onde

(2)

X k = wkj . x j + bias

m . yk = f w x kj j j =1

(3)

Para a arquitetura, foi definida uma rede feedforward. Redes feedforward so organizadas em camadas com conexes unidirecionais entre uma camada e outra, processando os dados paralelamente distribudos. Considerando que a informao de uma RNA armazenada nos valores dos pesos e estes so iniciados randomicamente, fundamental a aplicao de um algoritmo para o controle e correo destes valores. Existem alguns mtodos para se fazer a correo dos pesos, entre os quais se encontra o algoritmo de Regularizao Bayesiana (MacKay, 1992). Este algoritmo foi desenvolvido por MacKay (1992) e consiste em adicionar um termo de penalizao (regularizao) funo objetivo, de forma que o algoritmo de estimao faa com que os parmetros irrelevantes convirjam para zero, reduzindo assim o nmero de parmetros efetivos utilizados no processo. De acordo com Foresee (1998), a aplicao deste algoritmo feita para prevenir o overfitting (sobre-treinamento) na fase de treinamento da rede. A rede neural artificial para o reconhecimento de padres desenvolvida neste trabalho emprega a funo de treinamento trainbr do Matlab 6 que utiliza o algoritmo de Regularizao Bayesiana com retropropagao (algoritmo backpropagation). A retropropagao significa que o processo de correo dos pesos das conexes iniciado na ltima camada e prossegue em direo primeira, gradualmente at que o desempenho desejado seja atingido. O ajuste dos pesos das conexes chamado de aprendizagem da rede. A fase de treinamento da rede foi definida com aprendizado supervisionado, ou seja, quando a sada correta do conjunto de treinamento conhecida e o objetivo do treinamento adaptar a sada da rede sada conhecida (Barreto, 2004). Os testes para avaliao da RNA foram definidos usando validao cruzada com sub-amostragem aleatria do conjunto de imagens, compondo os grupos de treinamento (80%), validao (10%) e teste (10%, dados inditos), com o intuito de verificar a capacidade de generalizao da rede. Sendo definida a estrutura das redes, os passos seguintes se referem ao treinamento, validao, teste dos modelos e a definio da topologia para determinar os trs parmetros de sada da RNA. 3.1 Treinando e Validando o modelo A RNA foi inicializada de acordo com item 3. Dez treinamentos foram realizados para
Copyright 2010 Asociacin Argentina de Mecnica Computacional http://www.amcaonline.org.ar

6310

R. PETTRES, L. DE LACERDA

cada estrutura utilizando validao cruzada, permitindo encontrar a topologia que representasse o menor nvel de erro. O nvel de erro foi avaliado pela mdia dos erros quadrticos mdios (MMSE) das respostas fornecidas por cada estrutura de RNA. O valor obtido para o MMSE mnimo relacionado quantidade de neurnios da camada escondida, visando definio da topologia que obteve o melhor desempenho. Os resultados referentes topologia desejada so apresentados na Tabela 1.

Anlise dos erros e n de neurnios na camada escondida MMSE mnimo 2,3646 MMSE mdio 9,1050 MMSE mximo 30,4355 NNH 15 NTE 10 NTT 250 Tempo Total (segundos) 37602,4

RNA

Tabela 1 Anlise dos erros das simulaes (NNH = nmero de neurnios na camada escondida com mnimo MMSE, NTE = nmero de treinamentos e NTT = nmero total de treinamentos).

Na Tabela 1, os valores pertencentes ao intervalo MMSE mnimo e mximo, indicam a flutuao dos erros da topologia encontrada, contendo 25 neurnios na camada de entrada, 15 na escondida e 3 na de sada, revelando o seu comportamento durante a fase de treinamento. O tempo necessrio para definio desta topologia foi de 37602,4 segundos, referente ao total de 250 treinamentos. A Figura 7 ilustra a topologia encontrada e utilizada para o modelo de testes.

Figura 7 Topologia da RNA.

