Identificación de Daño

DIAGNÓSTICO DE SALUD ESTRUCTURAL DE UN PUENTE PEATONAL MEDIANTE
EL ANÁLISIS DE SU COMPORTAMIENTO DINÁMICO
- TRABAJO DE GRADO –
ANGÉLICA MARÍA PANESSO LIBREROS
Trabajo de grado presentado al programa académico
de Ingeniería Civil de la Universidad del Valle
UNIVERSIDAD DEL VALLE

FACULTAD DE INGENIERÍA
ESCUELA DE INGENIERÍA CIVIL Y GEOMÁTICA
SANTIAGO DE CALI
ENERO DE 2017
DIAGNÓSTICO DE SALUD ESTRUCTURAL DE UN PUENTE PEATONAL MEDIANTE
EL ANÁLISIS DE SU COMPORTAMIENTO DINÁMICO
- TRABAJO DE GRADO –
ANGÉLICA MARÍA PANESSO LIBREROS
DIRECTORES:
JOHANNIO MARULANDA CASAS, Ph.D
PETER THOMSON, Ph.D
UNIVERSIDAD DEL VALLE

FACULTAD DE INGENIERÍA
ESCUELA DE INGENIERÍA CIVIL Y GEOMÁTICA
SANTIAGO DE CALI
ENERO DE 2017
NOTA DE ACEPTACIÓN
El presente trabajo de grado fue aprobado por
el director del Programa Académico, los
jurados y los directores de investigación.
_____________________________________
MANOLO GALVÁN CEBALLOS, Ph.D.
Director de Programa Académico de
Ingeniería Civil
_____________________________________
JOHANNIO MARULANDA CASAS, Ph.D.
Director de investigación
_____________________________________
PETER THOMSON, Ph.D.
Director de investigación
_____________________________________
Jurado 1
_____________________________________
Jurado 2
_____________________________
Ciudad y Fecha
Agradezco a Dios, a mis padres y a toda mi
familia por su apoyo constante durante esta
etapa de formación profesional.
A los profesores Johannio Marulanda y Peter

Thomson por su orientación y aporte que fue
fundamental en la culminación exitosa de este
proyecto.
Agradezco especialmente a Sebastián

Castellanos, Paula Romero, Ariadna Sáenz,
Mario Marmolejo y Michael Gómez por su apoyo
incondicional durante este proceso.
A los estudiantes del curso de análisis modal:

Héctor Torres, Jose Saldarriaga, Diana Millán,
Santiago Gómez, Martha Delgado, Sebastián
Arango y Julio Tocoche por su colaboración en la
etapa experimental.
Finalmente, a los integrantes del grupo de

investigación G-7 y a la Universidad del Valle.
Tabla de contenido
Resumen ......................................................................................................................... 10
Introducción ..................................................................................................................... 11
1. Problema .................................................................................................................. 12
1.1. Descripción ........................................................................................................ 12
1.2. Formulación ....................................................................................................... 13
1.3. Objetivos ........................................................................................................... 13
1.3.1. Objetivo General......................................................................................... 13
1.3.2. Objetivos Específicos ................................................................................. 13
1.4. Justificación ....................................................................................................... 14
2. Marco de Referencia ................................................................................................ 16
2.1. Antecedentes y Estado del Arte ......................................................................... 16
2.2. Marco teórico ..................................................................................................... 22
2.2.1. Técnica de detección de picos para la identificación modal ........................ 22
2.2.2. Identificación del Sub-espacio Estocástico (SSI) ........................................ 23
2.2.3. Vectores de localización de daño ............................................................... 23
2.2.3.1. Matriz de flexibilidad proporcional ........................................................... 25
2.2.4. Curvatura de formas modales ..................................................................... 28
2.2.5. Redes Neuronales Artificiales ..................................................................... 28
3. Puente peatonal de referencia .................................................................................. 31
3.1. Referente empírico ............................................................................................ 31
3.2. Modelo numérico ............................................................................................... 34
3.3. Ajuste del Modelo .............................................................................................. 35
3.4. Simulación de escenarios de daño .................................................................... 36
4. Simulación de escenarios de daño ........................................................................... 38
4.1. Vectores de localización de daño ...................................................................... 38

4.2. Curvatura de formas modales ............................................................................ 41
4.3. Redes Neuronales Artificiales ............................................................................ 44
4.4. Comparación de las técnicas ............................................................................. 47
5. Validación experimental ............................................................................................ 48
5.1. Ensayos experimentales .................................................................................... 48
5.2. Configuración de sensores ................................................................................ 48
5.3. Procesamiento de la información ....................................................................... 51
5.4. Identificación modal para los cinco escenarios de daño .................................... 51
5.5. Evaluación experimental de la técnica DLV ....................................................... 54
5.6. Evaluación experimental de la técnica de curvatura de modos .......................... 55
6. Conclusiones ............................................................................................................ 59
7. Recomendaciones .................................................................................................... 60
8. Referencias .............................................................................................................. 61
9. Anexos ..................................................................................................................... 63
Lista de Figuras
Figura 1. Principales Causas de Colapsos de Puentes en Colombia (Diaz, 2002). .......... 15
Figura 2. Puente en el Cantón Militar del Norte de Bogotá (www.semana.com). ............. 15
Figura 3. (Marulanda et al., 2000). ................................................................................... 18
Figura 4. Estructura implementada con sensores (Carrión & Lozano, 2001). ................... 20
Figura 5. Estructura Tipo Truss (Amézquita et al., 2012). ................................................ 21
Figura 6. Estructura general de una red neuronal (Modificado de Demuth, 1997). ........... 29
Figura 7. Funciones de transferencia para redes neuronales (Demuth et al., 1997). ....... 30
Figura 8. Red neuronal de múltiples capas (Modificado de Demuth, 1997). ..................... 30
Figura 9. Puente peatonal del Grupo de investigación G-7. ............................................. 32
Figura 10. Sistema de Adquisición. .................................................................................. 33
Figura 11. Modos de vibración experimentales. ............................................................... 33
Figura 12. Modelo del puente peatonal sin daño.............................................................. 35
Figura 13. Cinco casos de daño propuestos. ................................................................... 37
Figura 14. Grados de libertad en el puente peatonal........................................................ 39
Figura 15. Configuración 26 GDL para la simulación de daño usando la técnica basada en
curvatura de modos. ........................................................................................................ 41
Figura 16. Diferencia absoluta entre las curvaturas de las formas modales para los cinco
casos de daño propuestos (simulación). .......................................................................... 42
Figura 17. Diferencia absoluta entre las curvaturas de las formas modales combinando los
cinco modos de vibración (simulación)............................................................................. 43
Figura 18. Tramos del puente peatonal............................................................................ 45
Figura 19. Implementación de la redes neuronales. ......................................................... 46
Figura 20. Ensayos experimentales. ................................................................................ 48
Figura 21. Ubicación de sensores. ................................................................................... 49
Figura 22. Comparación de frecuencias experimentales entre escenarios de daño. ........ 52

Figura 23. MAC entre el escenario de daño 1 y la estructura sana. ................................. 54
casos de daño propuestos (experimental). ...................................................................... 56
cinco modos de vibración (experimental). ........................................................................ 57
Anexo B
Figura B.1. Ejemplo numérico DLV (Modificado de Bernal, 2002).
Figura B.2. Índices WSI de la estructura.
Anexo D
Figura D.1. Ejemplo de viga simple para curvatura de modos (Pandey et al., 1991).
Figura D.2. Curvaturas de las cinco primeras formas modales de la viga simple sin daño.
Figura D.3. Diferencia absoluta entre la curvatura de las formas modales de los estados
pre y post daño.
Anexo E
Figura E.1. Polos y ceros en la función de transferencia y su derivada.
Figura E.2. Evaluación de las Redes Neuronales.

Lista de Tablas
Tabla 1. Resultados del ajuste del modelo....................................................................... 36
Tabla 2. Diferencias entre frecuencias de los cinco escenarios de daño con respecto al
estado sano del modelo de la estructura.......................................................................... 38
Tabla 3. Elementos identificados usando DLV con WSI<1............................................... 39
Tabla 4. Elementos identificados usando DLV con menor umbral de WSI. ...................... 40
Tabla 5. Comparación de resultados entre técnicas propuestas (simulaciones). ............. 47
Tabla 6. Convenciones para ubicación y orientación de sensores. .................................. 49
Tabla 7. Frecuencias y desviaciones estandar para los cinco escenarios de daño. ......... 51
Tabla 8. Amortiguamiento y deviación estandar para los cinco escenarios de daño. ....... 52
Tabla 9. Diferencia en frecuencia con respecto al estado sano de la estructura. ............. 52
Tabla 10. Indice WSI para los elementos realmente dañados.......................................... 55
Anexo B
Tabla B.1. Comparación de periodos de la estructura pre y post daño.
Tabla B.2. Elementos potencialmente dañados (ejemplo DLV).
Anexo D
Tabla D.1. Frecuencias de la viga simple para los estados pre y post daño.
Resumen
Las fallas en estructuras civiles han causado innumerables desastres, por lo cual surge la
necesidad de detectar daños estructurales lo más temprano posible. Las técnicas de
reconocimiento visual son alternativas utilizadas cuando se carece de la tecnología para
realizar un estudio más adecuado. Gracias al avance computacional, se han desarrollado
varias técnicas basadas en el monitoreo de vibraciones, las cuales permiten la
identificación de daños a partir del comportamiento dinámico de la estructura. El presente
documento plantea una propuesta de investigación en el diagnóstico de salud estructural
de un puente peatonal, validando el desempeño de dos métodos de detección de daño
mediante la evaluación analítica en un modelo de elementos finitos y una evaluación
experimental en un puente peatonal en escala real.
Palabras clave: monitoreo de vibraciones, diagnóstico de salud estructural, puente

peatonal.
Introducción
El deterioro en las estructuras civiles ha sido un tema de interés para los investigadores,
ya que la detección oportuna de fallas permite tomar decisiones para el aumento de la
vida útil de la estructura o con el fin de evitar fallas catastróficas. Por esta razón el
monitoreo de salud estructural se ha convertido en una medida que permite identificar el
estado de los sistemas estructurales como edificios y puentes, lo que en una etapa
temprana proporciona beneficios económicos y de seguridad para los usuarios.
El objetivo de estudiar diversas técnicas de detección de daño se debe a la necesidad de

tener métodos eficientes y confiables, de tal forma que se obtenga información verídica,
rápida y concisa del estado en que se encuentra la estructura después de una falla.
Adicionalmente, es necesario contar con técnicas que puedan dar información de toda la
estructura a partir de mediciones con un número reducido de sensores, ya que pueden
existir lugares de una estructura donde el acceso es limitado y de los cuales no se puede
obtener información.
En este trabajo, tres técnicas de identificación de daño son presentadas y aplicadas para
el puente peatonal del grupo de investigación G-7 de la Universidad del Valle. La primera
técnica utiliza cambios en la matriz de flexibilidad de la estructura y permite detectar
daños en todos los elementos de la armadura del puente. La segunda se basa en los
cambios de curvatura de las formas modales y no requiere de un modelo analítico para su
implementación. La tercera técnica emplea redes neuronales artificiales que, mediante un
entrenamiento con base en información del modelo analítico, pueden detectar la zona
donde se presenta el daño.
1. Problema
1.1. Descripción
Las estructuras civiles son diseñadas y construidas para prestar un servicio durante un
periodo de vida útil de acuerdo con las especificaciones técnicas requeridas. Con el
tiempo, las estructuras se deterioran debido a diversos factores, como la calidad en los
procesos constructivos y el uso de materiales inadecuados, y se ven afectadas por
eventos como sismos, inundaciones y la interacción Humano-Estructura (IHE), los cuales
pueden deteriorarla de una manera más rápida y causar daño. Entiéndase como daño el
cambio en las propiedades de los materiales y geométricas de la estructura, incluyendo
las condiciones de frontera y la conectividad entre elementos, y cualquier otro factor
capaz de provocar un comportamiento inusual, presente o futuro, de la estructura
(Lazcano et al., 2011). La identificación de estos cambios, su magnitud y el grado de
severidad son factores difíciles de determinar de manera visible debido a que es
necesaria la manifestación de grietas, humedades, elementos oxidados, asentamientos o
deflexiones excesivas, entre otros. Este tipo de situaciones, en su mayoría, no reflejan el
estado real de la estructura y pueden tardar mucho tiempo en presentarse, por esta razón
es necesario adoptar un monitoreo continuo que permita la identificación eficaz de su
estado y, en caso de detectarse la presencia de una irregularidad, tener la capacidad de
predecir su localización y el efecto que está causando en la estructura.
Con los avances de los sistemas de instrumentación, adquisición de datos y los métodos
de computación que permiten estimar las propiedades dinámicas de manera rápida, se
han desarrollado métodos basados en el monitoreo de vibraciones, los cuales brindan
formas de detección de daños, con el fin de obtener información temprana de cambios
negativos que se generan en la estructura. El objetivo fundamental es tomar decisiones
preventivas a tiempo y evitar catástrofes que pueden afectar tanto social como
económicamente, ya que pueden tener afectaciones en el patrimonio, pérdida de grandes
cantidades de dinero debido a reparaciones y hasta la pérdida de vidas humanas.
Actualmente existen diferentes métodos de detección de daño basados en las

