Artigo

Leon Vale Lobo; Renato Máximo Sátiro

DOI: 10.22167/2675-6528-202602550

Artículo derivado de Trabajo de Fin de Curso (TCC), con contenido basado en el trabajo original del estudiante y adaptado al formato editorial de la Revista E&S con el apoyo de la herramienta ResumeAI, una solución de inteligencia artificial desarrollada por el Instituto Pecege para la síntesis y organización textual.

Resumen

El monitoreo de la salud estructural de puentes se ha vuelto cada vez más relevante ante el envejecimiento de las infraestructuras y la intensificación de eventos extremos asociados a los cambios climáticos. En este contexto, los enfoques basados en datos se han destacado como alternativas prometedoras para el reconocimiento de anomalías. El estudio tuvo como objetivo desarrollar y evaluar un enfoque basado en aprendizaje automático para el reconocimiento de anomalías en series temporales de aceleración estructural. La metodología adoptada consistió en el uso de autoencoders entrenados exclusivamente con datos representativos de la condición íntegra, permitiendo al modelo aprender patrones asociados al estado saludable de la estructura; posteriormente, el error de reconstrucción, cuantificado mediante el error cuadrático medio (MSE), se utilizó como criterio para la identificación de desviaciones con respecto a esta condición. El conjunto de datos analizado se compuso de 1767 series temporales de 1000 puntos cada una, pertenecientes a dos clases: íntegra (normal) y anómala (dañada). Los resultados obtenidos demostraron que el modelo propuesto presentó una elevada capacidad de reconocimiento de la clase anómala, con una tasa de detección superior al 90%, y un desempeño global satisfactorio, con un área bajo la curva ROC (AUC) cercana a 0,78, indicando buena capacidad discriminativa y reforzando el potencial del enfoque para aplicaciones en monitoreo estructural.

Palabras clave: Autoencoders; Detección de Anomalías; Monitoreo de Puentes; Redes Neuronales.

1. Introducción

El Monitoreo de la Salud Estructural (SHM) se ha vuelto crucial ante el envejecimiento de las infraestructuras y la creciente ocurrencia de eventos extremos asociados a los cambios climáticos (NUMAN, 2024). Su propósito es detectar precozmente daños o anomalías, como fisuras, corrosión, desplazamientos o vibraciones inesperadas, con el fin de prevenir fallas catastróficas, prolongar la vida útil de las estructuras, optimizar el mantenimiento y reducir costos. Este monitoreo implica el uso de diversos sensores para la recolección de datos en tiempo real e inspecciones periódicas (ALAHAKOON et al., 2009), exigiendo la modelización del comportamiento estructural bajo condiciones normales y dañadas para identificar desviaciones.

Con el avance en la capacidad de adquisición de datos, la necesidad de métodos automáticos para procesar y diagnosticar información útil se ha vuelto evidente (FAVARELLI y GIORGETTI, 2020). En este escenario, el Machine Learning (ML) y, en particular, las redes neuronales, emergen como herramientas esenciales para el análisis de grandes volúmenes de datos de monitoreo (GIORGETTI, 2020).

Aplicaciones recientes demuestran la eficacia del ML en la detección y localización de fisuras en estructuras mediante datos de sensores (SHAH MANSOURI et al., 2024). Se han empleado enfoques semi-supervisados, que combinan autoencoders variacionales con máquinas de vectores de soporte de una clase, para detectar daños estructurales, entrenando modelos con datos de condición normal para identificar anomalías (SHANG et al., 2021). Las redes neuronales son particularmente prometedoras, ya que logran modelar relaciones no lineales entre las señales de los sensores y el estado estructural, permitiendo la detección automática de anomalías sin depender de inspección humana constante (ZHANG y LEI, 2021; KATAM et al., 2023).

Además de los desafíos intrínsecos al monitoreo, el cambio climático intensifica la variabilidad y la intensidad de eventos extremos, como lluvias intensas, inundaciones y variaciones bruscas de temperatura, que impactan directamente la integridad estructural de puentes y otras infraestructuras (PALIN et al., 2021). La construcción de infraestructuras resilientes, capaces de resistir y recuperarse rápidamente de estos eventos (SEAGER et al., 2017), exige que la planificación, el monitoreo y el mantenimiento consideren los riesgos climáticos (OECD, 2024).

