Diego Lisboa Cardoso – Integrante / Carlos Renato Lisboa Francês – Coordenador / Marcelino Silva e Silva – Integrante / Joao Crisostomo Weyl Albuquerque Costa – Integrante / KURIBAYASHI, HUGO – Integrante.
Inspeções, monitoramento e supervisão de estruturas complexas, como as presentes em Usinas Hidrelétricas, atualmente requerem um combinação de informações provenientes de várias fontes diferentes, formatos e volumes diversos, o que insere um grau de complexidade para a extração de padrões e conhecimento. No que tange ao monitoramento da “saúde” de estruturas civis (na literatura especializada referida como Structural Health Monitoring – SHM), o atual estado-da-arte aponta para a utilização de machine e deep learning para reconhecimento de tais padrões, combinando dados de sensoriamento, imagens, vídeos, bases relacionais e dados obtidos a partir de inspeções in loco. Este projeto apresenta uma estratégia que permite combinar dados dessas diversas fontes, com vistas à extração de padrões, correlações de variáveis, prospecção de cenários e predições, de forma a tornar mais aprimorada a tomada de decisão das equipes envolvidas. Assim, pretende-se conceber e implementar um sistema de apoio à tomada de decisão, fim-a-fim, que obtém dados de diversas fontes (sensores, VANTs e de equipes de inspeção), torna-os interoperáveis, aplica técnicas de machine e deep learning e disponibiliza conhecimento e padrões úteis para a tomada de decisão.