propiedades dinámicas de la estructura, entre ellos se encuentran las técnicas que utilizan
las formas modales básicas y su correlación, como son el Criterio de Correlación Modal
(MAC - Modal Assurance Criterion) y la Diferencia Modal Normalizada (NMD - Normalized
Modal Diference), que permiten la identificación de la presencia de daño, y el Criterio
Coordenado de Correlación Modal (CoMAC -Coordinate Modal Assurance Criterion) el
cual puede llegar a detectar la localización. También existen métodos basados en
cambios de parámetros estructurales derivados (curvaturas de formas modales, energías
de deformación, rigideces y flexibilidades); entre ellos se evidencian el Cambio de la
Matriz de Flexibilidad (FM – Flexibility Method), Cambio de la Matriz de Rigidez (SM –
Stiffness Method), ambos medidos dinámicamente, y la Comparación de curvaturas de las
formas modales mediante Enfoque Mixto (MA – Mixed Approach) (Lazcano et al., 2011).
El estudio y la comparación de diferentes métodos que permitan la identificación de daños

con el fin de tomar decisiones preventivas para estructuras como puentes peatonales, es
de suma importancia, ya que permitirá tener certeza del alcance y eficacia de estos
métodos, además obtener conclusiones sobre las posibles diferencias. Adicionalmente, su
validación experimental ofrecerá herramientas para mejorar su confiabilidad en la
implementación.
1.2. Formulación
¿Cómo diagnosticar la salud estructural de un puente peatonal a partir de los cambios en

sus propiedades dinámicas?
1.3. Objetivos
1.3.1. Objetivo General

Diagnosticar la salud estructural del puente peatonal del Grupo de Investigación G-7 a
partir de los cambios en sus propiedades dinámicas.
1.3.2. Objetivos Específicos

 Ajustar el modelo de elementos finitos del puente peatonal.
 Codificar algoritmos de tres técnicas de identificación de daño.
 Evaluar numéricamente el desempeño de las técnicas de identificación de daño
mediante el modelo analítico.
 Validar experimentalmente una técnica de identificación de daño mediante
pruebas en el puente peatonal.
 Analizar los resultados numéricos y experimentales para formular conclusiones y
recomendaciones.
13
1.4. Justificación
El desarrollo de nuevos materiales de alta resistencia ha permitido el diseño de

estructuras esbeltas, que, por la disminución considerable de su masa, presentan un
comportamiento más flexible. La construcción de este tipo de estructuras ha provocado
que los sistemas de entrepiso y puentes peatonales sean cada vez más sensibles a
cargas dinámicas, causando vibraciones que pueden ser excesivas y, en el peor de los
casos, pueden generar colapsos.
El caso más famoso de vibración excesiva en puentes peatonales se presentó en el

Millenium Bridge en Inglaterra, cuando cientos de personas trataron de cruzarlo el día de
su inauguración (Carroll et al., 2013). El puente fue cerrado dos días después debido a su
exagerado movimiento, el cual los ingenieros diseñadores no pudieron prever en sus
cálculos. Este caso en particular evidenció el gran vacío que existía hasta el momento en
la comprensión de los efectos que producen las actividades humanas sobre las
estructuras, y además mostró el poco alcance que tienen los códigos de diseño para
predecir cuándo se presentarán vibraciones excesivas producidas por personas.
En Colombia son diversos los casos de colapsos y fallas en puentes vehiculares y

peatonales (Figura 1); entre las principales causas se evidencian la deficiencia estructural
y de construcción, la socavación y la sobrecarga (Diaz, 2002). Algunos ejemplos son
Tobia-Grande Puerto Salgar (2000) y los puentes peatonales de la autopista Norte con
122 y la calle 26 con Avenida 68 de la ciudad de Bogotá, los cuales tuvieron deficiencias
estructurales o en su etapa de construcción (1999).
Los efectos negativos, tanto económicos como sociales, que producen el colapso de un
puente deben preocupar tanto a las entidades públicas y privadas, como a los ingenieros
que los diseñan y construyen, ya que el objetivo primordial es la construcción de
estructuras que brinden seguridad y confort para los usuarios.
14
Figura 1. Principales Causas de Colapsos de Puentes en Colombia (Diaz, 2002).
Un evento reciente fue la caída de Puente ubicado en el Cantón Militar del Norte de
Bogotá (2015) (Figura 2), el cual, sin haber sido inaugurado, falló por desplazamiento del
mástil al realizarse una prueba de precarga. Si se contara con sistemas de monitoreo
continuo y métodos de identificación de daño mediante la vibración en la estructura, sería
posible la obtención de la información sobre su estado, facilitando la toma de decisiones.
De esta manera se podrían evitar colapsos de estructuras o, al menos, poder prever
posibles fallas con el objetivo de realizar reparaciones o restringir su uso hasta la
demolición.
Figura 2. Puente en el Cantón Militar del Norte de Bogotá (www.semana.com).
Los diversos casos de fallas y colapsos en puentes llevan a la misma conclusión: es

necesaria la identificación temprana de daño en este tipo de estructuras con el fin de
disminuir el riesgo de pérdidas humanas y económicas; además, se evidencia la
importancia de la implementación de sistemas de detección de daño estructural para tener
15
conocimiento del nivel de funcionalidad de la estructura frente a diferentes factores que la
afectan. La comparación entre métodos de identificación de daño, además de
proporcionar herramientas confiables que permitan una buena aproximación de las fallas
presentes en puentes peatonales, contribuirá al desarrollo de la ingeniería civil y el avance
de los campos de investigación relacionados.
2. Marco de Referencia
2.1. Antecedentes y Estado del Arte
Los primeros estudios realizados en el monitoreo de salud estructural (MSE) se deben a

Lifshitz & Rotem (1969); en este estudio se induce daño mediante cargas estáticas a
piezas de poliéster y epoxi reforzadas con partículas de cuarzo y posteriormente se
determinan frecuencias propias y razones de amortiguamiento, concluyendo que la razón
de amortiguamiento es más sensible a los cambios cuando se presentan daños en la
estructura.
El MSE se basa en detectar, localizar y cuantificar el daño en las estructuras comparando

su comportamiento antes y después de ser sometidas a cargas tanto dinámicas como
estáticas; los métodos de detección permiten la identificación de fallas sin inspección
visual o directa. Estas técnicas de MSE fueron categorizadas según su alcance (Rytter,
1993):
Nivel I: Identificación de la presencia del daño.

Nivel II: Identificación de la presencia y ubicación del daño.
Nivel III: Identificación de la presencia, ubicación y magnitud del daño.
Nivel IV: Predicción de la vida útil de la estructura
En el campo de la ingeniería civil, el monitoreo ya se ha aplicado a diferentes tipos de

estructuras, como la instrumentación del puente Puerto Salgar en Colombia (Muñoz et al.,
2006); también a estadios, como la investigación realizada en una tribuna del estadio
Pascual Guerrero (Ortiz et al., 2007); y se han implementado sistemas de monitoreo
continuo, como al edificio 350 de la Escuela de Ingeniería Civil y Geomática de la
Universidad del Valle (Jiménez et al., 2012). En 2008 se implementó un sistema de MSE
en la iglesia de Santa Casa de Misericordia de Aveiro, construida entre los siglos XVI y
XVII, localizada en Portugal. El objetivo del estudio fue identificar los principales daños
estructurales en la edificación, obteniendo registros continuos con la menor intrusión
16
posible y la mínima alteración visual (Lima et al., 2008). Se emplearon distintos tipos de
sensores de fibra óptica FBG (Fiber Bragg Grating), ya que estos tienen una gran
tolerancia a las variaciones de temperatura, no presentan interferencias electroestáticas,
electromagnéticas o de frecuencia de radio, y son muy eficientes para transmitir señales a
grandes distancias, factor de gran importancia debido a que la ubicación de estos
sensores fue limitada ya que la estructura solo podía ser intervenida de una manera
discreta. Finalmente, se alcanzó el objetivo de tener escasa perturbación visual en la
estructura y posibilidad de obtener registros continuos, aún bajo una solicitación sísmica.
En la Universidad del Valle se desarrolló un proyecto de MSE a distancia y en tiempo real

(Marulanda et al., 2000), el cual consistía en la instrumentación y elaboración de un
sistema de identificación de daño Nivel I para la estructura del puente "El Hormiguero",
localizado en la vía Cali-Puerto Tejada, sobre el río Cauca (Figura 3.a). La estructura del
puente consistía en dos luces de 62 m simplemente apoyadas, cada luz constaba de dos
armaduras metálicas en forma de arco. La señal fue trasmitida por radio hasta el
Observatorio Sismológico (OSSO) y luego fue enviada por cable al Laboratorio de
Ingeniería Sísmica y Dinámica Estructural (LINSE) de la Universidad, donde se realizó la
interpretación de datos; este sistema de identificación se basaba en los cambios en las
frecuencias naturales y modos de vibración.
Adicional al estudio realizado en el puente “El Hormiguero”, se implementó un sistema de

MSE en tiempo real y a distancia en el Viaducto César Gaviria Trujillo (Figura 3.b)
(Marulanda et al., 2000), en el cual se invirtieron aproximadamente 58 millones de dólares
en su construcción, de los cuales 1,5 se destinaron para la compra e instalación de
alrededor de 300 sensores. El sistema de monitoreo del Viaducto se componía de tres
subsistemas:
Subsistema A: Se encarga del monitoreo de los fenómenos lentos tales como los
producidos por cambios de temperatura.
Subsistema B: Está relacionado con el monitoreo de fenómenos rápidos
producidos por acciones dinámicas derivadas del tráfico vehicular, el viento y los
fenómenos sísmicos.
Subsistema C: Está diseñado para detectar la corrosión en el acero de la
armadura de concreto.
17
Finalmente, se concluye que las técnicas de MSE son una buena solución al problema de
la detección de daños por métodos no destructivos, basados en los cambios de los
parámetros estáticos y dinámicos de la estructura. Además, la inversión adicional en
equipos de monitoreo es recompensada con el ahorro en inspecciones y la efectividad en
la prevención de desastres.
(a) Puente "El Hormiguero" (b) Viaducto de Dos Quebradas
Figura 3. (Marulanda et al., 2000).
Las técnicas de identificación de daño basadas en el monitoreo de vibraciones han sido

ampliamente utilizadas, con el fin de obtener información temprana de variaciones que se
presentan en las estructuras. Entre algunas técnicas basadas en el cambio de las
propiedades dinámicas que no requieren de un modelo actualizado de la estructura se
pueden destacar: el Criterio de Correlación Modal (MAC), la Diferencia Modal
Normalizada (NMD) y el Criterio Coordenado de Correlación Modal (CoMAC); la
desventaja de estos métodos es que se limitan a la identificación de la presencia del daño
y no incluye su localización (Pandey et al., 1991).
Los parámetros estructurales derivados también son utilizados como base de ciertas
técnicas que tienen el objetivo de detectar daños; algunos de los criterios son: la energía
de deformación, la curvatura de formas modales y las matrices de rigidez y de flexibilidad
medidas dinámicamente. Estos parámetros son eficientes en el momento de predecir el
lugar del daño, pero sus limitaciones se evidencian en la optimización de la ubicación de
sensores que garanticen una caracterización global de la estructura (Romero et al., 2015).
Algunos estudios han concluido que la matriz de flexibilidad de una estructura es un

parámetro sensible a la presencia de daño, al igual que los modos de vibración y las
frecuencias. Las técnicas como el Método de Variación de la Flexibilidad y la Variación de
18
la curvatura de Flexibilidad Uniforme parten de los cambios que presenta la matriz de
flexibilidad y basan su teoría en que un elemento dañado altera la flexibilidad relacionada
con los grados de libertad; por lo tanto, el daño puede ser localizado haciendo uso de los
cambios en esta matriz y los parámetros modales (Romero et al., 2015). La técnica de
Vectores de Localización de Daño (DLV), desarrollada por Bernal (2002), parte de los
cambios en las matrices de flexibilidad antes y después del daño, proporcionando un
conjunto de elementos potencialmente dañados a partir de un índice de esfuerzo
normalizado.
Otras técnicas para la detección de daño usan algoritmos de Redes Neuronales