A pesar de los avances, todavía existe una brecha en la capacidad de identificar daños de forma continua y directa en estructuras operativas, especialmente bajo condiciones ambientales y de carga variables, y en ausencia de enfoques puramente mecano-físicos que proporcionen diagnósticos en tiempo real. La escasez de datos de daños etiquetados también limita la aplicación de métodos supervisados. Ante esto, los métodos basados en datos, como el propuesto en este trabajo, se convierten en una alternativa viable y, en muchos contextos, el único enfoque práctico para la detección de anomalías, lo que justifica la importancia de maximizar la identificación correcta de estados dañados para mitigar riesgos y garantizar la seguridad.

Así, este estudio se justifica por la necesidad de mejorar la detección de anomalías en infraestructuras críticas, y tiene como objetivo desarrollar un modelo de detección de anomalías en señales de aceleración de puentes que permitirá la identificación automática de alteraciones dinámicas asociadas a la ocurrencia de daños estructurales, contribuyendo a la prevención de fallos, optimización de mantenimiento y aumento de la resiliencia de infraestructuras críticas en escenarios caracterizados por eventos extremos, catástrofes naturales y cambios climáticos, por medio del desarrollo de un enfoque basado en aprendizaje automático, apuntando al aumento de la resiliencia de infraestructuras críticas y al soporte a la toma de decisiones en contextos de ciudades inteligentes.

2. Material y Métodos

La presente investigación se caracterizó por un enfoque cuantitativo, de naturaleza aplicada, con el objetivo de desarrollar y evaluar un modelo de detección de anomalías en señales de aceleración de puentes. La estrategia metodológica se centró en el uso de técnicas de aprendizaje automático no supervisado, específicamente autoencoders, entrenados para reconocer patrones asociados a la condición íntegra de una estructura e identificar desviaciones que pudieran indicar la presencia de daños.

El objeto empírico del estudio fue el puente Z24, una estructura de carretera de hormigón pretensado a escala real, ubicada en Suiza, cerca de las ciudades de Koppigen y Utzenstorf (MAECK y ROECK, 2003). El puente, construido a principios de la década de 1960 y demolido en 1998, consistía en una viga cajón de dos celdas con un vano principal de aproximadamente 30 metros y dos vanos laterales de unos 14 metros, apoyada por pilares y estribos de hormigón armado.

Los datos utilizados fueron de dominio público, provenientes del benchmark del puente Z24, puesto a disposición por el Departamento de Ingeniería Civil de la KU Leuven, Bélgica. Los registros originales, almacenados en archivos en formato .txt, fueron importados al entorno Python para su procesamiento. La recolección de datos ocurrió a lo largo de aproximadamente un mes, durante el cual múltiples escenarios de daños fueron introducidos secuencialmente en la estructura.

Las señales de respuesta estructural se adquirieron mediante un sensor vertical R3V, posicionado en el medio del vano del puente, con una tasa de adquisición de 100 Hz. Para el estudio, se seleccionaron datos de tres días representativos de diferentes estados estructurales: 20 de agosto (condición sin daños), 25 de agosto (condición con daños de nivel uno) y 26 de agosto (condición con daños de nivel dos).

Cada día de monitoreo correspondió a una señal continua de aproximadamente 11 minutos, la cual fue segmentada en ventanas temporales de 1000 puntos. Este procedimiento resultó en 589 muestras por día. La concatenación de los datos de los tres días analizados originó un conjunto final con 1767 series temporales, organizadas para su posterior utilización en el entrenamiento y evaluación del modelo.

El preprocesamiento de los datos incluyó la segmentación de las señales largas en ventanas de 1000 muestras, según el enfoque de SHANG et al. (2022), aplicado de manera idéntica tanto a las señales correspondientes a la condición estructural íntegra (etiqueta cero) como a la condición dañada (etiqueta uno). Posteriormente, los segmentos de ambas condiciones se combinaron en un único conjunto de datos, con etiquetas binarias asociadas.

Como etapa final del preprocesamiento, se aplicó la normalización tipo z-score a los datos (CURTIS et al., 2016). La media y la desviación estándar se estimaron exclusivamente a partir del conjunto de entrenamiento, siendo posteriormente utilizadas para normalizar tanto los datos de entrenamiento como los de prueba, evitando fugas de información entre los conjuntos y favoreciendo la convergencia de los algoritmos.

