TCNICA NO DESTRUTIVA PARA DIAGNSTICO DE CONCRETO CCV A PARTIR DE TERMOGRAFIA E REDES NEURAIS ARTIFICIAIS

Roberto Pettres a,b Luiz Alkimin de Lacerda,b

a,b

Doutorando do Programa de Ps-graduao em Mtodos Numricos em Engenharia pela Universidade Federal do Paran - Curitiba, Paran, Brasil, robertopettres@yahoo.com.br b 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, amanda.jarek@lactec.org.br, alkimin@lactec.org.br.

Resumo - Este trabalho apresenta os resultados de um estudo desenvolvido para diagnsticar estruturas de concreto
convencional (ccv) utilizando o equipamento InfraREM de termografia e o aplicativo Thermography and Artificial Neural Network para processamento de imagens e anlise por redes neurais artificiais. As imagens termogrficas foram obtidas a partir de um cubo de concreto convencional contendo um elemento de alta porosidade representando um defeito em seu interior, confeccionado sob especificaes tcnicas e modelado sob condies de contorno que estabeleciam um fluxo de calor em uma nica direo. A aplicao da tcnica se mostrou eficiente e indicou satisfatoriamente a localizao do defeito, apresentando em mdia um percentual de xito de 74,22% na identificao dos parmetros dimensionais do defeito.

Palavras-Chave - Redes Neurais Artificiais, Processamento de Imagens, Transferncia de Calor, Anlises NoDestrutivas, Reconhecimento de Padres.

Abstract - This paper presents the results of a study designed to diagnose conventional concrete structures (ccv) using
equipment InfraREM from thermography and the application Thermography and Artificial Neural Network for image processing and analysis by artificial neural networks. Thermographic images were obtained from a conventional concrete cube containing a porous element representing a defect in its interior, manufactured under technical specifications and modeled under boundary conditions for establishing a heat flow in one direction. The application of the technique is efficient and adequately stated the location of the defect, with an average rate of success of 74.22% in identifying the dimensional parameters of the defect.

Keywords - Artificial Neural Networks, Image Processing, Heat Transfer, Nondestructive Testing, Pattern Recognition.

1 Introduo
O concreto um material de composio heterognea, consistindo, basicamente, de cimento, gua e agregados de diferentes tamanhos. Seu comportamento estrutural fortemente influenciado pela presena de vazios e micro-trincas no seu interior, decorrentes do processo de fabricao ou do carregamento externo. Tais defeitos so indesejados, especialmente em estruturas em permanente contato com a gua, podendo interferir na estanqueidade e durabilidade da estrutura (Andriolo, 1989). Com o intuito de detectar esses defeitos, tcnicas de anlise no destrutiva, como a termografia digital, tm sido empregadas em estruturas de concreto (Spicer e Osiander, 2002; Gailius e Zukauskas, 2003). 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 e Carino, 2004; Avdelidis e Moropoulou, 2004). Entretanto, no trivial processar as imagens termogrficas e realizar um diagnstico eficiente sem ferramentas computacionais especficas. Uma alternativa o emprego de tcnicas de processamento de imagens e tcnicas de inteligncia

artificial, como por exemplo, Redes Neurais Artificiais (Galushkin, 2007), que, como outros mtodos numricos, permitem atuar sobre os dados de maneira rpida onde o processo pode ser repetido, buscando soluo para o problema (Haykin, 2003). Em vista disso, a principal motivao deste trabalho o desenvolvimento de uma tcnica que possibilite a avaliao no destrutiva da qualidade do concreto convencional (CCV) utilizado em estruturas, entre elas, a face de montante (CCV) de barragens compactadas com rolo (CCR). Neste tipo de estrutura, foi constatado que a percolao de gua ocorre em regies de adensamento ineficiente, e no necessariamente no plano entre camadas ou subcamadas de CCR e CCV (Lactec, 2007). Na Figura 1 possvel observar a face de montante de uma barragem recm-construda apresentando pontos com percolao de gua aps a realizao do ensaio de perda de gua. Este ensaio possibilita a identificao de locais com defeitos que afloram ou esto muito prximos da superfcie, porm, descontinuidades internas estrutura podem no ser identificadas. Desta forma, a justificativa deste trabalho o interesse em identificar e diagnosticar eventuais anomalias subsuperficiais at uma profundidade de 0.50 metros em estruturas de concreto (CCV) a partir de ensaios no-destrutivos de termografia e utilizando o aplicativo Thermography and Artificial Neural Network (Pettres, Jarek e Lacerda, 2011) para processamento e anlise das imagens, com intuito preditivo, a fim de garantir a qualidade e a segurana da estrutura.