Artificiales (RNA), que son métodos no explícitos fundamentados en el aprendizaje y
procesamiento automático, inspirado en el funcionamiento del sistema nervioso. El nivel
de precisión de estas técnicas se basa en el entrenamiento de la red y puede alcanzar
gran éxito en la localización del daño (Mahu et al., 2012).
Para demostrar el potencial del Método Inverso por Sub-Dominios (MISD) para la
detección de daño, Carrión & Lozano (2001) presentaron tres casos de simulación de
detección de daño. El primero, tiene como objetivo analizar el daño localizado en un solo
elemento de la estructura utilizando poca instrumentación. El segundo, describe un
escenario de mucha instrumentación y propone dos niveles de análisis para detectar y
cuantificar el daño por subregiones (Figura 4). El tercer caso, corresponde a una situación
en la que las condiciones de frontera son desconocidas y las fuerzas de excitación
también. Finalmente, se logra demostrar el potencial y la exactitud que tiene el método
para detectar daños en los tres escenarios, cabe resaltar que en cada uno de los casos se
realizaba solo una prueba y que, aunque su aplicación como una técnica no destructiva
resultó ser muy efectiva, su implementación práctica no es sencilla.
19
Figura 4. Estructura implementada con sensores (Carrión & Lozano, 2001).
En la última década se introdujo el concepto de las “Estructuras Inteligentes”, como

aquellas estructuras implementadas con sensores y actuadores de manera tal que, a
través de un sistema de control específico, contrarresten efectos de las vibraciones,
sismos o cargas excesivas, disminuyendo el riesgo de afectar la integridad de la
estructura. Actualmente, hablar de estructuras que contengan un gran número de
sensores embebidos es cada vez más común, por esta razón se puede disponer de
información detallada y refinada que puede ser aprovechada para el monitoreo de la
condición estructural y la detección de daño de sistemas reales.
Para la comparación del desempeño de diferentes métodos de identificación de daño

basados en el monitoreo de vibraciones de una viga simple, Lazcano y otros utilizaron
correlaciones de las formas modales, matrices de rigideces y flexibilidades dinámicamente
medidas, comparación de curvaturas modales y energías de deformación, y métodos
basados en la transformada Wavelet (2011). Se evaluaron 17 escenarios de daño en la
viga simple para diez métodos de detección, identificando un buen comportamiento en los
métodos basados en las curvaturas modales y la transformada Wavelet; además, una
baja sensibilidad en correlaciones de formas modales y matrices medidas dinámicamente.
Adicionalmente, se concluye que los métodos estudiados son más sensibles a daños
puntuales y severos que a daños ligeros y extensos.
El Método de Búsqueda Global se enfoca en el problema de localización de daño

mediante la identificación de cambios en los parámetros estructurales a partir de la
propagación de ondas de alta frecuencia en la estructura (Quintana et al., 2009). La base
de este método radica en tres módulos básicos: el primero corresponde al desarrollo de
un modelo estructural de elementos finitos (FEM), previamente calibrado, que represente
el comportamiento dinámico de la estructura en su condición de referencia o "sin daño”;
el segundo es la parte experimental, cuyo objetivo es obtener la respuesta dinámica de la
20
estructura ante una excitación en puntos específicos de interés; y el tercer módulo es un
algoritmo que almacena, compara y evalúa las respuestas dinámicas experimentales con
las generadas por el modelo FEM de la estructura. El fundamento teórico de este método
está ligado a las propiedades de las ondas flexionantes; si se parte de una estructura sin
daño, las ondas registradas tendrán un patrón de propagación que depende de las
propiedades y la geometría de la estructura; al presentarse un daño o alteración de estas
propiedades, este patrón cambia haciendo posible la detección de la variación, esto
implica que el daño hace referencia a un cambio en los parámetros estructurales.
Estudios más recientes sobre MSE basado en el análisis de las vibraciones fueron
realizados por Amézquita y otros para evaluar el desempeño de estructuras tipo Truss
ante diferentes condiciones de falla (Amézquita et al., 2012). Se hizo uso de un sistema
de excitación basado en Field-Programmable Gate Array (FPGA), el cual se encarga de
generar una señal y enviarla a un shaker electrodinámico para excitar la estructura (Figura
5). Por medio de algoritmos desarrollados en el software MATLAB, se estima la condición
de la estructura, se localiza la falla y su severidad, a través de un análisis en frecuencia
empleando la técnica de clasificación de múltiples señales (MUSIC) de alta resolución y
un algoritmo de inteligencia artificial basado en redes neuronales artificiales (RNA). La
técnica MUSIC fue introducida por Jiang y Adeli en 2007 para el monitoreo de estructuras
civiles (Jiang & Adeli, 2007), esta técnica realiza una estimación espectral de alta
resolución, inclusive para datos que están embebidos en mucho ruido. Los resultados
obtenidos en esta investigación presentan una metodología efectiva en la detección de
corrosión externa e interna simulada en la estructura; adicionalmente, el daño simulado
con un corte en un elemento obtuvo 90% de certeza, lo cual muestra una buena eficiencia
del método.
Figura 5. Estructura Tipo Truss (Amézquita et al., 2012).
21
En otra investigación sobre identificación de daño, el entrenamiento y validación de una
red neuronal se realiza en cuatro etapas (Mahu et al., 2012):
 Determinación de las frecuencias características, resonantes y antiresonantes.

 Generación de patrones de entrenamiento.
 Diseño y entrenamiento de la RNA.
 Validación analítica y experimental, del algoritmo de detección de daño.
Para el entrenamiento de la RNA se utilizó un toolbox de Redes Neuronales de Matlab,

teniendo en cuenta la aleatoriedad; el toolbox se dividió en tres conjuntos de patrones:
entrenamiento, validación y experimentación; el primero se ocupa de los algoritmos para
optimizar la red; la validación participa de manera indirecta en el entrenamiento de la red;
y el conjunto de experimentación se utiliza para probar la red al enfrentar patrones que no
hayan participado ni directa ni indirectamente del entrenamiento. Finalmente, se logró
entrenar redes capaces de detectar dos daños simultáneos entre 20 posibles ubicaciones
en una viga; los resultados experimentales de la implementación de la red presentaron
32.64% de falsos negativos, 8.36% de falsos positivos y 7.96% daños mal cuantificados.
2.2. Marco teórico
La identificación de daño en las estructuras basada en vibraciones requiere de un estudio

de diferentes campos de la dinámica estructural. Inicialmente se requiere de técnicas para
la identificación modal, como el análisis espectral por medio de detección de picos, o
técnicas basadas en vibración ambiental, como Identificación del Sub-espacio Estocástico
(SSI). Posteriormente es necesario implementar técnicas que permitan identificar la
localización de daño mediante cambios en las propiedades dinámicas, como los Vectores
de Localización de Daño, cambios en la curvatura de las formas modales y técnicas
usando Redes Neuronales Artificiales.
2.2.1. Técnica de detección de picos para la identificación modal

La técnica de detección de picos es un método simple que permite la identificación de los
parámetros modales de estructuras sujetas a vibraciones. Esta técnica se basa en el
hecho de que la función de respuesta en frecuencia presenta picos cercanos a la
frecuencia natural del sistema, por esta razón las frecuencias en las que se encuentran
los picos pueden ser un buen estimativo de las frecuencias propias de la estructura.
22
Teniendo respuestas en el tiempo de vibraciones de la estructura, la función de respuesta
en frecuencia puede ser reemplazada por funciones de densidad espectral de potencia,
así las frecuencias operacionales pueden ser determinadas por simple observación de los
picos en la gráfica. Las funciones de densidad espectral de potencia se obtienen
convirtiendo la información obtenida en vibraciones al dominio de frecuencia, mediante la
transformada discreta de Fourier (DFT).
2.2.2. Identificación del Sub-espacio Estocástico (SSI)

Los algoritmos de identificación del sub-espacio calculan las propiedades dinámicas de
sistemas a partir de una representación en el espacio de estados, y se denomina sub-
espacio estocástico debido a que la excitación de entrada del sistema no puede ser
medida y es estocástica (Hermans & Van der Auweraer, 1999), estos algoritmos se basan
en tres suposiciones básicas:
- El sistema se comporta en su rango lineal.

- El sistema es invariante en el tiempo.
- La excitación de entrada es una realización de un proceso estocástico con
comportamiento de ruido blanco gaussiano y no correlacionada con la respuesta
del sistema.
El técnica SSI se resume en los siguientes pasos: primero se construye una matriz Hankel
de bloques con los datos de la respuesta de vibración del sistema; esta matriz se divide
en dos componentes: “pasado” y “futuro”; y se calcula la proyección ortogonal del
componente futuro en el componente pasado; se realiza la descomposición en valores
singulares a la proyección y, con las matrices de la factorización, se calcula una matriz de
observabilidad que, en una representación de espacio de estados, es función de la matriz
de estados y de la matriz de salida; finalmente, los valores propios de la matriz de estados
contienen información de las frecuencias naturales y razones de amortiguamiento del
sistema, y los vectores propios operados sobre la matriz de salida resultan en los modos
de vibración. El trabajo realizado por Van Overschee y De Moor (2011) presenta un
soporte matemático para los algoritmos de identificación del sub-espacio.
2.2.3. Vectores de localización de daño

La técnica de Vectores de Localización de Daño (DLV) en estructuras, desarrollada por
Bernal (2002), es un procedimiento que permite identificar un conjunto de elementos
potencialmente dañados a partir de los cambios en las matrices de flexibilidad de la
23
estructura. Esta técnica identifica los elementos a partir de un conjunto de vectores de
localización que inducen esfuerzo cero en los elementos que presentan daño.
La identificación del daño usando vectores de localización parte de un sistema que puede
ser considerado como lineal en los estados pre y post deterioro (Bernal & Gunes, 2002)
expresado en la Ec. 1, donde 𝐹𝐷 y 𝐹𝑈 son las matrices de flexibilidad de la estructura con
y sin daño, respectivamente, en 𝑚 sensores coordenados. Suponiendo que hay una
distribución de cargas en las coordenadas de los sensores, las cuales inducen
deformaciones idénticas al ser aplicados en las dos condiciones, la matriz 𝐿 contiene los
vectores que satisfacen la distribución.
(𝐹𝐷 − 𝐹𝑈)𝐿 = 𝐷𝐹. 𝐿 = 0 Ec. 1

