El monitoreo de la salud estructural (SHM) es un campo crucial en la ingeniería civil que permite la evaluación continua de la integridad de infraestructuras, facilitando la detección temprana de daños o deterioros y previniendo fallos estructurales graves. En este contexto, el monitoreo por impedancia electromecánica (EMI) se destaca como una técnica avanzada que utiliza sensores piezoeléctricos para identificar cambios en las propiedades dinámicas de las estructuras, proporcionando un enfoque detallado y preciso para la detección de daños de manera no intrusiva.
Este trabajo presenta un modelo de autoencoders desarrollado en PyTorch, una biblioteca de deep learning basada en Python, aplicado al SHM (Monitorización de la Salud Estructural) con el objetivo de mejorar la detección de anomalías estructurales. Los autoencoders, mediante su capacidad de aprendizaje no supervisado, están diseñados para reproducir de manera precisa los datos de entrada en la salida. Cuando los datos ingresados no coinciden con los patrones aprendidos durante el entrenamiento, las salidas generadas se desvían, lo que puede interpretarse como una clara señal de daño en la estructura. Esta característica es esencial en SHM, donde la identificación temprana de anomalías puede ser crucial para decidir entre una intervención preventiva y un fallo catastrófico.
El modelo se entrena con un conjunto de datos baseline, que representa el estado óptimo de la estructura sin carga. Los datos obtenidos al ensayar la viga con diferentes niveles de carga se comparan con estas representaciones baseline. Se utiliza el error cuadrático medio (RMSE) para evaluar el desempeño del modelo, permitiendo cuantificar las desviaciones que podrían indicar daños o alteraciones estructurales. Este método no solo reduce la frecuencia y el costo de las inspecciones físicas, sino que también optimiza los recursos destinados al mantenimiento y mejora la seguridad.
Un aspecto particularmente relevante de este estudio es la aplicación del modelo a una viga de polímero reforzado con fibra (FRP). Aunque este material fue elegido por su practicidad en los ensayos, presenta desafíos específicos que destacan la importancia de validar el autoencoder. Los materiales compuestos como el FRP, a pesar de sus ventajas en resistencia y durabilidad, requieren un enfoque particular en SHM debido a su susceptibilidad a fallos súbitos y su menor ductilidad en comparación con el acero, además del peligro de despegue de la propia banda. Para superar estos retos, se utilizaron nueve sensores colocados estratégicamente a lo largo de la viga y adheridos con resina epoxi para captar las respuestas localizadas a diferentes frecuencias.
Este proyecto sugiere un potencial significativo para la aplicación de esta tecnología en diversos contextos de la ingeniería civil. La capacidad del autoencoder para distinguir y diferenciar daños estructurales en un material complejo como el FRP resalta su utilidad en la industria de la construcción, permitiendo un monitoreo más específico y detallado.
La incorporación de autoencoders en el SHM representa un avance notable en el análisis de grandes volúmenes de datos estructurales. Al capturar las características esenciales de las estructuras y combinar estas técnicas con métodos como la EMI, se establece un marco integral para el monitoreo de estructuras complejas, mejorando la precisión en la detección y la adaptabilidad a diferentes materiales.
Este enfoque tiene implicaciones directas para mejorar la seguridad y durabilidad de las infraestructuras, mientras impulsa la innovación en la construcción. La capacidad para identificar problemas en fases tempranas permite a los ingenieros planificar intervenciones de mantenimiento más eficientes, optimizando recursos y garantizando infraestructuras más seguras y sostenibles. A medida que las técnicas de machine learning, como los autoencoders, se integran en el SHM, se espera una transformación en la gestión de la salud estructural a nivel global, marcando el inicio de una nueva era en la ingeniería civil.