El modelo de detección de anomalías se basó en un autoencoder totalmente conectado, compuesto por un codificador y un decodificador. El codificador fue responsable de mapear las señales de entrada, representadas por segmentos temporales de 1000 muestras, a un espacio latente de menor dimensionalidad, con una dimensión igual a 64.

La arquitectura del codificador consistió en una secuencia de tres capas densas con 512, 256 y 128 neuronas, respectivamente, seguidas por la capa de compresión. Todas las capas del codificador utilizaron la función de activación ReLU. El decodificador, simétrico al codificador, realizó el mapeo inverso, reconstruyendo la señal original a partir de la representación latente, con capas densas de 128, 256 y 512 neuronas, y una capa de salida con 1000 neuronas y función de activación lineal.

La definición de la arquitectura del modelo fue precedida por un proceso de búsqueda automática de hiperparámetros, utilizando la biblioteca Optuna (AKIBA et al., 2019). Este procedimiento buscó identificar la mejor combinación de parámetros, como el número de capas para el codificador/decodificador, el número de neuronas en la capa de entrada y en el espacio latente.

El entrenamiento del autoencoder se realizó utilizando exclusivamente datos correspondientes a la condición estructural íntegra, permitiendo que el modelo aprendiera la representación del comportamiento considerado normal del puente. El modelo fue entrenado por hasta 200 épocas, con tamaño de lote igual a 128, utilizando las propias señales de entrada como objetivo de reconstrucción y un conjunto de validación compuesto por datos íntegros no utilizados en el entrenamiento.

El modelo completo se entrenó minimizando el error de reconstrucción entre la señal de entrada y la señal reconstruida, utilizando la función de pérdida del error cuadrático medio (MSE). La optimización se realizó mediante el algoritmo Adam. Para evitar el sobreajuste, se adoptó un criterio de parada temprana basado en el monitoreo de la pérdida en el conjunto de validación, interrumpiendo el entrenamiento si no había mejora de la función de pérdida después de dos épocas consecutivas.

La evaluación del rendimiento del método de detección de daños se realizó a partir del análisis del error de reconstrucción del autoencoder, cuantificado por el error cuadrático medio (MSE), que expresa la diferencia entre los datos de entrada y su reconstrucción por el modelo (PALUBINSKAS, 2017; ZHANG et al., 2023). Las señales con un error superior a un umbral determinado se clasificaron como posibles indicios de daño estructural.

Para la elección objetiva del umbral de decisión, se empleó el índice de Youden (FLUSS et al., 2005), que maximiza simultáneamente la tasa de verdaderos positivos y minimiza la tasa de falsos positivos. Adicionalmente, para evaluar la capacidad discriminatoria del modelo, se utilizaron la curva Receiver Operating Characteristic (ROC) y la métrica Area Under the Curve (AUC) (JAMES et al., 2006), así como la matriz de confusión.

3. Resultados y Discusión

Los resultados de la investigación demuestran la eficacia del enfoque basado en autoencoders para el reconocimiento de anomalías en series temporales de aceleración estructural de puentes, alineándose al objetivo de desarrollar un modelo capaz de identificar automáticamente cambios dinámicos asociados a daños. La metodología empleada, con enfoque en el entrenamiento exclusivo con datos de la condición íntegra, permitió al modelo aprender los patrones de comportamiento saludable de la estructura, utilizando el error de reconstrucción como un indicador robusto para desviaciones. El análisis detallado de los hallazgos, desde el preprocesamiento de los datos hasta la evaluación del desempeño del modelo, ofrece una comprensión profunda de la capacidad discriminatoria del enfoque propuesto. El Preprocesamiento

El proceso de preprocesamiento de los datos fue un paso fundamental para permitir el entrenamiento y la evaluación del modelo de detección de anomalías. Inicialmente, las señales de respuesta estructural, adquiridas en series temporales largas con aproximadamente 589.824 puntos por sensor, se segmentaron en ventanas de 1000 muestras. Esta segmentación, como lo destacan Shang et al. (2022), es crucial para generar múltiples realizaciones independientes del comportamiento dinámico de la estructura, preservando sus características estadísticas y espectrales, al mismo tiempo que se expande el conjunto de datos disponible para el análisis.