La Ec. 1 se cumple en dos casos: cuando la variación de la matriz de flexibilidad es cero
(𝐷𝐹 = 0), indicando que no hay daño o que el daño se presenta en una región donde las
tensiones son cero para cualquier distribución de carga; o cuando 𝐿 contiene los vectores
que definen el espacio nulo de 𝐷𝐹. Obteniendo la Descomposición en Valores Singulares
de 𝐷𝐹, se tiene:
𝑆1 0 𝑇
𝐷𝐹 = 𝑈 [ ]𝑉 Ec. 2
0 𝑆2
Donde 𝑆2 son valores singulares que tienden a cero. En condiciones ideales los Vectores
de Localización de Daño son las columnas de 𝑉 asociadas con el espacio nulo pero,
debido a que en la práctica 𝑆2 nunca son ceros, se debe establecer un límite para
seleccionar la dimensión del espacio nulo. Los vectores de 𝑉 que cumplen la condición
anterior pueden ser tratados como Vectores de Localización (DLVs).
Para la selección de los DLVs primero se calculan las tensiones en un modelo de la

estructura sana usando las columnas de V como cargas; con el fin de discriminar entre
tensiones grandes o pequeñas, se deben reducir las tensiones internas para cada
elemento a una tensión característica 𝜎 para cada vector de carga (la energía de
deformación por unidad de dimensión característica es proporcional a 𝜎 2 ).
Designando el recíproco del valor máximo de la tensión característica como 𝑐𝑗 , se calcula

el índice 𝑠𝑣𝑛 para cada vector en 𝑉, desde 𝑗 = 1 hasta 𝑚, como:
𝑠𝑗 𝑐𝑗2 Ec. 3
𝑠𝑣𝑛𝑗 = √
𝑠𝑞 𝑐𝑞2
24
donde:
𝑠𝑞 𝑐𝑞2 = max(𝑠𝑗 𝑐𝑗2 ) Ec. 4

Los vectores para los cuales 𝑠𝑣𝑛 ≤ 0.20 pueden ser tratados como DLVs. Teniendo el
conjunto de vectores se procede a calcular para cada DLVs el esfuerzo normalizado 𝑛𝑠𝑖:
𝜎𝑖
𝑛𝑠𝑖𝑖 = Ec. 5
𝜎𝑖 |𝑚𝑎𝑥
Es importante destacar que debido a que 𝜎 es usado en la localización de daño solo en la
relación de la Ecuación 5, no es necesario cumplir el requisito de que la energía de
deformación por unidad de dimensión sea proporcional a 𝜎 2 (Bernal, 2002).
Finalmente se determina el Índice de Tensión Ponderado (𝑊𝑆𝐼) que permite la

identificación de la zona potencialmente dañada (ZPD), para los elementos que cumplen
con 𝑊𝑆𝐼 < 1:
𝑛𝑠𝑖𝑖
∑𝑛𝑑𝑙𝑣
𝑖=1 ̅̅̅̅̅̅𝑖
𝑠𝑣𝑛 Ec. 6
𝑊𝑆𝐼 =
𝑛𝑑𝑙𝑣
Donde: ̅̅̅̅̅̅
𝑠𝑣𝑛𝑖 = max(𝑠𝑣𝑛𝑖 , 0.015), 𝑛𝑑𝑙𝑣 es el número de vectores de localización, y 𝑛𝑠𝑖𝑖
corresponde a los 𝑛𝑠𝑖 del i-ésimo vector de localización. Debido a que el índice 𝑊𝑆𝐼 es un
promedio ponderado de los valores 𝑛𝑠𝑖 para cada DLVs, el límite para la importancia
relativa ̅̅̅̅̅̅
𝑠𝑣𝑛𝑖 es 0.015 con el fin de evitar pesos excesivamente grandes cuando el valor de
𝑠𝑣𝑛 es muy pequeño.
2.2.3.1. Matriz de flexibilidad proporcional

La matriz de flexibilidad de una estructura puede ser obtenida a partir de un conjunto de
formas modales normalizadas con respecto a la masa 𝜑̅𝑖 , y sus correspondientes
frecuencias 𝜔
̅𝑖 , como:
𝑁
1
𝐹=∑ 𝜑̅𝑖 𝜑̅𝑖𝑇 Ec. 7
̅𝑖2
𝜔
𝑖=1
Donde 𝑁 es el número de modos de la estructura. Generalmente no todos los modos

principales son identificados con información obtenida de datos de vibración, pero la
matriz de flexibilidad puede estimarse con gran precisión usando algunos modos,
teniendo en cuenta que la relación es inversamente proporcional al cuadrado de las
frecuencias. Sin embargo, en la práctica, donde las formas modales se encuentran
25
escaladas de forma arbitraria, la Ec. 7 no es factible, por lo tanto las formas modales
pueden reescribirse como:
𝜑𝑖 = 𝑟𝑖 𝜑̅𝑖 Ec. 8
Donde 𝑟𝑖 es el factor de normalización respecto a la masa para el i-ésimo modo.
Sustituyendo la Ec. 8 en la Ec. 7, se obtiene:
𝑁 𝑁
1 1
𝐹 = ∑ 2 2 𝜑𝑖 𝜑𝑖𝑇 = ∑ 2 𝜑𝑖 𝜑𝑖𝑇 Ec. 9
𝑟𝑖 𝜔̅𝑖 𝜔𝑖
𝑖=1 𝑖=1
en la cual:
𝜔𝑖2 = 𝑟𝑖2 𝜔
̅𝑖2 Ec. 10
Si se compara la Ec. 9 y la Ec. 7, 𝜑𝑖 es la i-ésima forma modal normalizada con respecto
a la frecuencia 𝜔𝑖 . Las matrices de flexibilidad obtenidas de las Ec. 7 y Ec. 9 pueden ser
tomadas como las de dos estructuras diferentes, que pueden ser denominadas como
estructura real y estructura imaginaria, respectivamente. Lo anterior significa que ambas
estructuras tienen matrices de rigidez idénticas, pero estas estructuras tienen diferentes
matrices de masa y frecuencias modales.
La estructura imaginaria puede crearse calculando su matriz de masa 𝑀𝑟 , mediante la

siguiente ecuación:
Φ𝑇 𝑀𝑟 Φ = 𝐼 Ec. 11
En donde Φ corresponde a la matriz modal de la estructura real, escalada arbitrariamente,
y 𝐼 es la matriz identidad. Los elementos de 𝑀𝑟 son incógnitas, las cuales pueden
obtenerse usando una solución de mínimos cuadrados, mediante la inversa de Moore-
Penrose. Las ecuaciones propias para la estructura real e imaginaria son,
respectivamente:
̅𝑖2 𝑀𝑜 )𝜑𝑖 = 0
(𝐾 − 𝜔 Ec. 12
(𝐾 − 𝜔𝑖2 𝑀𝑟 )𝜑𝑖 = 0 Ec. 13

Donde 𝑀𝑜 es la matriz de masa de la estructura real, y 𝐾 es la matriz de rigidez para
ambas estructuras, en este caso 𝑀𝑜 y 𝐾 son incógnitas. Sustituyendo la Ec. 13 en la Ec.
12, se obtiene una ecuación generalizada de valores propios:
1
(𝑀𝑟 − 𝑀𝑜 ) 𝜑𝑖 = 0 Ec. 14
𝑟𝑖2
26
Donde 𝑟𝑖 y los elementos de la matriz 𝑀𝑜 son incógnitas para resolver; debido a que el
número de incógnitas es mayor al número de ecuaciones, se debe asumir la matriz de
masas como diagonal. De esta manera, el número de incógnitas en la Ec. 14 se reduce
solamente a uno más que el número de ecuaciones para el vector modal dado 𝜑𝑖 .
Si la matriz diagonal 𝑀𝑜 es normalizada de tal manera que un elemento diagonal

específico sea igual a uno, se tiene que:
1
𝑀𝑜 = ̅
𝑀 Ec. 15
𝑟𝑀 𝑜
̅𝑜 es la matriz diagonal normalizada. La Ec. 14 puede reescribirse como:
donde 𝑀
1
(𝑀𝑟 − ̅ )𝜑 = 0
𝑀 Ec. 16
𝜂𝑖 𝑜 𝑖
donde
𝜂𝑖 = 𝑟𝑖2 𝑟𝑀 Ec. 17
̅𝑜 se obtiene para cada vector modal solucionando la Ec.
Una solución única para 𝜂𝑖 y 𝑀
16. A pesar de que se conoce 𝜂𝑖 , no es posible obtener el factor de normalización de
masa 𝑟𝑖 de la Ec. 17. Sin embargo, la relación entre 𝑟𝑖2 y 𝑟12 puede ser evaluada mediante
𝜂𝑖 y 𝜂1 :
𝑟𝑖2 𝜂𝑖
𝛾𝑖 = = Ec. 18
𝑟12 𝜂1
La matriz de flexibilidad de la Ec. 9 puede construirse como:
𝑁
1 1 𝑇 1
𝐹 = 2∑ 2 𝜑𝑖 𝜑𝑖 = 2 𝐹𝑃 Ec. 19
𝑟1 𝛾𝑖 𝜔
̅𝑖 𝑟1
𝑖=1
y la matriz de flexibilidad proporcional puede obtenerse como:
𝑁
1
𝐹𝑃 = ∑ 𝜑𝑖 𝜑𝑖𝑇 Ec. 20
̅𝑖2
𝛾𝑖 𝜔
𝑖=1
En donde 𝑟1 es el primer factor de la masa modal de la estructura real y es indeterminado

debido a que las formas modales tienen una escala arbitraria. La matriz 𝐹𝑃 es proporcional
a la matriz de flexibilidad 𝐹 y el escalar multiplicador entre estas matrices depende de la
escala de las formas modales.
27
2.2.4. Curvatura de formas modales
Diversos métodos de análisis modal permiten obtener las formas modales de una
estructura a partir de información medida en el dominio del tiempo. Los cambios en las
formas modales, en especial las variaciones en su curvatura, pueden usarse para
localizar daño.
La curvatura de las formas modales está relacionada con la rigidez a flexión de una
sección, donde la curvatura 𝑣 ′′ corresponde a la relación entre el momento en la sección,
𝑀, y el producto entre el módulo de elasticidad y el momento de inercia, 𝐸𝐼 (Ec. 21).
𝑀
𝑣 ′′ = Ec. 21
𝐸𝐼
La identificación de daño usando la curvatura de las formas modales parte del hecho que
en los grados de libertad que presentan cambios en la curvatura de los modos se localiza
la región del daño, debido a que las reducciones en el módulo de elasticidad y la inercia
(𝐸𝐼) generan aumentos en la curvatura de la sección (Pandey et al., 1991). Por lo
anterior, la diferencia absoluta entre la curvatura de las formas modales de la estructura
sin daño y dañada proporcionará la región donde se presenta el daño.
La curvatura de las formas modales puede ser obtenida numéricamente usando la

diferencia central aproximada como (Carden & Fanning, 2004):
′′
𝜙(𝑗+1)𝑖 − 2𝜙𝑗𝑖 + 𝜙(𝑗−1)𝑖
𝜙𝑗𝑖 = Ec. 22
𝐿2
donde 𝑖 es el número de la forma modal, 𝑗 es el número del nodo y 𝐿 es la distancia entre
los nodos. La diferencia absoluta de la curvatura (Δ𝜙 ′′ ) se calcula como:
Δ𝜙 ′′ = |𝜙𝑖′′𝑈 − 𝜙𝑖′′𝐷 | Ec. 23

donde 𝜙𝑖′′𝑈 es la curvatura de la forma modal 𝑖 de la estructura sin daño y 𝜙𝑖′′𝐷 es la
curvatura de la forma modal 𝑖 de la estructura dañada. Debido a que la estructura de
referencia es tridimensional, se obtiene la curvatura en dos sentidos, el primero de forma
vertical y el segundo transversal al puente. Con el fin de tener mayor información, la
curvatura total es tomada como la sumatoria de las curvaturas obtenidas.
2.2.5. Redes Neuronales Artificiales

