Introducción

El monitoreo estructural de la salud (SHM) es la práctica de evaluar continuamente o periódicamente la condición de infraestructura como puentes, edificios, represas y túneles. El objetivo es detectar daños, estimar la vida restante y guiar las decisiones de mantenimiento antes de que ocurran fallos. Los métodos tradicionales de SHM dependen en gran medida de las inspecciones visuales manuales, lecturas periódicas de sensores revisadas por expertos humanos y simples alertas basadas en umbrales.

Los avances en la inteligencia artificial —particularmente el aprendizaje profundo— ofrecen un camino transformador hacia adelante. Los modelos de aprendizaje profundo pueden aprender automáticamente características jerárquicas de datos brutos, detectar patrones complejos que indican la degradación estructural y operar en tiempo real. Durante los últimos cinco años, las investigaciones y las implementaciones sobre el terreno han demostrado que el aprendizaje profundo puede mejorar significativamente la precisión, la velocidad y la rentabilidad de SHM.

Comprender el aprendizaje profundo para SHM

El aprendizaje profundo es una rama de aprendizaje automático que utiliza redes neuronales artificiales con muchas capas (de ahí "deep") para modelar relaciones complejas y no lineales en datos. A diferencia de los métodos tradicionales de aprendizaje automático que requieren ingeniería manual de características, los modelos de aprendizaje profundo extraen automáticamente las características relevantes durante el entrenamiento.Esta capacidad es especialmente valiosa en SHM, donde las firmas de daños pueden ser sutiles y varían ampliamente entre estructuras, materiales y condiciones ambientales.

Arquitecturas de red neuronales utilizadas en SHM

Varias arquitecturas de aprendizaje profundo han demostrado ser eficaces para diferentes tipos de datos SHM:

  • Redes Neurales Convocionales (CNNs):] Originalmente desarrollada para el reconocimiento de imágenes, las CNN se destacan en el procesamiento de datos espaciales. En SHM, las CNN se aplican a imágenes de inspección visual (por ejemplo, fotografías de superficies de hormigón) para detectar grietas, espacias, corrosión y delamación. También se utilizan con señales de frecuencia de tiempo.
  • Redes Neurales (RNNs) y redes de Memoria a corto plazo (LSTM): Estas arquitecturas están diseñadas para datos secuenciales. Modelan dependencias temporales en secuencias de sensores como el acelerómetro, el medidor de tensión o lecturas de temperatura. Los LSTM, en particular, pueden capturar patrones a largo plazo y son ampliamente utilizados para la detección de la vida útil y para mantener.
  • Autoencoders:] Modelos de aprendizaje no supervisados que aprenden a reconstruir datos operativos normales. Cuando una estructura desarrolla daños, el error de reconstrucción aumenta, proporcionando una puntuación de anomalías. Los autoencoders son populares para problemas de clasificación de una clase donde los datos de daños etiquetados son escasos.
  • Redes neuronales de Gráficos (GNNs): En los últimos años, las GNN operan en datos estructurados como gráficos, que pueden modelar redes de sensores como nodos y adyacencias espaciales como bordes, permitiendo la localización de daños con mayor precisión.

En la práctica, muchos sistemas SHM combinan múltiples arquitecturas, por ejemplo, usando una CNN para procesar señales de vibración crudas en características, y luego alimentando esas características en un LSTM para el modelado temporal.

Aplicaciones clave de aprendizaje profundo en SHM

Detección de Daños Automatizados de Imágenes y Videos

La inspección visual sigue siendo el método más común de SHM, pero es mano de obra intensiva y propensa al error humano. Los sistemas de visión de computadora basados en el aprendizaje profundo automatizan este proceso. Un conducto típico implica capturar imágenes o marcos de vídeo de superficies estructurales usando drones o cámaras fijas, luego pasar por un puente de presión CNN entrenado para segmentar o clasificar tipos de daño.

Identificación de daños por vibración

Los cambios en las propiedades dinámicas de una estructura — frecuencias naturales, formas de modo, proporciones de amortiguación— indican el daño. Los modelos de aprendizaje profundo analizan las historias de tiempo de vibración de acelerómetros para clasificar la ubicación y gravedad del daño. Un enfoque común trata la señal de aceleración artificial cruda como una serie de tiempo y aplica un CNN de 1D o LSTM para distinguir entre estados sanos, dañados y reparados.