La segmentación se aplicó de manera consistente tanto a las señales correspondientes a la condición estructural íntegra, etiquetadas como cero, como a las señales de la condición dañada, etiquetadas como uno. Esta uniformidad en la representación de los datos es esencial para garantizar la validez de las comparaciones y la robustez del entrenamiento del modelo. Después de la segmentación, los segmentos de ambas condiciones se combinaron en un único conjunto de datos, a los cuales se les asignaron las etiquetas binarias que indican los estados estructural íntegro o dañado, preparando el conjunto para las fases subsecuentes del estudio.

Como etapa final del preprocesamiento, se aplicó la normalización tipo z-score a los datos. Este procedimiento implica la transformación de cada observación mediante la resta de la media y la división por la desviación estándar de la variable, lo que resulta en datos con media nula y varianza unitaria (Curtis et al., 2016). Es importante destacar que la media y la desviación estándar se estimaron exclusivamente a partir del conjunto de entrenamiento, evitando cualquier filtración de información entre los conjuntos de datos de entrenamiento y prueba. Esta normalización contribuye significativamente a la estabilidad numérica y la convergencia de los algoritmos basados en redes neuronales, asegurando que todas las variables operen en la misma escala y con una distribución estandarizada. Creación y entrenamiento del modelo

La definición de la arquitectura del autoencoder fue precedida por un proceso de búsqueda automática de hiperparámetros, empleando la biblioteca Optuna (Akiba et al., 2019). Este procedimiento tuvo como finalidad identificar una configuración de red neuronal que ofreciera un equilibrio ideal entre capacidad de representación, estabilidad de entrenamiento y rendimiento en la reconstrucción de las señales estructurales. Los hiperparámetros optimizados incluyeron el número de capas para el codificador y decodificador, la cantidad de neuronas en cada capa de entrada y en el espacio latente, buscando la mejor configuración para el modelo.

La arquitectura del autoencoder se implementó con una secuencia de tres capas densas en el codificador, que contienen 512, 256 y 128 neuronas, respectivamente, seguidas por una capa de compresión que define el código latente con una dimensión de 64. Todas las capas del codificador utilizaron la función de activación ReLU, que es conocida por favorecer la modelización de relaciones no lineales y optimizar la eficiencia computacional. El modelo consiste en un autoencoder totalmente conectado, donde el codificador mapea las señales de entrada, representadas por segmentos temporales de 1000 muestras, a un espacio latente de menor dimensionalidad.

El decodificador, a su vez, realiza el mapeo inverso, reconstruyendo la señal original a partir de la representación latente. Su arquitectura es simétrica a la del codificador, compuesta por capas densas con 128, 256 y 512 neuronas, también con función de activación ReLU, y finaliza con una capa de salida que posee un número de neuronas igual a la longitud del segmento de entrada. La capa final emplea una función de activación lineal, adecuada para la reconstrucción de señales continuas, garantizando la fidelidad de la señal reconstruida a la original.

El entrenamiento del modelo completo se llevó a cabo con el objetivo de minimizar el error de reconstrucción entre la señal de entrada y la señal reconstruida, utilizando la función de pérdida del error cuadrático medio (MSE). La optimización se realizó mediante el algoritmo Adam, ampliamente reconocido en redes neuronales profundas por su robustez y rápida convergencia. Para mitigar el riesgo de sobreajuste y asegurar una mejor generalización, se implementó un criterio de parada temprana, monitorizando la pérdida en el conjunto de validación e interrumpiendo el entrenamiento si no había mejora en la función de pérdida después de dos épocas consecutivas, lo que contribuyó a la eficiencia computacional y a la estabilidad del proceso de aprendizaje.