Las Redes Neuronales Artificiales (RNA) están compuestas por elementos simples que
operan en paralelo. Estas redes están inspiradas en el sistema nervioso del ser humano y
tienen la capacidad de implementar funciones complejas. El entrenamiento de una RNA
28
permite realizar una función particular mediante el ajuste de valores de conexiones entre
elementos (pesos). Generalmente, las RNA son ajustadas de tal manera que una entrada
en particular conduce a una salida específica, y se ajusta la red basándose en una
comparación entre la salida y el objetivo hasta que ambos coincidan. En general, se
utilizan varios pares de entradas en el aprendizaje supervisado (Mahu et al., 2012).
La neurona, como unidad básica de procesamiento, se representa como un nodo en una

estructura; cada nodo 𝑗 cuenta con 𝑅 entradas 𝑝𝑖 que se transmiten por medio de
conexiones ponderadas por su peso (𝑤) (Ec. 24), formando el producto 𝑤𝑝 antes de
entrar al nodo. En el nodo se realiza la sumatoria de las entradas ponderadas junto con
un factor de corrección 𝑏, denominado bias; la señal 𝑛 pasa por una función de
transferencia 𝑓(𝑛) que produce la salida 𝑎 (Figura 6). Cuando la red tiene varias capas de
neuronas, se considera un superíndice 𝐼 a cada variable que representa el número de la
capa a la que corresponde (Demuth et al., 1997).
𝑛 = ∑(𝑤𝑖 𝑝𝑖 + 𝑏𝑗 ) Ec. 24
𝑖=1
Figura 6. Estructura general de una red neuronal (Modificado de Demuth, 1997).
El comportamiento de la red neuronal está influenciado por el resultado de la función de

transferencia, ya que el objetivo de esta función es acotar los valores de salida de la
neurona, dando así un mayor control de la red. El tipo de función utilizada depende del
tipo de red; la Figura 7 muestra algunos tipos de funciones de transferencia (Demuth et
al., 1997).
29
(a) Hard-Limit (b) Linear (c) Log-Sigmoid
Figura 7. Funciones de transferencia para redes neuronales (Demuth et al., 1997).
Una red puede contener dos o más neuronas, que pueden ser combinadas en una capa;
en general, las redes pueden contener más de una capa. La arquitectura de la red
representa la forma en que están interconectadas las neuronas; las redes pueden tener
complejas capas, cada una de ellas con una matriz de pesos 𝑊, un vector bias 𝑏 y un
vector de salidas 𝑎 (Demuth et al., 1997). Las capas de una red desempeñan diferentes
funciones, una capa produce la salida de la red, llamada capa de salida, y las demás
capas se denominan capas ocultas (Figura 8).
Figura 8. Red neuronal de múltiples capas (Modificado de Demuth, 1997).
Los métodos de entrenamiento de la red neuronal pueden ser clasificados como

aprendizaje supervisado y aprendizaje no supervisado. El primero es un entrenamiento
controlado, donde la entrada es conocida y puede ser comparada con la salida de la red,
realizando iteraciones que permiten modificar los pesos. El aprendizaje no supervisado de
una red se realiza cuando no se tiene información de si la salida es correcta o no, por lo
tanto, los pesos no se modifican sino que se organizan para agrupar y ajustar datos
(Mahu et al., 2012).
30
La duración del entrenamiento de la red es un factor importante, ya que si es muy extenso
se puede generar un sobre ajuste de la red, lo que produce la disminución de capacidad
para generalizar nuevos datos. Por esta razón, existen tres formas de acotar el tiempo de
entrenamiento de la red. La primera tiene en cuenta el error objetivo y finaliza cuando el
error total o la diferencia entre una iteración y otra son menores a un valor definido. La
segunda forma es limitando el número de iteraciones del entrenamiento. Finalmente,
haciendo uso de una técnica denominada early stopping (parada prematura), la tercera
forma usa un conjunto de datos que se utilizan como condición para detener el
entrenamiento cuando el error en el conjunto de datos alcanza el mínimo (Mahu et al.,
2012).
Las redes neuronales han sido ampliamente aplicadas en el ámbito de la identificación de

daño, en la mayoría de los casos el objetivo es generar un modelo de respuesta del
sistema el cual puede estimar la respuesta de la estructura ante diversas cargas, realizar
comparaciones e identificar diferencias entre las estimaciones y las mediciones reales;
estas diferencias permiten detectar la presencia de fallas a partir de información previa de
la estructura (Santos et al., 2016).
3. Puente peatonal de referencia
3.1. Referente empírico
El referente empírico usado para esta investigación es el puente peatonal del Grupo G-7,
construido en la Escuela de Ingeniería Civil y Geomática de la Universidad del Valle
(Figura 9). El puente que tiene una longitud total de 12 m y una pasarela de 1.2 m de
ancho, fue diseñado de tal manera que se pudiera modificar su configuración estructural
para lograr variaciones en su rigidez. Para esto, una parte de la armadura de la estructura
tiene conexiones pernadas, las cuales pueden ser retiradas para la disminución de la
rigidez. El daño inducido en la estructura se realizó retirando elementos de esta armadura,
generando diferentes escenarios de daño.
El sistema estructural del puente consiste de un conjunto de armaduras que sostiene una
losa tipo steel-deck (concreto y lámina colaborante). La superestructura tiene tres
armaduras metálicas construidas con ángulos; algunas conexiones son soldadas y otras
son pernadas. La subestructura consiste de dos pórticos de concreto reforzado ubicados
en los extremos de la superestructura. La superestructura está soportada en cuatro
31
apoyos de rodillos que permiten el movimiento en el sentido longitudinal del puente
(Anexo A).
Figura 9. Puente peatonal del Grupo de investigación G-7.
Para realizar la identificación de las propiedades dinámicas del puente se realizaron

pruebas de vibración ambiental que consisten en medir las aceleraciones producidas por
el tránsito cercano o propio de peatones, el flujo de viento y micro temblores. Para la
medición de las vibraciones se usaron seis acelerómetros sísmicos, tres incluidos en un
equipo triaxial REF TEK modelo 130-SMA y otros tres sensores uniaxiales REF TEK
modelo 131B-01/1 (Figura 10). El equipo triaxial tiene rango de aceleración de ±4g con
rango dinámico mayor que 130 dB (a 1 Hz) y los acelerómetros uniaxiales tienen rango de
aceleración de ±4g y nivel de ruido de 2µg2/Hz. La adquisición se hizo a una frecuencia de
muestreo de 100 Hz y las señales de los acelerómetros se almacenaron dentro del equipo
130-SMA en dos unidades de memoria con 1GB de almacenamiento. La conversión
analógica a digital se realizó mediante una tarjeta incorporada en este equipo de seis
entradas analógicas de 24 bits y rango dinámico mayor que 130 dB. Los sensores se
ubicaron en 14 configuraciones diferentes con la finalidad de obtener una mayor
resolución espacial de coordenadas modales.
32
(a) Acelerómetro triaxial (b) Acelerómetros uniaxiales
Figura 10. Sistema de Adquisición.
El procesamiento de la información para la identificación de las frecuencias naturales y su

correspondiente forma modal se realizó usando Identificación del Sub-espacio Estocástico
(SSI). Con las pruebas realizadas en el puente se identificaron cinco frecuencias
naturales: 𝑓1 = 4.02 𝐻𝑧, 𝑓2 = 7.85 𝐻𝑧, 𝑓3 = 13.51 𝐻𝑧, 𝑓4 = 14.03 𝐻𝑧 y 𝑓5 = 23.99 𝐻𝑧, cada
una con su desviación estándar (std) y su respectivo modo de vibración asociado, como
se muestra en la Figura 11.
(a) (b)
Figura 11. Modos de vibración experimentales.
33
(c) (d)
(e)
Figura 11. Modos de vibración experimentales (continuación).
3.2. Modelo numérico
Debido a que el modelo numérico del puente debe representar su comportamiento

dinámico, se usó el programa de elementos finitos SAP2000 para modelar el puente y se
realizó un ajuste de diferentes parámetros. Se creó un modelo nominal del puente que
consistió en modelar la losa tipo steel-deck como una losa maciza equivalente mediante
elementos tipo área “Shell-Thin”, cuyo espesor fue un parámetro del ajuste del modelo, y
se definieron diferentes elementos Frame para los tipos de ángulos de la armadura
(Figura 12).
34
Figura 12. Modelo del puente peatonal sin daño.
3.3. Ajuste del Modelo
El ajuste del modelo numérico se realizó usando algoritmos de optimización en Matlab y el

API que permite tener interacción con SAP2000. Los parámetros como el módulo de
elasticidad del concreto, el espesor de la losa y los factores de modificación de rigidez de
la losa fueron variados hasta obtener el mejor ajuste con el comportamiento del puente
real. La función utilizada para la optimización fue fmincon usando el método SQP
(Programación Cuadrática Secuencial), el cual realiza una optimización restringida no
lineal para solucionar subproblemas cuadráticos. Este procedimiento minimiza una
función cuadrática 𝑓(𝑥) de n variables sujeta a m restricciones lineales de igualdad o
desigualdad, permitiendo resolver problemas lineales complejos.
𝑐(𝑥) ≤ 0
𝑐𝑒𝑞(𝑥) = 0
𝑚𝑖𝑛 Ec. 25
𝑓(𝑥) = 𝑓𝑢𝑛 𝑡𝑎𝑙 𝑞𝑢𝑒 𝐴∙𝑥 ≤𝑏
𝑥
𝐴𝑒𝑞 = 𝑏𝑒𝑞
{ 𝑙𝑏 ≤ 𝑥 ≤ 𝑢𝑏
[𝑥, 𝑓𝑣𝑎𝑙] = 𝑓𝑚𝑖𝑛𝑐𝑜𝑛(𝑓𝑢𝑛, 𝑥0, 𝐴, 𝑏, 𝐴𝑒𝑞, 𝑏𝑒𝑞, 𝑙𝑏, 𝑢𝑏) Ec. 26
La sintaxis de la función fmincon se presenta en la Ec. 25, donde 𝑥 son los valores que
fmincon varía con el fin de encontrar el mínimo de la función 𝑓(𝑥). Para la optimización del
modelo, la función 𝑓(𝑥) usa el API con el fin de variar parámetros en el modelo de
SAP2000 para obtener resultados y compararlos con la información de la estructura real.
La función objetivo utilizada para el ajuste se presenta en la Ec. 27.
𝑛 𝑛
1 |𝜔𝑒𝑖 − 𝜔𝑎𝑖 | 1
𝐹𝑂 = ∑ + ∑[1 − 𝑀𝐴𝐶(𝜑𝑒𝑖 , 𝜑𝑎𝑖 )] Ec. 27
𝑛 𝜔𝑒𝑖 𝑛
𝑖=1 𝑖=1
35
donde, 𝑛=6
𝑇 2
|𝜑𝑎𝑖 𝜑𝑒𝑖 |
𝑀𝐴𝐶(𝜑𝑒𝑖 , 𝜑𝑎𝑖 ) = 𝑇 𝑇 Ec. 28
𝜑𝑎𝑖 𝜑𝑎𝑖 𝜑𝑒𝑖 𝜑𝑒𝑖
𝜔𝑒𝑖 es la i-ésima frecuencia experimental, 𝜔𝑎𝑖 es la i-ésima frecuencia del modelo,
𝑀𝐴𝐶(𝜑𝑒𝑖 , 𝜑𝑎𝑖 ) es la función de correlación entre 𝜑𝑒𝑖 , la i-ésima forma modal experimental,
y 𝜑𝑎𝑖 , la i-ésima forma modal del modelo. Cuando la función 𝐹𝑂 sea menor que la
tolerancia adoptada, 1x10−3, termina el proceso y se encuentran los valores finales de 𝑥.
Los valores de la función objetivo obtenidos en la optimización para el modelo se
presentan en la Tabla 1.
Tabla 1. Resultados del ajuste del modelo.