El monitoreo de la salud estructural (SHM) es un campo crucial en la ingeniería civil que permite la evaluación continua de la integridad de infraestructuras, facilitando la detección temprana de daños o deterioros y previniendo fallos estructurales graves. En este contexto, el monitoreo por impedancia electromecánica (EMI) se destaca como una técnica avanzada que utiliza sensores piezoeléctricos para identificar cambios en las propiedades dinámicas de las estructuras, proporcionando un enfoque detallado y preciso para la detección de daños de manera no intrusiva.
Este trabajo presenta un modelo de autoencoders desarrollado en PyTorch, una biblioteca de deep learning basada en Python, aplicado al SHM (Monitorización de la Salud Estructural) con el objetivo de mejorar la detección de anomalías estructurales. Los autoencoders, mediante su capacidad de aprendizaje no supervisado, están diseñados para reproducir de manera precisa los datos de entrada en la salida. Cuando los datos ingresados no coinciden con los patrones aprendidos durante el entrenamiento, las salidas generadas se desvían, lo que puede interpretarse como una clara señal de daño en la estructura. Esta característica es esencial en SHM, donde la identificación temprana de anomalías puede ser crucial para decidir entre una intervención preventiva y un fallo catastrófico.
El modelo se entrena con un conjunto de datos baseline, que representa el estado óptimo de la estructura sin carga. Los datos obtenidos al ensayar la viga con diferentes niveles de carga se comparan con estas representaciones baseline. Se utiliza el error cuadrático medio (RMSE) para evaluar el desempeño del modelo, permitiendo cuantificar las desviaciones que podrían indicar daños o alteraciones estructurales. Este método no solo reduce la frecuencia y el costo de las inspecciones físicas, sino que también optimiza los recursos destinados al mantenimiento y mejora la seguridad.
Un aspecto particularmente relevante de este estudio es la aplicación del modelo a una viga de polímero reforzado con fibra (FRP). Aunque este material fue elegido por su practicidad en los ensayos, presenta desafíos específicos que destacan la importancia de validar el autoencoder. Los materiales compuestos como el FRP, a pesar de sus ventajas en resistencia y durabilidad, requieren un enfoque particular en SHM debido a su susceptibilidad a fallos súbitos y su menor ductilidad en comparación con el acero, además del peligro de despegue de la propia banda. Para superar estos retos, se utilizaron nueve sensores colocados estratégicamente a lo largo de la viga y adheridos con resina epoxi para captar las respuestas localizadas a diferentes frecuencias.
Este proyecto sugiere un potencial significativo para la aplicación de esta tecnología en diversos contextos de la ingeniería civil. La capacidad del autoencoder para distinguir y diferenciar daños estructurales en un material complejo como el FRP resalta su utilidad en la industria de la construcción, permitiendo un monitoreo más específico y detallado.
La incorporación de autoencoders en el SHM representa un avance notable en el análisis de grandes volúmenes de datos estructurales. Al capturar las características esenciales de las estructuras y combinar estas técnicas con métodos como la EMI, se establece un marco integral para el monitoreo de estructuras complejas, mejorando la precisión en la detección y la adaptabilidad a diferentes materiales.
Este enfoque tiene implicaciones directas para mejorar la seguridad y durabilidad de las infraestructuras, mientras impulsa la innovación en la construcción. La capacidad para identificar problemas en fases tempranas permite a los ingenieros planificar intervenciones de mantenimiento más eficientes, optimizando recursos y garantizando infraestructuras más seguras y sostenibles. A medida que las técnicas de machine learning, como los autoencoders, se integran en el SHM, se espera una transformación en la gestión de la salud estructural a nivel global, marcando el inicio de una nueva era en la ingeniería civil. Read More
Related posts:
Retos en la definición de una arquitectura Grid empresarial
Propuesta de aplicación del modelo de educación deportiva
para la enseñanza del baloncesto
Paisaje de la trashumancia en la Sierra de Béjar
Modelo de Inteligencia Artificial para detectar ataques de denegación de servicio
Conversión de un modelo del maniquí Hybrid-III percentil 95% desde el código RADIOSS al código Ls-Dyna para su empleo en ensayos de choque del ferrocarril
Multi-vehicle detection and tracking