El autoencoder se entrenó exclusivamente con datos correspondientes a la condición estructural íntegra, lo que permitió al modelo aprender la representación del comportamiento normal del puente. El entrenamiento se realizó hasta por 200 épocas, con un tamaño de lote de 128, utilizando las propias señales de entrada como objetivo de reconstrucción y un conjunto de validación compuesto por datos íntegros no utilizados en el entrenamiento. La evolución de la función de pérdida demostró que el proceso de aprendizaje convergió aproximadamente en la época 25, con una reducción significativa del error de reconstrucción, pasando de valores iniciales en torno a 0,5 a aproximadamente 0,1. Después de este punto, la pérdida de validación permaneció estable, mientras que la pérdida de entrenamiento alcanzó un nivel casi nulo, lo que indica que el modelo alcanzó una representación adecuada del comportamiento estructural normal sin evidencia de sobreajuste. Evaluación del rendimiento

La evaluación inicial del modelo se realizó mediante la comparación directa entre las señales temporales de entrada y las reconstruidas por el autoencoder. Para la condición estructural íntegra, el modelo demostró una elevada capacidad de reproducir la señal con alta fidelidad, presentando una reconstrucción suavizada y con una significativa reducción del ruido. Este comportamiento sugiere que el autoencoder aprendió las características dominantes del comportamiento dinámico normal de la estructura, actuando implícitamente como un filtro, lo que es un indicativo positivo de su capacidad de representación.

En contraste, cuando el modelo se aplicó a señales provenientes de la condición dañada, que no se incluyeron en el entrenamiento, la reconstrucción presentó una calidad significativamente inferior. Se observó que las variaciones operacionales y ambientales influyeron fuertemente en la reconstrucción, resultando en mayores discrepancias entre la señal original y la reconstruida. Esta diferencia acentuada en la calidad de la reconstrucción evidencia la capacidad del autoencoder de distinguir eficazmente entre patrones asociados a la condición saludable y aquellos relacionados a estados anómalos, estableciendo la base para la detección de daños mediante el análisis del error de reconstrucción.

La evaluación cuantitativa del rendimiento del método de detección de daños se realizó mediante el análisis del error de reconstrucción del autoencoder y métricas clásicas de clasificación, como la matriz de confusión. Esta matriz proporcionó una visión directa de la capacidad del modelo para diferenciar entre estados estructurales íntegros y dañados. Se encontró que el 92,4% de los segmentos correspondientes a la condición dañada fueron identificados correctamente como anómalos, lo que demuestra una alta sensibilidad del método a la presencia de daño estructural.

Este resultado es particularmente relevante para el monitoreo de la salud estructural, ya que la maximización de la tasa de aciertos de la clase anómala está directamente ligada a la mitigación de riesgos reales. Fallas en la identificación de daños, conocidas como falsos negativos, pueden llevar a la progresión no detectada de patologías estructurales, con el potencial de resultar en colapsos o interrupciones severas de servicio. Por lo tanto, la priorización de la sensibilidad del modelo es más crítica que la simple precisión global, ya que se alinea directamente con la prevención de eventos de alto impacto y la seguridad de la infraestructura.

Por otro lado, aproximadamente el 7,6% de las señales dañadas se clasificaron como normales, lo que configura falsos negativos. Aunque indeseables, estos casos pueden atribuirse a la superposición parcial entre los patrones de respuesta estructural bajo daño leve y las variaciones operacionales o ambientales. En relación con la condición íntegra, el 66,1% de los segmentos se clasificaron correctamente como normales, mientras que el 33,9% se identificaron incorrectamente como anómalos, caracterizando falsos positivos.

Este resultado está asociado al carácter deliberadamente conservador del método, que utiliza el error de reconstrucción como criterio de decisión. Variaciones naturales del comportamiento estructural, ruido de medición e influencias ambientales pueden elevar el error de reconstrucción incluso en ausencia de daño, llevando a la clasificación de algunas señales íntegras como anómalas. Sin embargo, este enfoque aumenta la sensibilidad del modelo para detectar alteraciones estructurales relevantes, lo que es una compensación aceptable en aplicaciones prácticas de monitoreo de la salud estructural, donde el equilibrio entre la detección de daños y las falsas alarmas debe evaluarse según los requisitos de seguridad y riesgo de la infraestructura.

La definición del umbral de decisión para separar estados normales y anómalos es un aspecto central de la metodología. El umbral se determinó basándose en el índice de Youden (Fluss et al., 2005), que maximiza simultáneamente la tasa de verdaderos positivos y minimiza la tasa de falsos positivos. Este criterio ofrece una elección objetiva del umbral, equilibrando sensibilidad y especificidad y evitando decisiones arbitrarias basadas únicamente en inspección visual, lo cual es fundamental para la robustez del sistema de detección.