Diferencia
Modo frecuencia 1-MAC
(%)
1 0.0064 0.0025
2 6.7304 0.0167
3 0.0123 0.0393
4 2.2159 0.0551
5 3.1741 0.0268
Promedio 2.4278 0.0281
FO (∑) 2.4559
3.4. Simulación de escenarios de daño
La implementación de las técnicas se realizó usando el modelo analítico y la simulación

de daño en el puente peatonal se realizó retirando elementos de la armadura pernada.
Para definir los escenarios, inicialmente se decidió retirar los elementos de la parte central
del puente, ya que en esta se encontraban los elementos más esforzados. Se definieron
en total cinco escenarios de daño, de los cuales cuatro se basaban en el mismo criterio de
mayor esfuerzo y uno fue de forma aleatoria. En cada escenario se retiró un solo
elemento para al final tener un total de cinco elementos dañados (Figura 13). Las
diferencias entre las frecuencias naturales de los escenarios de daños con respecto al
estado sano del modelo de la estructura se muestran en la Tabla 2.
36
(a) Estructura Sin daño
(b) Escenario 1 (c) Escenario 2
(d) Escenario 3 (e) Escenario 4
(h) Escenario 5
Figura 13. Cinco casos de daño propuestos.
37
Tabla 2. Diferencias entre frecuencias de los cinco escenarios de daño con respecto al
estado sano del modelo de la estructura.
Diferencia en frecuencia (%)

Modo Esc. 1 Esc. 2 Esc. 3 Esc. 4 Esc. 5
1 0.91 1.71 1.90 3.38 4.77
2 0.07 0.03 0.04 0.09 0.03
3 0.30 0.73 0.79 1.46 1.45
4 0.06 0.06 0.06 0.10 0.18
5 0.44 0.80 0.89 1.60 2.27
4. Simulación de escenarios de daño
4.1. Vectores de localización de daño
La codificación y evaluación de la Técnica de Vectores de Localización de Daño (DLV) se

realizó en MATLAB, basada en el primer ejemplo numérico aplicado por Bernal (2002), los
resultados obtenidos se presentan en el Anexo B.
Los cinco escenarios de daño propuestos se evaluaron con la técnica DLV, partiendo de
la condición que los elementos que tengan WSI<1 pertenecen al conjunto de elementos
potencialmente dañados. Debido a que la técnica detecta daños basada en el esfuerzo
característico del sistema y a que los escenarios de daño propuestos son en la armadura
del puente, la codificación de la técnica se enfoca en la identificación de daño en la
estructura de la armadura.
La implementación de la técnica DLV en el modelo del puente se realizó usando 44

grados de libertad, los cuales se muestran en la Figura 14, 22 en sentido X y 22 en
sentido Z, que corresponden al sentido transversal y vertical del puente peatonal
respectivamente.
38
Figura 14. Grados de libertad en el puente peatonal.
La armadura del puente está compuesta por 267 elementos; usando un umbral para WSI
igual a 1, se identificaron hasta 65 elementos potencialmente dañados en los cinco casos
propuestos (Tabla 3) en los que siempre estuvieron incluidos los elementos realmente
dañados (Anexo C). Debido a que este conjunto de elementos potencialmente dañados es
mayor al esperado, se decidió disminuir el umbral de 1 con el fin observar el
comportamiento del parámetro WSI para los elementos que realmente estaban dañados.
Tabla 3. Elementos identificados usando DLV con WSI<1.

No. de
Escenario
elementos
1 26
2 33
3 50
4 54
5 65
Tomando un umbral de 0.1 se logró identificar los elementos dañados en los primeros
cuatro escenarios, pero para el quinto escenario el límite se tuvo que aumentar hasta
0.11. El número de elementos potencialmente dañados y su correspondiente WSI se
muestran en la Tabla 4 para cada uno de los escenarios de daño.
39
Tabla 4. Elementos identificados usando DLV con menor umbral de WSI.
(*) Elementos realmente dañados.
Escenario No. 1 Escenario No. 2

No. Elementos 2 No. Elementos 3
Elemento WSI Elemento WSI

134* 0.005 134* 0.007
249 0.050 249* 0.015
109 0.077
Escenario No. 3 Escenario No. 4

No. Elementos 3 No. Elementos 4

134* 0.012 134* 0.016
273* 0.029 72* 0.016
249* 0.033 273* 0.050
249* 0.051
Escenario No. 5
No. Elementos 6
Elemento WSI
72* 0.035
134* 0.035
249* 0.066
273* 0.071
203 0.102
220* 0.105
En los diferentes casos de daño el índice WSI permite identificar los elementos dañados
con éxito y se observa que en tres escenarios se identifica solamente un elemento
adicional que no se encuentra dañado.
El índice WSI representa el peso promedio de los valores nsi, los cuales son la
normalización de los esfuerzos de los elementos de la estructura. Si para cualquier
combinación de carga dada se presentan elementos con esfuerzos pequeños, que al
normalizarlos con respecto a un esfuerzo significativamente grande resultan en valores
40
nsi muy pequeños reflejados en elementos con los índices WSI menores a 1, estos se
encontrarán dentro del conjunto de elementos potencialmente dañados por su condición
de esfuerzo en la estructura. El Anexo C muestra que para todos los escenarios existen
elementos que siempre se encuentran en el conjunto de elementos potencialmente
dañados debido a la baja carga que soportan en la estructura; también se evidencia que
el daño está concentrado en la parte central del puente.
4.2. Curvatura de formas modales
La codificación en MATLAB de la técnica de curvatura de modos y su evaluación, se

realizó con base en el ejemplo de la viga simplemente apoyada estudiada por Pandey,
Biswas y Samman (1991), los resultados se muestran en el Anexo D.
Debido a que la técnica basada en la curvatura de las formas modales identifica cambios
en los grados de libertad donde se tiene información, la detección del daño en el puente
por este método tiene la limitación de localizar solo el tramo donde se encuentran
elementos dañados y no la posición del elemento. La simulación inicialmente se realizó en
doce tramos del puente considerando 26 grados de libertad (GDL) (Figura 15); se obtuvo
información de dos GDL en cada nodo y se simularon los cinco escenarios de daño
propuestos.
Figura 15. Configuración 26 GDL para la simulación de daño usando la técnica basada en
curvatura de modos.
Debido a que se obtienen curvaturas en dos lados del puente y en dos grados de libertad,
es necesario tener en cuenta los cambios que se presentan en todas las curvaturas. Por
lo tanto, el vector de curvatura se normalizó con respecto al mayor valor y se multiplicaron
las diferencias.
41
(a) Escenario 1 (b) Escenario 2
(c) Escenario 3 (d) Escenario 4
(e) Escenario 5
casos de daño propuestos (simulación).
42
En la Figura 16 se observa que la técnica para los daños uno, cuatro y cinco identifica
grandes variaciones en la región del daño en los primeros modos, mientras que el daño
tres tiene mayor variación en la curvatura de la segunda y cuarta forma modal. En el
escenario dos los cambios en la curvatura no evidencian un daño significativo, ya que se
presentan variaciones con magnitud muy baja. Realizando la multiplicación de las
diferencias de los cinco modos de vibración se obtiene que para el primer escenario de
daño la identificación no es muy buena, pero cuando el daño es más severo se logra
identificar cambios significativos en el tramo central del puente, como se observa en la
Figura 17 para los otros cuatro escenarios.

cinco modos de vibración (simulación).
43
(e) Escenario 5
cinco modos de vibración (simulación) (continuación).
4.3. Redes Neuronales Artificiales
La codificación de la técnica para localización de daño con redes neuronales se realizó

usando el toolbox de Matlab Neural Network, que contiene las funciones básicas que
permiten crear, entrenar y evaluar redes neuronales. La técnica se codificó con base en el
ejemplo de la documentación de Matlab sobre Reconocimiento de Patrones (Demuth et
al., 1997).
El objetivo de la red neuronal es que, teniendo información de las aceleraciones en

diferentes coordenadas de la estructura (puente peatonal), se logre identificar cambios de
las respuestas en frecuencia que permitan identificar la región o el tramo donde se
presenta el daño. Para esto, teniendo un modelo de EF de la estructura sana, se simuló
una muestra de daños aleatorios que representaran posibles casos de daño, con el fin de
tener un conjunto de información para el entrenamiento de la técnica. También se
simularon 20 casos de daño aleatorios, los cuales posteriormente se usarían para validar
las dos redes neuronales desarrolladas (Anexo E). La identificación del daño se realizó en
los doce tramos que se muestran en la Figura 18.
44
Figura 18. Tramos del puente peatonal.
La primera red neuronal, que tiene como entrada la diferencia de los ceros de la función
de transferencia, se implementó para los cinco casos de daño propuestos. La Figura 19.a
muestra que para los cinco escenarios el tramo siete presenta elementos dañados, y en
los escenarios cuatro y cinco se evidencia, además, daño en el tramo seis; es decir, los
resultados muestran una buena aproximación en la identificación, excepto por el
escenario tres que también debería presentar daño en el tramo seis.
La segunda red neuronal tiene como entradas las diferencias entre los polos de la función
de transferencia; la Figura 19.b muestra los resultados de la evaluación para los cinco
escenarios de daño. Se observa que la identificación de daño es menos eficiente, ya que
a pesar de identificarse que el daño se concentra en el centro del puente, en todos los
casos se identifican daños en tramos diferentes a los que se indujo daño. Teniendo en
cuenta los resultados obtenidos se puede decir que la red neuronal entrenada con
diferencias en las amplitudes de los ceros es más eficiente en la localización del daño.
45
(a) RNA usando diferencia de ceros en la funcion de transferencia
(b) RNA usando diferencia de polos en la funcion de transferencia
Figura 19. Implementación de la redes neuronales.
46
4.4. Comparación de las técnicas propuestas
La Tabla 5 muestra la comparación entre las tres técnicas propuestas. La técnica

Vectores de localización de daño es la que identifica más elementos dañados que
realmente no lo están, aunque es importante aclarar que es la única técnica que identifica
daños en los elementos directamente. Para la técnica Curvatura de formas modales se
definió que cada tramo identificado como dañado hace referencia a la identificación de
doce elementos con daño, ya que no se puede discriminar exactamente cuál lo está; se
observa que en la medida en que aumentan los daños disminuye la incertidumbre.
Finalmente, para la técnica con la primera red neuronal propuesta se asumió que por
cada tramo identificado como dañado se refiere a seis elementos dañados; esta técnica
mostró un buen desempeño en la identificación del daño.
Tabla 5. Comparación de resultados entre técnicas propuestas (simulaciones).
Elementos
Elementos Elementos Elementos
identificados
dañados identificados identificados que
realmente
(Sección 3.4.) como dañados no están dañados
dañados
1 26 1 25
Vectores de
localización
2 33 2 31
3 50 3 47
4 54 4 50
5 65 5 60
1 24 1 23
Curvatura de
modales
2 24 2 22
formas
3 12 3 9
4 12 4 8
5 12 5 7
1 6 1 5
Neuronales
Artificiales
2 6 2 4
Redes
3 6 2 4
4 12 4 8
5 12 5 7
47
5. Validación experimental
El protocolo de identificación del puente peatonal descrito en la sección 3.1. se aplicó de

igual forma para los cinco escenarios de daño, con el fin de identificar los cambios en las
propiedades dinámicas del puente, con esta información se implementaron las técnicas de
detección daño de vectores de localización y curvatura de las formas modales.
5.1. Ensayos experimentales
Los ensayos experimentales para la identificación de los parámetros dinámicos de la

estructura fueron mediante vibración ambiental, la cual consiste en medir las
aceleraciones producidas por el tránsito cercano o propio de peatones, el flujo de viento y
micro sismos. El protocolo de ensayos para la identificación de puente consistió en el
registro de aceleraciones en 22 puntos de la estructura con duración de cinco minutos,
usando 14 configuraciones de sensores (Figura 20). Este protocolo también fue usado
para cada caso de daño propuesto, es decir que se realizaron en total 84 pruebas.
Figura 20. Ensayos experimentales.
5.2. Configuración de sensores
La distribución de sensores para la obtención de información se realizó en 22 puntos de la

estructura, sobre la pasarela del puente (Figura 21). El sensor triaxial se fijó para todos los
registros y los tres sensores uniaxiales se instalaron en diferentes puntos y sentidos,
dependiendo de la configuración de cada registro; se escogieron 22 puntos distribuidos
cada 1.0 m para que las mediciones fueran representativas de las vibraciones globales
del sistema. La Tabla 6 presenta la convención utilizada para los ensayos.
48
Tabla 6. Convenciones para ubicación y orientación de sensores.
Convenciones para sensores

