Linha de pesquisa: Ciência de Dados

Resumo: A crescente utilização de materiais compósitos na indústria aeronáutica tem ampliado a necessidade de métodos de inspeção capazes de identificar descontinuidades de forma rápida, confiável e não invasiva. Nesse contexto, a termografia infravermelha destaca-se como uma técnica promissora de ensaio não destrutivo, porém sua interpretação ainda depende significativamente da experiência do inspetor, tornando o processo suscetível à subjetividade e à variabilidade dos resultados. Paralelamente, o avanço das técnicas de Inteligência Artificial e, em particular, dos modelos de Deep Learning, tem possibilitado o desenvolvimento de sistemas capazes de automatizar tarefas complexas de interpretação de imagens. Entretanto, ainda existem lacunas relacionadas à influência das características da base experimental e das estratégias de construção dos conjuntos de dados sobre o desempenho e a capacidade de generalização desses modelos. Diante desse cenário, esta tese investiga a influência das características da base ex perimental e das estratégias de construção de datasets termográficos no desempenho de modelos de Deep Learning aplicados à segmentação automática de descontinuidades em materiais compósitos aeronáuticos. Para isso, foi desenvolvido um planejamento experi mental contemplando a fabricação de corpos de prova representativos, contendo diferentes espessuras de laminados, configurações estruturais, geometrias de defeitos e profundida des de descontinuidades. A partir desses corpos de prova foram realizadas inspeções por termografia infravermelha ativa, possibilitando a construção de bases de dados específicas para treinamento, validação e teste de modelos de segmentação semântica. Com base nessas bases experimentais, foi proposto e validado um modelo baseado em redes neurais profundas para segmentação automática de descontinuidades, sendo seu desempenho comparado em diferentes protocolos experimentais. Os resultados de monstraram que a representatividade da base experimental exerce influência direta sobre a capacidade de aprendizado, a robustez e a generalização dos modelos desenvolvidos, evidenciando que estratégias adequadas de planejamento experimental e construção dos datasets são tão importantes quanto a escolha da arquitetura de Inteligência Artificial empregada. Como contribuição científica, esta pesquisa propõe uma metodologia integrada que relaciona planejamento experimental, aquisição de dados termográficos, engenharia de dados e modelagem baseada em Deep Learning, fornecendo subsídios para o desenvol vimento de sistemas inteligentes de apoio à interpretação automatizada de ensaios não destrutivos em materiais compósitos aeronáuticos.

Link para a defesa: https://teams.microsoft.com/dl/launcher/launcher.html?url=%2F_%23%2Fmeet...