Figura 1 Viso de parte da face de uma barragem do tipo CCR com percolao de gua. Fonte Lactec, 2007.

2 Ensaios No-Destrutivos

Ensaios no-destrutivos (END) so definidos como ensaios usados para examinar um objeto, material ou sistema sem alterar suas caractersticas fsicas, qumicas, mecnicas ou dimensionais (Bray & McBride, 1992). Constituem-se numa famlia de mtodos tcnicos de inspeo os quais fornecem informaes sobre as condies dos materiais e componentes sem destrulos, sendo vistos como ferramentas de controle de qualidade estando intimamente ligados aos programas de qualidade das indstrias, no interferindo em seu uso posterior. Atualmente, os ensaios no-destrutivos so usados pelos fabricantes para assegurar a integridade de seus produtos e, dessa maneira, sua confiabilidade; para evitar danos, prevenir acidentes e salvar vidas humanas; assegurar a satisfao do cliente e manter a reputao do fabricante; melhorar o projeto de seus produtos; controlar os processos de fabricao; reduzir os custos de produo e manter um nvel de qualidade uniforme. As tecnologias para os ensaios no-destrutivos so variadas, bem como as aplicaes existentes. Entre as tcnicas mais pesquisadas para uso no concreto tm-se: inspeo visual, radiografia, anlise de vibraes, emisso acstica, ultra-som, potencial eltrico, termografia, entre outras. Em linhas gerais, elas podem ser utilizadas para fornecer informaes como tamanho, profundidade, condies fsicas, ou para fornecer parmetros que esto associados aos processos de deteriorao ou risco de danos estrutura.

Muitas das tcnicas existentes podem fornecer mais de um tipo de informao, e para a busca de uma informao ou soluo especfica uma nica tcnica pode no ser suficiente. Shaw e Xu (1997) e Schickert (1997) apresentam listas de tipos de dano ou interesses mais freqentes na anlise do concreto e algumas das tcnicas no-destrutivas existentes mais apropriadas em cada situao, bem como suas limitaes. Entre as tcnicas citadas anteriormente, a termografia se apresenta como ensaio no-destrutivo com grande potencialidade para anlise de estruturas de concreto. Esta tcnica evoluiu consideravelmente nos ltimos 30 anos e atualmente mostra-se precisa e eficiente na localizao de vazios subsuperficiais, delaminaes, bem como outras anomalias em estruturas de concreto em pontes, barragens, edifcios entre outras estruturas (Malhotra e Carino, 2004).

2.1 Termografia e Mtodos Computacionais

Na construo civil a termografia tm sido empregada para a deteco de vazamentos, inspeo trmica do entorno de novas obras, testes trmicos para deteco de anomalias em estruturas e tambm no monitoramento de defeitos em pontes e estruturas de concreto (Clark, McCann e Forde, 2003). Os resultados obtidos com a aplicao da termografia podem ser simulados com a utilizao de mtodos computacionais especficos, tornando possvel a previso do comportamento de estruturas sob condies pr-definidas para os elementos que a compem, indicando pontos suscetveis falha no modelo real. Chiang et al. (2006) aplicou o mtodo de diferenas finitas e elementos finitos na anlise computacional de um problema trmico de uma parede de concreto e comparou com resultados experimentais de termografia infravermelho na inspeo de defeitos internos conhecidos. Elballouti e Belattar (2008) simularam a perturbao trmica causada por um defeito interno em uma barragem de concreto, identificando a influncia das condies geomtricas do defeito. Obbadi e Belattar (2005) relacionaram as caractersticas dimensionais e trmicas de defeitos internos em materiais com a perturbao no campo de temperaturas utilizando o mtodo dos elementos finitos. Incio et. al (2009) analisou a viabilidade do uso termografia simulando um bloco de concreto contendo um defeito utilizando o mtodos dos elementos finitos e a partir de seus resultados, Pettres, Jarek e Lacerda (2011) desenvolveram o aplicativo Thermography and Artificial Neural Network para diagnosticar imagens trmicas de estruturas de concreto simuladas computacionalmente. Nestes trabalhos, a partir da utilizao de mtodos computacionais, foi possvel relacionar os resultados numricos aos resultados obtidos com o emprego da termografia, possibilitando a identificao de perturbaes no campo trmico devido presena de elementos irregulares internos estrutura.