RESULTADOS E DISCUSSO

Com o intuito de avaliar o desempenho da topologia da RNA definida, foram introduzidos os estimadores de erro quadrtico mdio (MSE) para cada parmetro, incerteza padro mdia (ASU), erro mdio absoluto (MAE) e erro percentual mdio absoluto (MAPE). A Tabela 2 demonstra um dos conjuntos de testes realizados pela RNA. Nesta tabela so comparados os valores reais (VR) dos parmetros utilizados na modelagem trmica do problema e os valores simulados (VS) fornecidos pela RNA. Os valores obtidos para os
Copyright 2010 Asociacin Argentina de Mecnica Computacional http://www.amcaonline.org.ar

Mecnica Computacional Vol XXIX, pgs. 6303-6315 (2010)

6311

estimadores de erro se referem simulao do conjunto de teste (10%, dados inditos).

Resultado de um conjunto de Testes (cm) F Teste 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 VR 10,00 5,00 5,00 5,00 5,00 5,00 20,00 20,00 20,00 10,00 10,00 15,00 20,00 10,00 5,00 15,00 20,00 5,00 20,00 15,00 20,00 20,00 10,00 20,00 20,00 MSE VS 10,03 5,16 4,91 4,94 5,10 5,05 19,80 19,67 19,63 9,87 10,08 15,99 19,42 9,80 4,98 14,38 19,16 7,12 19,14 15,05 19,23 19,83 10,42 19,48 20,29 0,37 VR 10,00 20,00 15,00 15,00 10,00 20,00 20,00 20,00 15,00 20,00 5,00 5,00 20,00 15,00 20,00 5,00 10,00 5,00 15,00 15,00 10,00 15,00 5,00 10,00 20,00 MSE H VS 9,07 19,64 15,18 15,13 10,37 20,09 19,67 19,84 12,77 20,00 3,87 4,81 11,90 16,91 19,31 6,12 7,32 5,40 17,35 15,42 7,44 16,11 4,15 8,26 19,82 4,13 VR 15,00 10,00 20,00 10,00 10,00 15,00 20,00 20,00 5,00 15,00 5,00 10,00 20,00 10,00 15,00 10,00 15,00 20,00 10,00 15,00 10,00 20,00 15,00 20,00 10,00 MSE D VS 15,52 9,51 19,84 10,33 10,26 15,24 19,96 19,68 5,91 14,95 5,08 9,84 20,28 10,00 15,14 11,82 14,91 12,75 10,92 15,62 11,43 18,98 13,54 20,15 9,13 2,60 MAE 0,49 0,34 0,14 0,17 0,24 0,13 0,19 0,27 1,17 0,06 0,43 0,45 2,99 0,70 0,28 1,19 1,20 3,26 1,38 0,36 1,59 0,77 0,91 0,80 0,45 MAPE 4,4% 3,3% 1,3% 1,8% 2,8% 1,0% 0,9% 1,4% 11,6% 0,5% 8,3% 4,0% 14,9% 4,9% 1,6% 14,9% 10,5% 28,9% 9,7% 2,4% 14,6% 4,5% 10,3% 6,9% 3,7%

Tabela 2 Resultados da RNA (VR=valor real, VS=valor simulado pela RNA).

As Figuras 8, 9 e 10 trazem os resultados da simulao contida na Tabela 2 para os parmetros F, H e D. A linha em vermelho representa a resposta da RNA e a linha em azul representa o valor real padronizado e conhecido.

Copyright 2010 Asociacin Argentina de Mecnica Computacional http://www.amcaonline.org.ar

6312

R. PETTRES, L. DE LACERDA

Parmetro F
20,00 15,00 10,00 5,00 0,00 0 5 10 15 20 25

Imagens de teste Valor Simulado Valor Real

Figura 8 Resultados da RNA, parmetro F.

Parmetro H
20,00 15,00 10,00 5,00 0,00 0 5 10 15 20 25

Imagens de teste Valor Simulado Valor Real

Figura 9 Resultados da RNA, parmetro H.

