Metodología basada en Aprendizaje Automático para la Detección de Corrosión en una Armadura en Configuración Puente

Resumen

La detección temprana de la corrosión en estructuras metálicas constituye un reto fundamental dentro del monitoreo de salud estructural, ya que este fenómeno representa una de las principales causas de deterioro en puentes metálicos. En este trabajo se presenta una metodología basada en el análisis de señales vibratorias, obtenidas experimentalmente de una armadura metálica en configuración de puente, tanto en condiciones sanas como en condiciones de daño por corrosión inducida. La respuesta vibratoria monitoreada se descompone mediante la transformada wavelet discreta, lo que permite analizar de manera detallada sus componentes en diferentes bandas de frecuencia y extraer indicadores no lineales basados en la dimensión fractal de cada banda. En particular, en este trabajo se investiga el desempeño de tres indicadores de fractalidad, Katz, Petrosian y Sevcik, con el objetivo de evaluar su capacidad para determinar la condición estructural. Posteriormente, se aplica un análisis de varianza para identificar las características, análisis combinado de wavelets y fractalidad, con mayor capacidad para ser asociadas al fenómeno estudiado. Finalmente, las características seleccionadas son utilizadas para entrenar y validar un clasificador basado en K-vecinos más cercanos, con el fin de automatizar el diagnóstico de la estructura. Los resultados obtenidos demuestran que la propuesta es capaz de distinguir de manera exacta entre una estructura en buen estado y aquella afectada por corrosión, lo que la convierte en una alternativa prometedora para la detección temprana y la gestión del mantenimiento.