Sensor triaxial
Sensor vertical (# = Canal)
Sensor horizontal (# = Canal)
Configuración 1
0.0 m 1.0 2.0 3.0 4.0 5.0 6.0 7.0 8.0 9.0 10.0 11.0 12.0 m
Eje A
5
Eje B
4 6
Configuración 2
0.0 m 1.0 2.0 3.0 4.0 5.0 6.0 7.0 8.0 9.0 10.0 11.0 12.0 m
Eje A
5
Eje B
6 4
Configuración 3
0.0 m 1.0 2.0 3.0 4.0 5.0 6.0 7.0 8.0 9.0 10.0 11.0 12.0 m
Eje A
5
Eje B
6 4
Configuración 4
0.0 m 1.0 2.0 3.0 4.0 5.0 6.0 7.0 8.0 9.0 10.0 11.0 12.0 m
Eje A
5
Eje B
6 4
Configuración 5
0.0 m 1.0 2.0 3.0 4.0 5.0 6.0 7.0 8.0 9.0 10.0 11.0 12.0 m
Eje A
5
Eje B
6 4
Configuración 6
0.0 m 1.0 2.0 3.0 4.0 5.0 6.0 7.0 8.0 9.0 10.0 11.0 12.0 m
Eje A
5
Eje B
6 4
Figura 21. Ubicación de sensores.
49
Configuración 7
0.0 m 1.0 2.0 3.0 4.0 5.0 6.0 7.0 8.0 9.0 10.0 11.0 12.0 m
Eje A
5
Eje B
6 4
Configuración 8
0.0 m 1.0 2.0 3.0 4.0 5.0 6.0 7.0 8.0 9.0 10.0 11.0 12.0 m
Eje A 4
5
Eje B
6
Configuración 9
0.0 m 1.0 2.0 3.0 4.0 5.0 6.0 7.0 8.0 9.0 10.0 11.0 12.0 m
Eje A 4
6 5
Eje B
Configuración 10
0.0 m 1.0 2.0 3.0 4.0 5.0 6.0 7.0 8.0 9.0 10.0 11.0 12.0 m
Eje A 4
6 5
Eje B
Configuración 11
0.0 m 1.0 2.0 3.0 4.0 5.0 6.0 7.0 8.0 9.0 10.0 11.0 12.0 m
Eje A 4
6 5
Eje B
Configuración 12
0.0 m 1.0 2.0 3.0 4.0 5.0 6.0 7.0 8.0 9.0 10.0 11.0 12.0 m
Eje A 4
6 5
Eje B
Configuración 13
0.0 m 1.0 2.0 3.0 4.0 5.0 6.0 7.0 8.0 9.0 10.0 11.0 12.0 m
Eje A 4
6 5
Eje B
Configuración 14
0.0 m 1.0 2.0 3.0 4.0 5.0 6.0 7.0 8.0 9.0 10.0 11.0 12.0 m
Eje A 4
6 5
Eje B
Figura 21. Ubicación de sensores (continuación).
50
5.3. Procesamiento de la información
El procesamiento de la información para la caracterización del puente inició con un

análisis de frecuencias usando la técnica de detección de picos; posteriormente se utilizó
SSI para verificación e identificación de las demás propiedades dinámicas del puente. La
información de cada canal fue modificada disminuyendo la tasa de muestreo de 100 a 60
datos por segundo, luego se aplicó la técnica de ventaneo (windowing) utilizando la
ventana de Hamming, en muestras de 4096 datos, superpuestos en 50% de su longitud.
Cada señal fue transformada al dominio de frecuencia mediante el algoritmo FFT y se
analizaron los espectros evaluando los picos para obtener las frecuencias de interés
(Anexo F).
El análisis usando SSI se realizó con el fin de obtener las formas modales y las razones
de amortiguamiento asociadas a las frecuencias de interés previamente identificadas en el
dominio de la frecuencia. En el uso de esta técnica, la información de cada canal fue
modificada disminuyendo la tasa de muestreo de 100 a 60 datos por segundo, luego
dividiendo la señal en 10 segmentos, obteniendo registros 30 segundos, con el fin de
seleccionar las frecuencias con el mayor número de repeticiones en cada análisis. Se
realizó este procedimiento para el estado sano de la estructura y los cinco escenarios de
daño.
5.4. Identificación modal para los cinco escenarios de daño
Aplicando el análisis de datos descrito se obtuvieron cinco frecuencias operacionales con

sus correspondientes formas modales y razones de amortiguamiento, las tablas 7 y 8
muestran los resultados obtenidos para las frecuencias (f) y razones de amortiguamiento
(ξ), junto con sus desviaciones estándar, fde y ξde, respectivamente; las formas modales se
presentan en el Anexo G.
Tabla 7. Frecuencias y desviaciones estandar para los cinco escenarios de daño.
Escenario 1 Escenario 2 Escenario 3 Escenario 4 Escenario 5

Modo
f (Hz) fde (Hz) f (Hz) fde (Hz) f (Hz) fde (Hz) f (Hz) fde (Hz) f (Hz) fde (Hz)
1 3.99 0.01 3.97 0.00 3.97 0.00 3.91 0.01 3.89 0.00
2 7.83 0.03 7.81 0.01 7.82 0.01 7.81 0.01 7.80 0.01
3 13.50 0.04 13.44 0.01 13.46 0.02 13.43 0.02 13.46 0.02
4 14.02 0.02 13.95 0.01 13.95 0.02 13.92 0.02 13.93 0.01
5 24.04 0.09 23.85 0.06 23.92 0.19 23.79 0.09 23.83 0.17
51
Tabla 8. Amortiguamiento y deviación estandar para los cinco escenarios de daño.
Escenario 1 Escenario 2 Escenario 3 Escenario 4 Escenario 5

Modo
ξ (%) ξde (%) ξ (%) ξde (%) ξ (%) ξde (%) ξ (%) ξde (%) ξ (%) ξde (%)
1 0.25 0.08 0.31 0.05 0.26 0.07 0.27 0.07 0.34 0.04
2 0.58 0.22 0.66 0.06 0.35 0.09 0.57 0.12 0.32 0.13
3 0.39 0.10 0.61 0.08 0.49 0.08 0.50 0.08 0.67 0.08
4 0.57 0.92 0.32 0.03 0.28 0.06 0.29 0.05 0.37 0.06
5 0.97 0.59 0.74 0.18 0.69 0.33 0.69 0.25 0.95 0.28
Los resultados para cada uno de los escenarios fueron comparados con el estado sano
de la estructura, con el fin de observar cambios en las propiedades dinámicas debido a la
presencia de daño. Las diferencias en frecuencia para los diferentes escenarios de daño
se presentan en la Tabla 9 y en la Figura.
Tabla 9. Diferencia en frecuencia con respecto al estado sano de la estructura.

Diferencia en frecuencia (%)
Modo Escenario 1 Escenario 2 Escenario 3 Escenario 4 Escenario 5
1 0.77 1.09 1.18 2.64 3.17
2 0.26 0.54 0.42 0.49 0.66
3 0.09 0.52 0.39 0.60 0.41
4 0.03 0.53 0.56 0.76 0.67
5 0.20 0.58 0.28 0.84 0.66
(a) Modo 1 (b) Modo 2
Figura 22. Comparación de frecuencias experimentales entre escenarios de daño.
52
(c) Modo 3 (d) Modo 4
(e) Modo 5
Figura 22. Comparación de frecuencias experimentales entre escenarios de daño

(continuación).
La Figura 22 presenta los cambios en frecuencias para el estado sano de la estructura y

los cinco escenarios de daño; la línea roja representa el valor de la frecuencia en la
posición central (mediana); la parte inferior de la caja muestra el valor mayor que el 25%
de los valores de la distribución y la parte superior representa el valor que sobrepasa el
75% de estos valores. Los bigotes del diagrama corresponden a los valores mínimos y
máximos de la distribución y los valores atípicos se muestran en rojo con un signo más
(+). El diagrama muestra que los cambios estructurales realizados inducen mayores
variaciones en el primer modo.
La comparación de los modos de vibración se realizó con el Criterio de Aseguramiento

Modal (MAC) (Pastor et al., 2012), que expresa el grado de coherencia entre formas
modales y está basado en el análisis de regresión lineal empleando mínimos cuadrados.
El MAC se limita entre 0 y 1, donde 1 indica formas modales totalmente consistentes y 0
53
indica que los modos son diferentes. La Figura 23 muestra la correlación entre el
escenario de daño 1 y el estado sano de la estructura y el Anexo H presenta los valores
de correlación para todos casos de daño, se evidencia que el mínimo valor en la diagonal
de para todos los casos es de 0.98 y el máximo valor por fuera de la diagonal es de 0.05,
es decir, que los cambios en las formas modales no son significativos y que las
modificaciones realizadas al puente peatonal tienen mayor influencia en las frecuencias
operacionales.
Figura 23. MAC entre el escenario de daño 1 y la estructura sana.
5.5. Evaluación experimental de la técnica DLV
Utilizando la información de las propiedades dinámicas de la estructura se procedió a

evaluar la técnica de vectores de localización para todos los escenarios de daño. En los
cinco casos se identificaron 23 o 24 elementos potencialmente dañados entre los cuales
no estaban los elementos a los que se les indujo daño. El Anexo I muestra el listado de
elementos que pertenecen al conjunto potencialmente dañado y su correspondiente valor
WSI; se observa que estos elementos son iguales para los cinco casos de daño y, de
acuerdo con los resultados obtenidos en las simulaciones, se puede decir que estos
elementos son detectados como dañados porque los esfuerzos que soportan en la
estructura son pequeños. La Tabla 10 muestra el valor obtenido del índice WSI para los
elementos en los que se indujo el daño; en los cinco casos este índice es mucho mayor a
uno.
54
Tabla 10. Indice WSI para los elementos realmente dañados.
Escenario 1 Escenario 2 Escenario 3

Elemento WSI Elemento WSI Elemento WSI
134 12.651 134 10.289 134 12.273
249 8.149 249 9.396
273 9.455
Escenario 4 Escenario 5
134 10.281 134 10.829
249 8.584 249 7.778
273 8.001 273 9.379
72 10.305 72 12.076
220 3.259
Los resultados obtenidos en la aplicación de la técnica de vectores de localización no son

satisfactorios. La diferencia que se presenta en la implementación de la técnica en las
simulaciones y los experimentos es la obtención de la matriz de flexibilidad, pues
numéricamente se puede obtener esta matriz aplicando fuerzas unitarias en cada uno de
los grados de libertad y calcular los desplazamientos. Experimentalmente se propuso
obtener una matriz de flexibilidad proporcional a partir de los modos y las frecuencias;
pero es posible que este método no sea el más adecuado para tener una buena
aproximación de esta matriz.
5.6. Evaluación experimental de la técnica de curvatura de modos
Debido a que los resultados obtenidos por la técnica DLV no fueron satisfactorios, se
evaluó el método de la curvatura de formas modales de forma experimental. La Figura 24
muestra los cambios en la curvatura para los cinco modos en todos los escenarios de
daño. En el primer escenario el cambio más representativo se da en el modo uno pero no
es muy definido ya que presenta dos picos, uno en el tramo central donde se presenta el
daño y uno en el tramo siguiente. En el escenario dos se evidencia un cambio importante
en los modos dos y cinco, que coincide con el tramo donde se indujo daño. En los
siguientes dos escenarios los cambios significativos se presentan en los modos dos y
cuatro en el tramo donde se indujo el daño. Finalmente, en el caso de daño cinco se
evidencia un cambio en el modo cuatro que coincide con el tramo donde se presentan los
daños.
55
(e) Escenario 5
casos de daño propuestos (experimental).
56
Adicionalmente, se multiplicaron las diferencias en la curvatura para combinar los cinco
modos de vibración como se muestra en la Figura 25; los resultados evidencian que la
detección del daño para los escenarios cuatro y cinco es exitosa, mientras que para los
otros escenarios no es muy clara; por lo anterior, la técnica es más efectiva en la medida
en que se incremente la severidad del daño en una zona del puente.
cinco modos de vibración (experimental).
57
(e) Escenario 5
cinco modos de vibración (experimental) (continuación).
58
6. Conclusiones
La técnica de vectores de localización de daño muestra en las simulaciones que puede