2.2 Modelo de anlise termogrfica

Um bloco cbico de concreto convencional com aresta de 0.50 m foi preparado para anlise. Este modelo foi executado de acordo com as condies e dimenses estabelecidas na modelagem computacional proposta por Incio et al. (2009). Para simular o defeito no interior da estrutura, utilizou-se um tijolo com dimenses 9 cm x 14 cm x 19 cm, cujas arestas maior e menor foram posicionadas em paralelo face do bloco, sendo seu espao substitudo por brita durante a concretagem simulando uma regio de elevada porosidade (Figura 2).

Figura 2 Posicionamento do defeito no interior do bloco.

A dosagem do concreto utilizado se assemelha a mesma empregada na face montante da Usina Hidreltrica de Fundo de propriedade da ELEJOR. A Tabela 1 apresenta as caractersticas da dosagem empregada nesse teste experimental (Lactec, 2007).

Tabela 1 Dosagem do concreto do bloco de ensaio.

Materiais Brita 38 mm (kg) Brita 25 mm (kg) Brita 19 mm (kg) Areia Artificial (kg) Areia Natural (kg) Cimento (kg) gua (kg) Pozolona (kg) Supplast (g) Plastif 0.40% (g) Incorp (g)

Registro LAME Massa S.S.S Umidade (%) Absoro (%)

Massaa Corrigir

Massa Corrigida

1.0591.07 1.0590.07

99.97 57.47

2.1 5.4

1.7 2.0

0.39 1.92

100.36 59.39

1.0169.09

35.42 18.83 -2.31

35.42 16.52 3.94

1.0076.09

3.94

1.0982.08

141.68

141.68

Fonte Lactec, 2007.

A seqncia de fotos abaixo (Figura 3) ilustra a concretagem do bloco:

1. 2. 3. 4. 5.

forma montada para o bloco cbico; concretagem da camada inicial; posicionamento de um tijolo para definir o espao ocupado pelo defeito; substituio do tijolo por brita simulando uma regio de elevada porosidade; deposio da segunda camada de concreto.

1.

2.

3.

4.

5.
Figura 3 Concretagem do bloco com defeito para ensaios em laboratrio.

O modelo final executado ilustrado pela Figura 4.

Figura 4 Bloco de concreto com defeito para ensaios em laboratrio.

Para simular as condies de contorno estabelecidas no modelo computacional, um campo de temperatura uniforme foi aplicado a partir de uma manta trmica siliconada (Figura 5) na superfcie do bloco em uma das faces. Na face oposta, o resfriamento por conveco (ar) foi naturalmente conseguido no ambiente de ensaio, estando de acordo com a condio de contorno proposta (Figura 6). As demais superfcies externas foram envolvidas por material isolante (l de rocha 50 mm e densidade 32, isopor 50 mm e manta trmica em alumnio 2 mm) por serem consideradas adiabticas, ou seja, com fluxo trmico nulo (Figura 7). Nas superfcies de contato do defeito com o bloco, os balanos de energia so conseguidos por conduo do calor, igualando os fluxos de calor entre os elementos adjacentes interiores ao bloco.

Figura 5 Manta trmica siliconada.

Figura 6 Conveco com o ar.

1.

2.

3. 4. Figura 7 Controle de fluxo trmico nulo. (1) Bloco de concreto, (2) Revestimento do bloco com l de rocha e manta de alumnio, (3) Terceira camada de revestimento com isopor e (4) Quarta camada de revestimento utilizando a manta de alumnio.

A metodologia adotada para este ensaio descrita no trabalho de Gerald C. Holst, intitulado Common Sense Approach to Thermal Imaging (2000), simulando a excitao de calor em parte da estrutura de concreto que contm uma anomalia em seu interior. A Figura 8 ilustra a montagem final dos equipamentos.

Figura 8 Ensaio de termografia.

2.3 Obtendo as imagens termogrficas

Para captar a alterao do fluxo de calor na superfcie oposta fonte de calor foi utilizado o aparelho InfraREMSC80 de termografia (Figura 9). Este equipamento l as temperaturas superficiais de estruturas a partir da radiao infravermelha emitida pelo corpo em estudo e as registra em imagens coloridas (termogramas). De acordo com o fabricante InfraREM, o equipamento apresenta campo de viso (FOV Field Of View) de 20 x 15 com distncia mnima do foco de 0,1 m, sensibilidade trmica de 0,1 C, faixa de medio de -20 C a 250 C com preciso de 2% da leitura e atualizao automtica de temperatura ambiente. Os arquivos de sada so do formato SAT e JPEG, resoluo de 14 bits (160 x 120 pixels) com dados de medio inclusos.

