Resumen

Varios enfoques de identificación de daños se basan en modelos computacionales, y sus diagnósticos dependen del conjunto de hipótesis de modelado adoptadas al construir el modelo en sí. Entre estas hipótesis, la elección de modelos de amortiguamiento apropiados parece ser uno de los problemas clave. El objetivo de este artículo es analizar el impacto de un conjunto de modelos de amortiguamiento en los diagnósticos de identificación de daños. La identificación de daños se basa en un marco bayesiano, y los datos medidos son los datos modales asociados con los primeros modos de la estructura. La exploración de la densidad posterior de los parámetros del modelo desconocidos se realiza mediante el método de Monte Carlo de cadena de Markov (MCMC) con el algoritmo de Metropolis Adaptativo de Rechazo Diferido (DRAM). Los análisis se basan en la respuesta dinámica experimental obtenida de una viga de aluminio instrumentada con un conjunto de acelerómetros. La presencia de daños/anomalías dentro del sistema se simula físicamente colocando masas

• Materias:Emisión acústica Campo de tensión Onda de sismo Diagnóstico de fallas
• Subjects:Acoustic emission Strain field Seismic wave Fault diagnosis
• Palabras claves:Enfoques de identificación de daños; Modelos computacionales; Modelos de amortiguamiento; Marco bayesiano; Datos modales; Método de cadenas de Markov Monte Carlo
• Keywords:Damage identification approaches; Computational models; Damping models; Bayesian framework; Modal data; Markov chain Monte Carlo method