- TRABAJO DE GRADO –
- TRABAJO DE GRADO –
DIRECTORES:
JOHANNIO MARULANDA CASAS, Ph.D
PETER THOMSON, Ph.D
_____________________________________
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.
Resumen ......................................................................................................................... 10
Introducción ..................................................................................................................... 11
1. Problema .................................................................................................................. 12
6. Conclusiones ............................................................................................................ 59
7. Recomendaciones .................................................................................................... 60
8. Referencias .............................................................................................................. 61
9. Anexos ..................................................................................................................... 63
Lista de Figuras
Figura 4. Estructura implementada con sensores (Carrión & Lozano, 2001). ................... 20
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 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 24. Diferencia absoluta entre las curvaturas de las formas modales para los cinco
casos de daño propuestos (experimental). ...................................................................... 56
Figura 25. Diferencia absoluta entre las curvaturas de las formas modales combinando los
cinco modos de vibración (experimental). ........................................................................ 57
Anexo B
Figura B.1. Ejemplo numérico DLV (Modificado de Bernal, 2002).
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.
Tabla 2. Diferencias entre frecuencias de los cinco escenarios de daño con respecto al
estado sano del modelo de la estructura.......................................................................... 38
Tabla 4. Elementos identificados usando DLV con menor umbral de WSI. ...................... 40
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
Anexo B
Tabla B.1. Comparación de periodos de la estructura pre y post daño.
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.
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.
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.
1.2. Formulación
1.3. Objetivos
13
1.4. Justificación
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.
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
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.
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.
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).
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.
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).
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.
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):
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).
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.
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.
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).
𝑠𝑗 𝑐𝑗2 Ec. 3
𝑠𝑣𝑛𝑗 = √
𝑠𝑞 𝑐𝑞2
24
donde:
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).
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.
𝑁
1
𝐹=∑ 𝜑̅𝑖 𝜑̅𝑖𝑇 Ec. 7
̅𝑖2
𝜔
𝑖=1
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.
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
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 .
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
𝑁
1
𝐹𝑃 = ∑ 𝜑𝑖 𝜑𝑖𝑇 Ec. 20
̅𝑖2
𝛾𝑖 𝜔
𝑖=1
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.
′′
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:
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).
𝑛 = ∑(𝑤𝑖 𝑝𝑖 + 𝑏𝑗 ) Ec. 24
𝑖=1
29
(a) Hard-Limit (b) Linear (c) Log-Sigmoid
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).
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).
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).
32
(a) Acelerómetro triaxial (b) Acelerómetros uniaxiales
(a) (b)
Figura 11. Modos de vibración experimentales.
33
(c) (d)
(e)
34
Figura 12. Modelo del puente peatonal sin daño.
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.
36
(a) Estructura Sin daño
(h) Escenario 5
37
Tabla 2. Diferencias entre frecuencias de los cinco escenarios de daño con respecto al
estado sano del modelo de la estructura.
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.
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.
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. 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.
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
(e) Escenario 5
Figura 16. Diferencia absoluta entre las curvaturas de las formas modales para los cinco
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.
43
(e) Escenario 5
Figura 17. Diferencia absoluta entre las curvaturas de las formas modales combinando los
cinco modos de vibración (simulación) (continuación).
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
46
4.4. Comparación de las técnicas propuestas
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
48
Tabla 6. Convenciones para ubicación y orientación de sensores.
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
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
50
5.3. Procesamiento de la información
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.
51
Tabla 8. Amortiguamiento y deviación estandar para los cinco escenarios de daño.
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.
52
(c) Modo 3 (d) Modo 4
(e) Modo 5
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.
54
Tabla 10. Indice WSI para los elementos realmente dañados.
Escenario 4 Escenario 5
Elemento WSI Elemento WSI
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
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
(a) Escenario 1 (b) Escenario 2
(e) Escenario 5
Figura 24. Diferencia absoluta entre las curvaturas de las formas modales para los cinco
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.
Figura 25. Diferencia absoluta entre las curvaturas de las formas modales combinando los
cinco modos de vibración (experimental).
57
(e) Escenario 5
Figura 25. Diferencia absoluta entre las curvaturas de las formas modales combinando los
cinco modos de vibración (experimental) (continuación).
58
6. Conclusiones
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.
59
7. Recomendaciones
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 H. Matrices MAC entre el estado sano y los cinco escenarios de daño
63