Figura 9 Equipamento de termografia InfraREM.

Aps o posicionamento dos equipamentos para o ensaio, foi acionada a manta trmica durante 24 horas a uma temperatura constante de 100 C (Tw - Ta 75K definido por Incio et al., 2009) para simular a condio estacionria de fluxo de calor no material. Os termogramas foram obtidos a uma distncia de 1,80 metros da superfcie do bloco em intervalos de dois segundos como ilustra a Figura 10. A Figura 11 representa um destes termogramas.

Figura 10 Captao das imagens termogrficas.

Figura 11 Termografia de uma face do bloco de concreto.

Para analisar os termogramas, Maldague (2000) cita dois tipos de anlise, qualitativa e quantitativa. Na anlise qualitativa possvel localizar eventuais anomalias de maneira comparativa, baseando-se em padres trmicos, definindo a necessidade de uma ateno especial para determinadas regies que apresentam algum tipo de anomalia trmica. Na anlise quantitativa os resultados podem apresentar preciso e qualidade, mas requer um estudo preciso e o total controle em relao s condies de vizinhana do sistema adotado. Basicamente possvel comparar os dois tipos de anlise da seguinte forma: (1) Qualitativa Baseia-se em padres comparativos; Verifica a existncia de uma possvel anomalia trmica; Localiza a possvel anomalia trmica; (2) Quantitativa Classifica a anomalia quanto a sua dimenso e gravidade; As duas formas de anlise so encontradas no aplicatico Thermography and Artificial Neural Network, proposto para analisar as imagens termogrficas.

3 Aplicativo Thermography and Artificial Neural Network

O aplicatico Thermography and Artificial Neural Network foi desenvolvido por Pettres, Jarek e Lacerda (2011) a partir de um conjunto de imagens trmicas de um bloco de concreto contendo uma anomalia em seu interior, simuladas pelo software Ansys 12 em um estudo de transferncia de calor em regime estacionrio (Incio et. al, 2009). Pettres (2011) desenvolveu algoritmos para o processamento das imagens simuladas e para definio de duas topologias neurais, indicando a localizao da anomalia trmica e determinando suas dimenses. As redes neurais artificiais foram definidas com trs camadas (entrada, escondida e sada), funes de ativao tangente hiperblica nas duas primeiras e linear na ltima, aplicao o algoritmo de Regularizao Bayesiana que utiliza o algoritmo backpropagation em uma estrutura do tipo feedforward (Pettres e Lacerda, 2010; Pettres, 2011).

A escolha deste aplicativo para realizar a anlise dos termogramas se deve aos resultados obtidos por Pettres e Lacerda (2010), Pettres (2011), Pettres, Jarek e Lacerda (2011) e ao fato das redes neurais artificiais apresentarem habilidades em descobrir e reconhecer padres, fazer generalizaes, executar tarefas especficas e por apresentar uma estrutura tolerante a falhas, resistindo a pequenas perturbaes ou incompletude de dados. Dados com grau significativo de no-linearidade tm efeito negativo para grande parte das tcnicas de anlise matemtica, sendo que em casos como estes, os fatores importantes para a tomada de decises aparecem muitas vezes imperceptveis. A Figura 12 ilustra a interface grfica do aplicativo:

Figura 12 Interface do aplicativo Thermography and Artificial Neural Network. Fonte Pettres, Jarek e Lacerda, 2011.

3.1 Funcionamento do aplicativo

De acordo com Pettres, Jarek e Lacerda (2011), ao executar o aplicativo carregada a interface grfica contendo os botes de operao em ambiente Matlab R2010 (Figura 12). O boto realiza o processamento das imagens convertendo-as para o padro RGB e posteriormente, para o padro trmico bidimensional permitindo a seleo dos sinais funcionais utilizados no treinamento das RNAs. Neste processamento identificado, tambm, o centride da regio de menor temperatura do campo trmico de cada imagem de teste. Sendo realizado o processamento, um clique sobre os botes e inicializam duas RNAs que diferem por suas topologias (ANN 1 = RNA 2 e ANN 2 = RNA 4). A Figura 13 e a Figura 14 ilustram cada uma das topologias.