El análisis del error de reconstrucción de los datos íntegros mediante un histograma permitió visualizar la distribución de los valores de error para las condiciones normal y dañada. Se observó una clara separación entre las distribuciones, aunque con una región de superposición, una característica común en problemas reales de Structural Health Monitoring (SHM). Esta superposición indica la complejidad de distinguir perfectamente entre condiciones de daño leve y variaciones normales, reforzando la necesidad de métodos robustos como el autoencoder.

El análisis a través de la curva Receiver Operating Characteristic (ROC) complementó la evaluación del desempeño global del método. La curva ROC describe el comportamiento del clasificador para diferentes valores de umbral, relacionando la tasa de verdaderos positivos con la tasa de falsos positivos. El valor del área bajo la curva (AUC) fue de aproximadamente 0,78, indicando una buena capacidad discriminatoria del modelo, significativamente superior al desempeño aleatorio. Este resultado confirma que el error de reconstrucción aprendido por el autoencoder contiene información relevante sobre el estado estructural del puente, permitiendo distinguir, de forma robusta, entre condiciones íntegras y dañadas, incluso en presencia de variabilidad operacional y ambiental.

En conjunto, los resultados obtenidos indican que el autoencoder, entrenado exclusivamente con datos de la condición íntegra, es capaz de aprender una representación consistente del patrón asociado al estado normal y de identificar desviaciones relacionadas con daños mediante el aumento del error de reconstrucción. Aunque la AUC de 0,78 sugiere que aún hay espacio para mejoras en la capacidad global de discriminación entre estados íntegros y anómalos, el modelo presenta un rendimiento elevado en la identificación de la clase anómala, con una tasa de acierto superior al 90%. Este aspecto es particularmente relevante para el problema en cuestión, donde la correcta identificación de daños tiene mayor importancia práctica que la clasificación de la condición íntegra, ya que los errores en este contexto están directamente asociados a riesgos para la seguridad de la infraestructura.

De esta forma, el enfoque basado en autoencoders demuestra ser una alternativa robusta y prometedora a los métodos tradicionales de inspección y a las técnicas supervisadas, especialmente en contextos donde los datos etiquetados de daños son escasos o inexistentes. El método tiene potencial para su aplicación en sistemas de monitoreo continuo, contribuyendo a estrategias de mantenimiento basadas en la condición y al aumento de la resiliencia de infraestructuras críticas frente a escenarios de envejecimiento y cambios climáticos. La capacidad de identificar precozmente alteraciones estructurales es esencial para la seguridad y optimización de la vida útil de los puentes, alineándose directamente con el objetivo central de este estudio.

4. Conclusión

El presente estudio tuvo como objetivo desarrollar y evaluar un enfoque basado en el aprendizaje automático para el reconocimiento de anomalías en series temporales de aceleración estructural de puentes. Se encontró que el autoencoder, entrenado exclusivamente con datos representativos de la condición íntegra, demostró capacidad para aprender los patrones de comportamiento saludable de la estructura. El análisis del error de reconstrucción, cuantificado por el error cuadrático medio (MSE), permitió identificar desviaciones en relación con esta condición, con una tasa de detección de la clase anómala superior al 90%. Se observó un desempeño global satisfactorio, con un área bajo la curva ROC (AUC) cercana a 0,78, lo que indica la robustez del enfoque para distinguir entre condiciones íntegras y dañadas, incluso ante la variabilidad operacional y ambiental. La priorización de la sensibilidad en la detección de daños demostró ser crucial para la mitigación de riesgos en infraestructuras críticas.

La principal contribución de este trabajo reside en ofrecer una alternativa robusta y prometedora a los métodos tradicionales de inspección y a las técnicas supervisadas, especialmente en escenarios de escasez de datos etiquetados de daño. El modelo desarrollado tiene potencial para su aplicación en sistemas de monitoreo continuo, optimizando estrategias de mantenimiento basado en condición y aumentando la resiliencia de infraestructuras críticas frente al envejecimiento y a los cambios climáticos. Sin embargo, la superposición parcial entre los patrones de respuesta estructural bajo daño leve y las variaciones operacionales o ambientales, que resultó en falsos positivos y un AUC de 0,78, indica que aún hay espacio para mejoras en la capacidad global de discriminación. Se sugiere que estudios futuros exploren la optimización del modelo para reducir la tasa de falsos positivos, sin comprometer la alta sensibilidad en la detección de anomalías, e investiguen la integración de datos ambientales para refinar la distinción entre variaciones normales y daños reales.