tener un alcance importante en la detección de daño, ya que permite obtener información
de todos los elementos que componen la estructura con mediciones reducidas. Por esta
razón, es necesario profundizar en otros métodos que permitan obtener la matriz de
flexibilidad de la estructura a partir de los parámetros dinámicos, ya que el método no
mostró una buena aproximación para la identificación del daño en los experimentales.
La implementación del método basado en los cambios de curvatura de las formas

modales demostró ser una técnica sencilla y rápida para la estimación de daño en la
estructura, aunque solo permite identificar la zona donde se presenta el daño. Cabe
resaltar que la técnica no requiere de modelos analíticos ni de alto costo procesamiento
para su uso. Además, se evidencia que cuando la severidad del daño en una zona
aumenta, la eficiencia de la técnica también; de igual forma, se muestra que es una buena
aproximación en identificación de fallas en estructuras.
Las redes neuronales artificiales son una metodología versátil, ya que pueden ser
aplicadas en diversos campos de la ingeniería. La implementación en simulaciones en el
puente peatonal mostró resultados satisfactorios para la localización de daño. La
desventaja que presenta esta técnica es debido a que la construcción y entrenamiento de
la red se realiza con base en un modelo de la estructura, por lo tanto, si se desea aplicar
esta metodología a otra estructura, es necesario rediseñar la red y entrenarla nuevamente
con los nuevos parámetros.
La distribución de sensores para la implementación de cualquiera de las técnicas de

detección es muy importante debido a que la eficacia de la localización del daño depende
de la observabilidad de la estructura. Los resultados obtenidos en esta investigación
proveen puntos de comparación para trabajos futuros en el monitoreo de salud
estructural, además, se propone continuar con la mejoría de las técnicas para que la
identificación de daño sea más precisa y pueda ser aplicada en todo tipo de estructuras.
59
7. Recomendaciones
El estudio de metodologías para la obtención de la matriz de flexibilidad permitirá la

aplicación exitosa de la técnica de vectores de localización, la cual muestra ser eficiente
en la identificación de daño en estructuras complejas. Además, la definición previa de un
protocolo de ensayos y una configuración de sensores con la que se obtenga información
significativa de toda la estructura, son factores importantes para tener una identificación
exitosa del daño. Finalmente, la implementación de las técnicas en otro tipo de
estructuras servirá para comparar resultados y permitirá evidenciar más ventajas o
desventajas de las mismas; es posible que las metodologías presenten mayor o menor
eficiencia debido a la complejidad de la estructura.
60
8. Referencias
Amézquita, J. P., Domínguez, A. & Osornio, R., 2012. Monitoreo de vibraciones en tiempo
real para detectar daños en estructuras. Universidad Autónoma de Querétaro.
Bernal, D., 2002. Load Vectors for Damage Localization. Journal of Engineering
Mechanics, 128(1), pp. 7-14.
Bernal, D. & Gunes, B., 2002. Damage localization in output-only systems: a flexibility
based approach. Of the International Modal Analysis Conference (IMAC) XX , pp. 1185-
1191.
Carden, E. P. & Fanning, P., 2004. Vibration Based Condition Monitoring: A Review.
Structural health monitoring, 3(4), pp. 355-377.
Carrión, F. J. & Lozano, A., 2001. Evaluación y detección de daño en estructuras
utilizando un método inverso por sub-dominios. Sanfandila.
Carroll, S. P., Owen, J. S. & Hussein, M. F. M., 2013. A coupled biomechanical/discrete
element crowd model of crowd–bridge dynamic interaction and application to the Clifton
Suspension Bridge. Engineering Structures, Volumen 49, pp. 58-75.
Demuth, H., Beale, M. & Hagan, M., 1997. MATLAB: Neural Network Toolbox: User's
Guide. Math Works.
Diaz, E. E. M., 2002. Estudio de las causas del colapso de algunos puentes en Colombia.
Ingeniería y Universidad, 6(1), pp. 33-48.
Hermans, L. & Van der Auweraer, H., 1999. Modal testing and analysis of structures under
operational conditions: industrial applications. Mech. Syst. Signal Process, 13(2), pp. 193-
216.
Jiang, X. & Adeli, H., 2007. Pseudospectra MUSIC, and dynamic wavelet neural network
for damage detection of highrise buildings. International Journal for Numerical Methods in
Engineering, 71(5), pp. 606-629.
Jiménez, L., Cruz, A. & Marulanda, J., 2012. Desarrollo e implementación de un sistema
de monitoreo estructural en tiempo real para un edificio en escala real. Jornadas
Argentinas de Ingeniería Estructural.
Lazcano, A. R., Estrada, R. S., Castro, S. A. & Martínez, F. M., 2011. Evaluación de
Métodos de Detección de Daños en Estructuras Mediante el Uso de Vibraciones. In XVIII
Congreso de Ingeniería Sísmica, Aguas Calientes.
Lifshitz, J. M. & Rotem, A., 1969. Determination of reinforcement unbonding of composites
by a vibration technique. Journal of Composite Materials, 3(3), pp. 412-423.
Lima, H. F., Da Silva, V. & Nogueira, R. N., 2008. Structural health monitoring of the
church of Santa Casa da Misericórdia of Aveiro using FBG sensors. IEEE Sensors
Journal, 8(7), pp. 1236-1242.
Mahu, J. A., Meruane, V., Zagal, J. & Salamanca, E., 2012. Detección de daños en una
viga simple mediante antiresonancia y redes neuronales. Universidad de Chile.
61
Marulanda, J., Marulanda Arbeláez, J. & Thomson, P., 2000. Monitoreo de salud
estructural. Revista Ingeniería y Competitividad, 2(2), pp. 40-46.
Muñoz, E. y otros, 2006. Confiabilidad estructural apoyada en monitoreo e
instrumentación: aplicación en un puente en acero. Ingeniería de Construcción, 21(2), pp.
43-56.
Ortiz, A. R., Marulanda, J. & Thomson, P., 2007. Caracterización del comportamiento
dinámico de la tribuna occidental del estadio Pascual Guerrero durante un concierto
musical. Ingeniería y Competitividad, 9(2), pp. 49-58.
Pandey, A. K., Biswas, M. & Samman, M. M., 1991. Damage detection from changes in
curvature mode shapes. Journal of sound and vibration, 145(2), pp. 321-332.
Pastor, M., Binda, M. & Harčarik, T., 2012. Modal Assurance Criterion. Procedia
Engineering, Volumen 48, pp. 543-548.
Quintana, J. A., Carrión, F. J. & Samayoa, D., 2009. Análisis del método de búsqueda
global para la detección de daño y monitoreo estructural de puentes. Instituto Politécnico
Nacional.
Romero, P., Marulanda, J. & Thomson, P., 2015. Identificación y localización de daño
mediante un sistema de monitoreo del comportamiento dinámico de una estructura.
Universidad del Valle.
Rytter, A., 1993. Vibrational based inspection of civil engineering structures. PhD Thesis
Aalborg University Denmark.
Santos, J., Crémona, C., Silveira, P. & Calado, L., 2016. Real-time damage detection
based on pattern recognition. Structural Concrete, 17(3), pp. 338-354.
Van Overschee, P. & De Moor, B., 2011. Subspace Identification for Linear Systems:
Theory - Implementation - Applications. Softcover reprint of the original 1st ed. 1996
edition. Boston,MA: Springer.
62
9. Anexos
Anexo A. Planos del puente peatonal
Anexo B. Codificación de la técnica de vectores de localización de daño
Anexo C. Conjunto de elementos potencialmente dañados para DLV (simulaciones)
Anexo D. Codificación de la técnica de curvatura de formas modales
Anexo E. Codificación de la técnica usando redes neuronales
Anexo F. Espectros de densidad de potencia (PSD)
Anexo G. Formas modales experimentales
Anexo H. Matrices MAC entre el estado sano y los cinco escenarios de daño
Anexo I. Valores WSI del conjunto de elementos potencialmente dañados de la

evaluación experimental de DLV
63

Identificación de Daño

Diunggah oleh

Informasi Dokumen

Deskripsi Asli:

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Identificación de Daño

Diunggah oleh

Hak Cipta:

Format Tersedia

DIAGNÓSTICO DE SALUD ESTRUCTURAL DE UN PUENTE PEATONAL MEDIANTE

EL ANÁLISIS DE SU COMPORTAMIENTO DINÁMICO

ANGÉLICA MARÍA PANESSO LIBREROS

Trabajo de grado presentado al programa académico

de Ingeniería Civil de la Universidad del Valle

UNIVERSIDAD DEL VALLE

ANGÉLICA MARÍA PANESSO LIBREROS

UNIVERSIDAD DEL VALLE

A los profesores Johannio Marulanda y Peter

Agradezco especialmente a Sebastián

A los estudiantes del curso de análisis modal:

Finalmente, a los integrantes del grupo de

1.1. Descripción ........................................................................................................ 12

1.2. Formulación ....................................................................................................... 13

1.3. Objetivos ........................................................................................................... 13

1.3.1. Objetivo General......................................................................................... 13

1.3.2. Objetivos Específicos ................................................................................. 13

1.4. Justificación ....................................................................................................... 14

2. Marco de Referencia ................................................................................................ 16

2.1. Antecedentes y Estado del Arte ......................................................................... 16

2.2. Marco teórico ..................................................................................................... 22

2.2.1. Técnica de detección de picos para la identificación modal ........................ 22

2.2.2. Identificación del Sub-espacio Estocástico (SSI) ........................................ 23

2.2.3. Vectores de localización de daño ............................................................... 23

2.2.3.1. Matriz de flexibilidad proporcional ........................................................... 25

2.2.4. Curvatura de formas modales ..................................................................... 28

2.2.5. Redes Neuronales Artificiales ..................................................................... 28

3. Puente peatonal de referencia .................................................................................. 31

3.1. Referente empírico ............................................................................................ 31

3.2. Modelo numérico ............................................................................................... 34

3.3. Ajuste del Modelo .............................................................................................. 35

3.4. Simulación de escenarios de daño .................................................................... 36

4. Simulación de escenarios de daño ........................................................................... 38

4.1. Vectores de localización de daño ...................................................................... 38

4.3. Redes Neuronales Artificiales ............................................................................ 44

4.4. Comparación de las técnicas ............................................................................. 47

5. Validación experimental ............................................................................................ 48

5.1. Ensayos experimentales .................................................................................... 48

5.2. Configuración de sensores ................................................................................ 48

5.3. Procesamiento de la información ....................................................................... 51

5.4. Identificación modal para los cinco escenarios de daño .................................... 51

5.5. Evaluación experimental de la técnica DLV ....................................................... 54

5.6. Evaluación experimental de la técnica de curvatura de modos .......................... 55

Figura 1. Principales Causas de Colapsos de Puentes en Colombia (Diaz, 2002). .......... 15

Figura 2. Puente en el Cantón Militar del Norte de Bogotá (www.semana.com). ............. 15

Figura 3. (Marulanda et al., 2000). ................................................................................... 18

Figura 5. Estructura Tipo Truss (Amézquita et al., 2012). ................................................ 21

Figura 8. Red neuronal de múltiples capas (Modificado de Demuth, 1997). ..................... 30

Figura 9. Puente peatonal del Grupo de investigación G-7. ............................................. 32

Figura 10. Sistema de Adquisición. .................................................................................. 33

Figura 11. Modos de vibración experimentales. ............................................................... 33

Figura 12. Modelo del puente peatonal sin daño.............................................................. 35

Figura 13. Cinco casos de daño propuestos. ................................................................... 37

Figura 14. Grados de libertad en el puente peatonal........................................................ 39

Figura 18. Tramos del puente peatonal............................................................................ 45

Figura 19. Implementación de la redes neuronales. ......................................................... 46

Figura 20. Ensayos experimentales. ................................................................................ 48

Figura 21. Ubicación de sensores. ................................................................................... 49

Figura 22. Comparación de frecuencias experimentales entre escenarios de daño. ........ 52

Figura B.2. Índices WSI de la estructura.

Figura E.2. Evaluación de las Redes Neuronales.

Tabla 1. Resultados del ajuste del modelo....................................................................... 36