Parmetro D
20 15 10 5 0 0 5 10 15 20 25

Imagens de teste Valor Simulado Valor Real

Figura 10 Resultados da RNA, parmetro D.

Neste conjunto de testes a RNA obteve xito em 72% das estimativas, com erros relativos mdios inferiores a 10% para os parmetros caractersticos dos defeitos, tornando possvel a identificaes de padres defeituosos nas estruturas de concreto.

Copyright 2010 Asociacin Argentina de Mecnica Computacional http://www.amcaonline.org.ar

Mecnica Computacional Vol XXIX, pgs. 6303-6315 (2010)

6313

Para testar a potencialidade da RNA, cem conjuntos de testes foram aleatoriamente selecionados com o intuito de obter a distribuio dos erros percentuais mdios absolutos e o restante dos estimadores. A Figura 11 representa a distribuio dos erros.
Distribuio dos erros percentuais mdios absolutos da RNA
900 800 700 600 500 400 300 200 100 0 10% 20% 30% 40% 50% 60% 70% 80% 90% 100%

Figura 11 Distribuio dos erros.

possvel verificar na distribuio acima uma grande concentrao dos erros mdios (MAPE) nos intervalos de 10, 20 e 30%, indicando erros de baixa significncia. A mdia dos erros cometidos pela RNA nestes testes foi de 23%, com erros mdios de 12%, 23% e 33% para os parmetros F, H e D, respectivamente. Cada conjunto de testes demandou 90,7 segundos de processamento. Na anlise de erros dos testes da RNA, foram obtidos erros quadrticos mdios (MSE) de 3,24, 9,26 e 15,67 cm2 para os parmetros F, H e D. Em termos matemticos, a raiz quadrada do MSE indica a incerteza padro mdia (ASU) dos resultados, ou seja, o valor de erro de cada parmetro, assim, a incerteza de cada um destes parmetros citados de 1,80, 3,04 e 3,96 cm. O estimador MAE utilizado indica o erro mdio absoluto para o conjunto de parmetros de cada imagem (teste), tornando possvel a avaliao individual de cada teste. Para este estimador foram obtidos os valores 1,25, 2,33 e 3,05 cm. Estes valores indicam a flutuao mdia dos erros para cada um dos parmetros F, H e D nos cem conjuntos de testes. Para verificar a significncia dos valores simulados (VS) obtidos com a RNA, foi aplicado o mtodo estatstico de regresso linear sobre os resultados e os valores reais (VS) parametrizados, ajustando uma linha reta atravs dos pontos de modo a observar o espalhamento destes resultados (VR x VS) no entorno de y(x). Para medir a proporo da variabilidade de VS que explicada por VR, foi calculado o coeficiente de determinao R2 (quadrado do coeficiente de Pearson). O valor de R2 muito prximo da unidade indica uma forte relao entre as duas variveis (Montgomery, 2003). Estes resultados so apresentados nos grficos de disperso a seguir:

Copyright 2010 Asociacin Argentina de Mecnica Computacional http://www.amcaonline.org.ar

6314

R. PETTRES, L. DE LACERDA

Parmetro F
20,00 18,00 16,00 14,00 12,00 10,00 8,00 6,00 4,00 2,00 0,00 0,00 y = 0,8978x + 1,1472 R2 = 0,8786

Valor Simulad

VR, VS Linear (VR, VS)

5,00

10,00 Valor Real

15,00

20,00

Figura 12 Disperso dos resultados da RNA, parmetro F.

Parmetro H
20,00 18,00 16,00 14,00 12,00 10,00 8,00 6,00 4,00 2,00 0,00 0,00 y = 0,6795x + 4,1019 R2 = 0,7118

Valor Simulad

VR, VS Linear (VR, VS)

5,00

10,00 Valor Real

15,00

20,00

Figura 13 Disperso dos resultados da RNA, parmetro H.

Parmetro D
20,00 18,00 16,00 14,00 12,00 10,00 8,00 6,00 4,00 2,00 0,00 0,00 y = 0,5557x + 5,133 R2 = 0,6004

Valor Simulad

VR, VS Linear (VR, VS)

5,00

10,00 Valor Real

15,00

20,00

Figura 14 Disperso dos resultados da RNA, parmetro D.

