Aplicação do método de ensaio das frequências naturais de vibração para obtenção do módulo de elasticidade de peças estruturais de madeira

Existem diversas técnicas para caracterização do módulo de elasticidade de madeiras e, dentre as atualmente empregadas, destacam-se aquelas que utilizam as frequências naturais de vibração, por serem técnicas não destrutivas e, portanto, apresentarem resultados que podem ser repetidos e comparados ao longo do tempo. Este trabalho teve como objetivo avaliar a eficácia, dos métodos de ensaios baseados nas frequências naturais de vibração comparando-os aos resultados obtidos na flexão estática na obtenção das propriedades elásticas em peças estruturais de madeira de reflorestamento que são usualmente empregadas na construção civil. Foram avaliadas 24 vigas de Eucalyptus sp. com dimensões nominais (40 x 60 x 2.000 mm) e 14 vigas de Pinus oocarpa com dimensões nominais (45 x 90 x 2.300 mm), ambas sem tratamento; 30 pranchas com dimensões nominais (40 x 240 x 2.010 mm) e 30 pranchas com dimensões nominais (40 x 240 x 3.050 mm), ambas de Pinnus oocarpa e com tratamento preservativo à base de Arseniato de Cobre Cromatado - CCA. Os resultados obtidos apresentaram boa correlação quando comparados aos resultados obtidos pelo método mecânico de flexão estática, especialmente quando empregada a frequência natural de vibração longitudinal. O emprego da frequência longitudinal mostrou-se confiável e prático, portanto recomendada para a determinação do módulo de elasticidade de peças estruturais de madeira. Verificou-se ainda que, empregando a frequência longitudinal, não há necessidade de um suporte específico para os corpos de prova ou calibrações prévias, reduzindo assim o tempo de execução e favorecendo o ensaio de grande quantidade de amostras.

A system for classification of time-series data from industrial non-destructive device

This work proposes a system for classification of industrial steel pieces by means of magnetic nondestructive device. The proposed classification system presents two main stages, online system stage and off-line system stage. In online stage, the system classifies inputs and saves misclassification information in order to perform posterior analyses. In the off-line optimization stage, the topology of a Probabilistic Neural Network is optimized by a Feature Selection algorithm combined with the Probabilistic Neural Network to increase the classification rate. The proposed Feature Selection algorithm searches for the signal spectrogram by combining three basic elements: a Sequential Forward Selection algorithm, a Feature Cluster Grow algorithm with classification rate gradient analysis and a Sequential Backward Selection. Also, a trash-data recycling algorithm is proposed to obtain the optimal feedback samples selected from the misclassified ones.