SENTINEL: Support system for enhanced notification and threshold identification in engineering structures

Abstract

Dams are critical infrastructures designed to retain or control water flow, whose safety is essential to prevent environmental, human, and economic risks. Their structural performance is monitored using sensors, which continuously collect data such as displacement, temperature, and pressure. Analyzing this data is a challenging process due to its volume and complexity, making it essential to develop systems that support the early detection of anomalies and their effective communication. This dissertation proposes and develops a decision support system for dam monitoring. The methodology implemented includes exploratory analysis, data preparation and normalization, the application of Machine Learning models, dynamic limit methods, visualization and notification of alerts, as well as performance evaluation. The results obtained from datasets provided by the "Laboratório Nacional de Engenharia Civil" demonstrate that the system is capable of improving the definition of limits by experts, the detection of outliers, and the resulting communication. Thus, this research contributes to the advancement of dam monitoring systems, reinforcing structural safety and data driven decision-making.

As barragens são infraestruturas críticas concebidas para reter ou controlar o fluxo de água, cuja segurança é essencial para prevenir riscos ambientais, humanos e económicos. A monitorização do seu desempenho estrutural é realizada através de sensores, que recolhem continuamente dados como deslocamento, temperatura e pressão. A análise destes dados é um processo desafiante, devido ao seu volume e complexidade, tornando indispensável o desenvolvimento de sistemas que apoiem a deteção precoce de anomalias e a comunicação eficaz das mesmas. Esta dissertação propõe e desenvolve um sistema de apoio à decisão para a monitorização de barragens. A metodologia implementada inclui análise exploratória, preparação e normalização dos dados, a aplicação de modelos de "Machine Learning" (ML), métodos dinâmicos de limites, visualização e notificação de alertas, bem como a avaliação do seu desempenho. Os resultados obtidos de datasets fornecidos pelo Laboratório Nacional de Engenharia Civil (LNEC) demonstram que o sistema é capaz de melhorar a definição de limites por parte de especialistas, a deteção de outliers e consequente comunicação. Assim, esta investigação contribui para o avanço de sistemas de monitorização em barragens, reforçando a segurança estrutural e a tomada de decisão baseada em dados.