Vigilancia de la emisión acústica

Los sensores de emisión acústica (AE) capturan ondas elásticas de alta frecuencia generadas por el crecimiento de las grietas, la rotura de fibra o la delamización. Los modelos de aprendizaje profundo pueden clasificar las señales AE en mecanismos de origen (por ejemplo, el cracking de matriz vs. la extracción de fibra en composites).

Mantenimiento predictivo y vida útil restante (RUL) Estimación

Los pronósticos tienen como objetivo predecir cuándo fallará un componente. Los modelos de aprendizaje profundo aprenden las tendencias de degradación de los datos históricos de sensores. Por ejemplo, una red LSTM puede tomar una secuencia de mediciones de cepas durante meses y predecir la vida de fatiga restante de una viga de acero. El aprendizaje de transferencia ayuda cuando se etiquetan datos de ejecución a falla es limitado: un modelo pre-entrenado en datos simulados de un gemelo digital puede ser perfeccionado en las lecturas de sensores reales.

Detección de anomalías en tiempo real con computación de bordes

Para el monitoreo continuo, la transmisión de todos los datos de sensores crudos a la nube puede ser de gran intensidad de banda y de latencia. El computador de bordes junto con modelos de aprendizaje profundo ligero permite la detección de anomalías en tiempo real en el sitio. Un dispositivo como un servidor NVIDIA Jetpanson o Google Coral puede ejecutar un CNN cuantificado que marca patrones de vibración anormales en milisegundos.

Beneficios de la SHM propulsada por el aprendizaje profundo

  • Precisión de detección más alta: Los meta-análisis de los estudios publicados muestran que los modelos de aprendizaje profundo a menudo alcanzan tasas positivas reales de 5–15% más altas para la detección de grietas en comparación con la inspección manual o el aprendizaje automático tradicional, con una tasa positiva más baja.
  • Reducción del costo y el tiempo de inspección: Las inspecciones visuales automatizadas basadas en drones utilizando CNN pueden inspeccionar un puente de 500 metros en menos de una hora y procesar las imágenes durante la noche. La inspección tradicional del acceso a la cuerda puede requerir un equipo de tres personas durante dos días. Se han reportado ahorros de costos de 60-80%.
  • Monitoreo continuo de áreas inaccesibles: El aprendizaje profundo permite monitorear áreas que son difíciles o peligrosas para que los humanos puedan alcanzar, como el bajo del puente o el interior del sistema de muros cortinas de un edificio alto.
  • Sistemas de Advertencias: Al analizar las tendencias en lugar de los umbrales simples, los modelos de aprendizaje profundo pueden emitir advertencias semanas o meses de antelación. Por ejemplo, un circuito de monitoreo LSTM en un puente de arco concreto alerta a los ingenieros a un movimiento anormal dos meses antes de que apareciera una grieta crítica.
  • Adaptability to Different Structural Types:] Con el aprendizaje de transferencia, un modelo formado en un puente puede adaptarse rápidamente a un puente similar con sólo unos pocos días de reentrenamiento de datos, reduciendo la necesidad de conjuntos de datos etiquetados grandes para cada nueva estructura.

Desafíos y limitaciones actuales

A pesar de su promesa, integrar el aprendizaje profundo en los sistemas operativos de SHM enfrenta obstáculos significativos que la comunidad de ingeniería está abordando activamente.

Calidad y Cantidad de los datos

Los modelos de aprendizaje profundo son de datos hambrientos. Muchas implementaciones SHM generan cantidades masivas de datos, pero que los datos a menudo no se etiquetan (sin verdad sobre daños) o contienen altos niveles de ruido de vibraciones ambientales (viento, tráfico, peatones). Obtener datos de daños etiquetados, especialmente para eventos raros o graves, es costoso y a veces imposible sin causar daños deliberados a una estructura.

Interpretabilidad modelo

Los ingenieros y los organismos reguladores necesitan entender por qué un modelo insignia una anomalía. Las redes neuronales profundas son a menudo "cajas negras". Técnicas como mecanismos de atención, Grad-CAM (para las CNNs en imágenes), y los valores SHAP pueden proporcionar explicaciones parciales, pero estos no están estandarizados para SHM. Sin interpretabilidad, los propietarios de infraestructura pueden ser reacios a actuar en los productos modelo, especialmente en la construcción de decisiones de evacuación.