Referencias Bibliograficas

AKIBA, T.; SANO, S.; YANASE, T.; OHTA, T.; KOYAMA, M. 2019. Optuna: A next-generation hyperparameter optimization framework. In: ACM SIGKDD International Conference on Knowledge Discovery & Data Mining, 2019. Anais… p. 2623-2631.

ALAHAKOON, S.; PREETHICHANDRA, D. M. G.; EKANAYAKE, E. M. I. M. 2009. Sensor network applications in structures a survey. Electronic Journal of Structural Engineering 1: 1-10.

CURTIS, A. E.; SMITH, T. A.; ZIGANSHIN, B. A.; ELEFTERIADES, J. A. 2016. The mystery of the Z-score. Aorta 4(4): 124-130.

FAVARELLI, E.; GIORGETTI, A. 2020. Machine learning for automatic processing of modal analysis in damage detection of bridges. IEEE Transactions on Instrumentation and Measurement 70: 1-13.

FLUSS, R.; FARAGGI, D.; REISER, B. 2005. Estimation of the Youden Index and its associated cutoff point. Biometrical Journal: Journal of Mathematical Methods in Biosciences 47(4): 458-472.

JAMES, G.; WITTEN, D.; HASTIE, T.; TIBSHIRANI, R. 2013. An introduction to statistical learning: with applications in R. Springer, New York, NY, USA.

KATAM, R.; PASUPULETI, V. D. K.; KALAPATAPU, P. 2023. A review on structural health monitoring: past to present. Innovative Infrastructure Solutions 8(9): 248.

MAECK, J.; ROECK, G. D. 2003. Description of Z24 benchmark. Mechanical Systems and Signal Processing 17(1): 127-131.

NUMAN, M. 2024. Advancements in structural health monitoring: a review of machine learning approaches for damage detection and assessment. International Journal for Computational Civil and Structural Engineering 20(1): 124-142.

ORGANISATION FOR ECONOMIC COOPERATION AND DEVELOPMENT (OECD). 2024. Infrastructure for a climate-resilient future.

PALIN, E. J.; STIPANOVIC OSLAKOVIC, I.; GAVIN, K.; QUINN, A. 2021. Implications of climate change for railway infrastructure. Wiley Interdisciplinary Reviews: Climate Change 12(5): e728.

PALUBINSKAS, G. 2017. Image similarity/distance measures: what is really behind MSE and SSIM? International Journal of Image and Data Fusion 8(1): 32-53.

SEAGER, T. P.; CLARK, S. S.; EISENBERG, D. A.; THOMAS, J. E.; HINRICHS, M. M.; KOFRON, R.; ALDERSON, D. L. 2017. Redesigning resilient infrastructure research. p. 81-119. In: Resilience and Risk: Methods and Application in Environment, Cyber and Social Domains. Springer Netherlands, Dordrecht.

SHAH MANSOURI, T.; LUBARSKY, G.; FINLAY, D.; McLAUGHLIN, J. 2024. Machine learning-based structural health monitoring technique for crack detection and localisation using Bluetooth strain gauge sensor network. Journal of Sensor and Actuator Networks 13(6): 79.

SHANG, Z.; SUN, L.; XIA, Y.; ZHANG, W. 2021. Vibration-based damage detection for bridges by deep convolutional denoising autoencoder. Structural Health Monitoring 20(4): 1880-1903.

SHANG, Z.; XIA, Y.; CHEN, L.; SUN, L. 2022. Damping ratio identification using attenuation responses extracted by time series semantic segmentation. Mechanical Systems and Signal Processing 180: 109287.

ZHANG, A.; LIPTON, Z. C.; LI, M.; SMOLA, A. J. 2023. Dive into deep learning. Cambridge University Press, Cambridge, UK.

ZHANG, Y.; LEI, Y. 2021. Data anomaly detection of bridge structures using convolutional neural network based on structural vibration signals. Symmetry 13(7): 1186.

Artículo originario del Trabajo de Conclusión de Curso de la Especialización en Data Science y Analytics del MBA USP/Esalq

Para saber más sobre el curso, haz clic aquí y accede a la plataforma MBX Academy