CONCLUSO

A partir dos estimadores de erro utilizados para a avaliao do desempenho da ferramenta computacional, foi verificado que o parmetro F foi o que apresentou melhores resultados, sendo observado neste parmetro uma incerteza padro mdia (ASU) de 1,80 cm e R2 de

Copyright 2010 Asociacin Argentina de Mecnica Computacional http://www.amcaonline.org.ar

Mecnica Computacional Vol XXIX, pgs. 6303-6315 (2010)

6315

0,8787, seguido pelo parmetro H, ASU de 3,04 cm e R2 de 0,7118 e D, ASU 3,96 cm com R2 igual a 0.6004. Os modelos matemticos e os algoritmos utilizados na fase de processamento das imagens trmicas se mostraram precisos e eficientes, exigindo em mdia 0,034 segundos para efetuar cada processo. Os resultados das simulaes computacionais indicaram que a rede neural artificial desenvolvida apresenta desempenho satisfatrio, obtendo xito em 72,88% das estimativas com erros relativos mdios inferiores a 30%, permitindo a correlao entre as caractersticas do conjunto de imagens de superfcies trmicas existncia de defeitos na estrutura de concreto. Nestas simulaes no foi possvel detalhar ou classificar o tipo de defeito, pois diferentes imagens com defeitos semelhantes so reconhecidas e classificadas em uma mesma classe, no entanto, em determinadas imagens, as simulaes indicaram a existncia de problemas no interior da estrutura, e os parmetros obtidos para estas simulaes se aproximaram dos valores reais. Apesar dos resultados obtidos serem satisfatrios, para trabalhos posteriores fica como sugesto a aplicao de algoritmos de processamento de imagens em outros nveis de cores, outras tcnicas de aprendizado das redes, outras funes de ativao bem como a quantidade de sinais funcionais e de camadas escondidas. Essas e outras hipteses so objetos de estudos complementares e futuros. Agradecimentos Os autores agradecem ao Instituto de Tecnologia para o Desenvolvimento LACTEC pela estrutura e apoio concedidos para a realizao da pesquisa e ELEJOR Centrais Eltricas do Rio Jordo S.A. REFERNCIAS Barreto, J M. Introduo s Redes Neurais Artificiais, UFSC, Santa Catarina, 2004. Foresse, F. D & Hagan, M T. Gauss-Newton Approximation to Bayesian Learning, California Institute of Technology, Neural Computation, Pasadena, 1998. Haykin, S. Redes Neurais Princpios e Prticas. Bookman, 2003. Incio, G R; Carrazedo, R; Lacerda, L A; Zdanski, P S B. Anlise da Viabilidade do uso de Termografia como Ensaio no Destrutivo para Identificao de Falhas Internas de Concretagem. CILAMCE 2009. MacKay, D J. C. Bayesian Interpolation, California Institute of Technology, Neural Computation, Pasadena, 1992. Malhotra, V.M; Carino, N. J. Handbook on Nondestructive testing of concrete. Boca Raton London New York: CRC Press, 2004. Metha, K; Monteiro, J. M. Concreto: estrutura, propriedades e materiais. So Paulo: Editora IBRACON, 2008. Montgomery, D C. and RUNGER, G C. Applied Statistics and Probability for Engineers, Student Workbook with Solutions, 3rd Edition. USA. WILEY, 2003. Nabney, I T. Netlab Algorithms for Pattern Recognition. Springer. Great Britain, 2004. Spicer, J M and Osiander, R. Active Thermography, Nondestructive Evaluation Theory, Techniques and Applications, edited by Petter J. Shull, USA, 2002. Tsoukalas, L H. and Uhrig, R E. Fuzzy and neural approaches in engineering. John Wiley & Sons, New York, 1997.

Copyright 2010 Asociacin Argentina de Mecnica Computacional http://www.amcaonline.org.ar