Structural health monitoring (SHM) ensures the safety and reliability of civil infrastructure. Autoencoders, as unsupervised learning models, offer promise for SHM by learning data features and reducing dimensionality. However, comprehensive studies comparing autoencoder models in SHM are scarce. This study investigates the effectiveness of four autoencoder-based methodologies, combined with Hotelling’s $T^2$ statistical tool, to detect and quantify structural changes in three civil engineering structures. The methodologies are evaluated based on computational costs and their abilities to identify structural anomalies accurately. Signals from the structures, collected by accelerometers, feed the autoencoders for unsupervised classification. The latent layer values of the autoencoders are used as parameters in Hotelling’s $T^2$, and results are compared between classes to assess structural changes. Average execution times of each model were calculated for computational efficiency. Despite variations, computational cost did not hinder any methodology. The study demonstrates that the best fitting model, VAE-$T^2$, outperforms its counterparts in identifying and quantifying structural changes. While the AE, SAE, and CAE models showed limitations in quantifying changes, they remain relevant for detecting anomalies. Continuous application and development of these techniques contribute to SHM advancements, enabling the increased safety, cost-effectiveness, and long-term durability of civil engineering structures.

O monitoramento da integridade estrutural de torres eólicas é fundamental para garantir a segurança operacional e prolongar a vida útil dessas estruturas utilizadas na geração de energia renovável. As torres eólicas estão sujeitas a condições ambientais severas e a cargas dinâmicas significativas devido ao vento, podendo levar ao surgimento de danos. Dessa forma, o presente estudo explora a eficácia do uso de técnicas de aprendizado não supervisionado, mais especificamente os autocodificadores esparsos (SAE), para a detecção de danos estruturais em turbinas eólicas com base em sinais dinâmicos coletados durante operações de funcionamento simuladas em protótipos de pás de turbinas. O SAE é treinado utilizando dados de estruturas intactas e testado em cenários que incluem a introdução de fissuras e a adição de massas nas pás. Utilizando a Carta de Controle Hotelling T², os modelos demonstraram ser robustos para identificar corretamente tanto a adição de massa quanto a presença de fissuras, independentemente da velocidade da turbina. As análises mostram que o SAE é eficaz na extração de características relevantes dos dados e na detecção de alterações estruturais, com boa precisão e confiabilidade. Os resultados evidenciam que o SAE, combinado com a estatística T², oferece uma abordagem não supervisionada robusta para o monitoramento da integridade estrutural de turbinas eólicas, proporcionando uma ferramenta poderosa para a manutenção preditiva e a detecção precoce de danos.