Figura 13 Topologia da ANN 1. Fonte Pettres, Jarek e Lacerda, 2011.

Figura 14 Topologia da ANN 2. Fonte Pettres, Jarek e Lacerda, 2011.

Com a realizao do treinamento de uma das topologias, a ferramenta computacional est pronta para realizar os que seleciona os sinais funcionais do conjunto de testes obtidos testes. Para isto, basta um clique sobre o boto no processamento das imagens e aplica-os RNA definida (ANN 1 ou ANN 2). O resultado do conjunto de testes apresentado na tabela indexada do Matlab R2010, trazendo estimativas para os parmetros F, H e D desejados, com o nvel de preciso definido para cada modelo (Average Standard Uncertainty). Nesta mesma tabela tambm so apresentadas as coordenadas do centride da regio com as menores temperaturas observadas em cada imagem sendo, assim, um indicativo da localizao da anomalia trmica de acordo com os resultados obtidos no presente trabalho (Figura 15).

Figura 15 Operao do aplicativo Thermography and Artificial Neural Network. Fonte (Pettres, 2011).

3.2 Processando e testando os termogramas

As imagens termogrficas obtidas neste ensaio foram processadas e testadas pelo aplicativo Thermography and Artificial Neural Network. A Figura 16 ilustra processamento realizado buscando indcios sobre a localizao do defeito no interior do bloco de concreto.

Figura 16 Indcio da localizao do defeito.

Aps identificar a anomalia trmica e seu ponto central, o aplicativo iniciou o processo de coleta dos sinais funcionais para obter os parmetros dimensionais do defeito a partir dos modelos neurais. Na Figura 17 so ilustrados os algoritmos utilizados pelo aplicativo para coleta de dados.

Figura 17 Localizao dos pontos de coleta de informaes para o teste com as topologias ANN 1 (1) e ANN 2 (2).

A partir dos dados coletados foram realizados os testes pelo aplicativo e para verificar o desempenho de cada topologia, foram introduzidos os estimadores de erro percentual absoluto (APE) (Eq.(1)) e desvio mdio absoluto (MAD) (Eq.(2)).

n= F , H , D

vrn vsn 3vrn

(1)

(vr = valor real e vs = valor simulado pela topologia neural)

vr
1

vsm

(2)

n
m= F . H . D

(vr = valor real e vs = valor simulado pela topologia neural)

A mdia dos testes realizados pelas topologias ANN 1 e ANN 2 so apresentados na Tabela 2:

Tabela 2 Resultados dos testes experimentais.

F Topologia ANN 1 ANN 2 VR 19,00 19,00 VS 15,54 22,47 VR 9,00 9,00

H VS 17,24 12,46 VR 10,00 10,00

D VS 8,04 12,05 MAD 4,55 3,00 APE 43,13% 25,78%

xito 100% APE 56,87% 74,22%

(VR = valor real e VS = valor simulado pela topologia neural)

4 Concluso

A partir dos resultados obtidos com o aplicativo Thermography and Artificial Neural Network foi possvel identificar satisfatoriamente a localizao do defeito e aproximar os valores de seus parmetros F, H e D aos valores reais definidos na modelagem experimental. Os modelos neurais apresentaram um APE de 43,13% pela ANN 1 e 25,78% pela ANN 2. Os resultados da anlise experimental obtidos com a ANN 2 se assemelham aos conseguidos com os modelos simulados

computacionalmente por Pettres e Lacerda (2010) e Pettres (2011), apresentando um desvio mdio absoluto de 3 cm, indicando melhor desempenho por esta topologia. A metodologia de ensaio no destrutivo utilizada se mostrou eficiente, porm, o percentual de erro observado neste teste pode ter sido causado pelo no atendimento total das condies de contorno estabelecidas no modelo computacional, onde, variveis no detectadas presentes no ensaio podem ter causado perturbaes trmicas nas imagens. Outro fator que tambm pode contribuir de maneira negativa nos resultados a possvel divergncia entre o valor de Rk definido na anlise trmica e o Rk do elemento de concreto contendo o defeito, dada a impossibilidade de se obt-lo com preciso. O valor de Rk foi definido por Incio et al. (2009) como a razo entre o coeficiente de condutividade trmica do defeito e do concreto. Enfim, os resultados obtidos neste trabalho comprovam o potencial do uso da termografia como ensaio no-destrutivo para o concreto convencional e tambm indicam viabilidade e aplicabilidade para o aplicativo Thermography and Artificial Neural Network em ensaios experimentais em regime estacionrio de transferncia de calor, atingindo um nvel de xito de 74,22% na identificao dos parmetros F (largura), H (altura) e D (profundidade) do defeito.