Generalización en todas las estructuras y entornos

Un modelo formado en datos de un puente de truss de acero en un clima templado puede no funcionar bien en un puente de caja-gerencia de hormigón en una región del monzón tropical. Las diferencias en propiedades materiales, geometría, colocación de sensores y condiciones ambientales causan cambios de distribución. La adaptación de dominio y el aprendizaje de varias tareas son áreas de investigación activas, pero soluciones validadas por campo siguen siendo raras.

Integración con infraestructura existente

Muchos sistemas SHM existentes se basan en hardware y software heredados que se comunican mediante protocolos propietarios. Integrar un motor de inferencia de aprendizaje profundo requiere retrofitting con dispositivos de borde o modificar los oleoductos de nube. El costo inicial y la ciberseguridad se refiere a menudo a la adopción lenta. Además, el mantenimiento a largo plazo de modelos de aprendizaje profundo (reentrenamiento como deriva de comportamiento estructural) requiere experiencia que muchas empresas de ingeniería civil carecen actualmente.

Redes Neurales Informadas por Física y Gemelas Digitales (PINNs)

Un gemelo digital es una réplica virtual de alta fidelidad de una estructura que se actualiza continuamente con datos de sensores. Los modelos de aprendizaje profundo se pueden incorporar dentro de los gemelos digitales para predecir la respuesta estructural en diversos escenarios. Las redes neuronales informadas por física incorporan las ecuaciones de la mecánica estructural (por ejemplo, la formulación de puente finito) en la función de pérdida, asegurando que las predicciones son físicamente plausibles.

Aprendizaje Federado para la protección de la privacidad-Preservación SHM

En muchos países, los datos de sensores de infraestructura crítica son sensibles. Los modelos de formación federada en múltiples estructuras sin compartir datos brutos; sólo se intercambian gradientes modelo, lo que permite que una red de puentes supervisados por diferentes organismos aprenda colectivamente un detector de anomalías más robusto respetando la soberanía de los datos. Un proyecto piloto financiado por la Comisión Europea está probando SHM federado en cinco puentes en tres países, con resultados prometedores.

Aprendizaje de transferencia y aprendizaje de poca monta

Para superar la escasez de datos de daños etiquetados, el aprendizaje de transferencia permite que un modelo pre-entrenado en un conjunto de datos de gran fuente (por ejemplo, características de daño simulados o imágenes de superficies de hormigón genérico) se ajuste bien con sólo un puñado de ejemplos etiquetados del puente objetivo. Técnicas de aprendizaje de poca monta utilizando redes basadas en métricas (redes de Asia, redes prototípicas) pueden clasificar tipos de daño por categoría 5-10.

Normalización y directrices

La Organización Internacional para la Normalización (ISO) y la Sociedad Americana de Ingenieros Civiles (ASCE) están trabajando en estándares para SHM asistido por AI. Los temas incluyen requisitos mínimos de conjunto de datos, protocolos de validación de modelos, umbrales de precisión aceptables y formatos de presentación de informes. Un documento blanco del comité ASCE SEI/ASHRAE (disponible en ] Sitio web de ASCE

Fusión de sensor multimodal

Los sistemas futuros de SHM fusionarán datos de acelerómetros, medidores de tensión, cámaras, sensores acústicos e incluso satélite InSAR (Interferometric Synthetic Aperture Radar) para la deformación terrestre. Los modelos de aprendizaje profundo con arquitecturas multimodales (por ejemplo, transformadores de interatención) pueden aprovechar información complementaria: por ejemplo, combinando datos de vibración (sensibles a cambios de rigidez) con los prototipos visuales robustos 30 % resistentes

Conclusión

El aprendizaje profundo está reestructurando la vigilancia estructural de la salud permitiendo una evaluación automatizada, precisa y continua de puentes y edificios. Desde la detección de grietas en concreto utilizando las CNN hasta la predicción de la vida restante con los LSTMs, estos métodos se están moviendo de la investigación académica al despliegue del mundo real. Los beneficios, una mayor precisión de detección, menores costos de inspección, alertas en tiempo real y alertas tempranas, son muy bien documentados.

Para más lectura, un artículo de revisión integral publicado en Sistemas mecánicos y procesamiento de señales (2021) encuesta más de 300 artículos sobre aprendizaje profundo para SHM. Estudios prácticos de casos de la Administración Federal de Carreteras de los Estados Unidos pueden ser consultados a través de su página de investigación].