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.

5 Referncias Bibliogrficas
Andriolo, F. R. Contribuies para o conhecimento e desenvolvimento do concreto rolado. Rio de Janeiro: Graphos, 1989. Avdelidis N.P., Moropoulou A. Application of infrared thermography for the investigation of historic structures. Journal of Cultural Heritage. V.5, N. 3, pp. 119-127, 2004. Bray, D. E., McBride, D. Nondestructive testing techniques, Nova York: John Wiley and Sons, 1992. Chiang, C.H., et al., 2006. Modeling of Heat Transfer in a Multi-layered System for Infrared Inspection of a Building Wall. In: 12th Asia-Pacific Conference on NDT - 12th A-PCNDT. Auckland, Nova Zelndia: 2006. Clark, M.R., McCann, D.M., Forde, M.C. Application of infrared thermography to the non-destructive testing of concrete and masonry bridges. NDT&E International. V. 36, N.1, pp. 265-275, 2003. Elballouti, A., Belattar, S. Finite Element Method Applied to Thermal Nondestructive Characterization of Delamination in the Dam Structure. In: 16th World Conference on Nondestructive Testing. Shanghai, China: 2008. Gailius, A., ukauskas, D. Determination of Concrete Structural Defects by Infrared Spectrum Analysis. Material Science. V. 9, N. 1, pp. 106-110, 2003. Galushkin, A. I. Neural networks theory. New York: Springer, 2007. Haykin, S. Neural Networks A Comprehensive Foundation. Ontrio: Pearson Prentice Hall, 2003. Holst, G. C. Common Sense approach to thermal imaging. Connecticut: Spie Press, 2000. Incio, G. R., Zdanski, P. S. B., Carrazedo, R., Lacerda, L. A. Anlise da Viabilidade do uso de Termografia como Ensaio no Destrutivo para Identificao de Falhas Internas de Concretagem. In: Congresso Ibero Latino Americano de Mtodos Computacionais em Engenharia - CILAMCE. Armao de Bzios, Brasil: 2009. Lactec. Complexo Santa Clara Fundo. (Relatrio de monitoramento. RT LAME. 012.2007-R1), 2007. Maldague, X. Applications of infrared thermography in non destructive evaluation. In: Trends in optical nondestructive testing. [S.l.]: Pramod Rastogi,. pp. 591-609, 2000. Malhotra, V. M., Carino, N. J. Handbook on Nondestructive testing of concrete. New York: CRC Press, 2004. Obbadi, A., Belattar, S. Characterization of delamination by a thermal method of non destructive testing. In: 5th International Workshop, Advances in Signal Processing for Non Destructive Evaluation of Materials. Qubec, Canad: 2005. Pettres, R.; Lacerda, L. A. Anlise de imagens termogrficas de estruturas de concreto a partir de redes neurais artificiais. In: CILAMCE - Congresso Ibero Latino Americano de Mtodos Computacionais em Engenharia, Buenos Aires, 2010. Pettres, R. Reconhecimento de padres de defeitos em concreto a partir de imagens trmicas estacionrias e redes neurais artificiais. Dissertao de Mestrado em Mtodos Numricos em Engenharia Universidade Federal do Paran. Paran, 2011.

Pettres, R. Jarek, A. Lacerda, L. A. Aplicativo para o diagnstico subsuperficial de estruturas baseado em imagens trmicas e redes neurais artificiais. Learning & Nonlinear Models, SBRN-03/2011. 2011. Schickert, G. NDT-CE Symposium Berlin 1995: A Concluding Review. The e-Journal of Nondestructive testing. V.2, N.4, pp. 159-166, 1997. Shaw, P., Xu, A. High Energy Radiography and Radar Applications to Concrete Inspection. In: Proceedings of Non Destructive Testing in Civil Engineering Conference. Liverpool, England:1997. Spicer, J. M., Osiander, R. Active Thermography, Nondestructive Evaluation Theory, Techniques and Applications. Edited by Petter J. Shull, New York: CRC Press, 2002.