Inteligencia Artificial aplicada a las Estructuras (otras bestias Parte II)

En la primera parte de este Post expliqué un poco por encima como funcionan las Redes Neuronales (podéis leer la primera parte del post pinchando aquí).

Ahora os enseñaré un ejemplo de cómo su uso puede servir para predecir daños en los puentes. 

Los puentes, como todas las estructuras, aunque diseñadas para que sean longevas, suelen vivir en entornos agresivos que afectan a su integridad estructural. La predicción de la vida útil de un puente esta lejos de ser un problema sencillo debido a los muchos cambios internos de la propia estructura como también a causas externas a menudo inciertas. En mucho casos, la intensidad y el tipo de parámetros (por ejemplo, la carga, condiciones ambientales, etc) son en su mayoría desconocidas en su naturaleza y magnitud y son muy diferentes de los que suelen tener en cuenta durante el diseño, esto unido a las incertidumbres sobre la correcta construcción de la estructura generan un problema difícil de resolver.

Tradicionalmente, se ha supuesto que las inspecciones visuales rutinarias determinarían deterioro o daño con suficiente antelación para permitir las actuaciones o reparaciones necesarias a realizar. Pero en ocasiones, como el caso del puente de Minneapolis del que os hablaba en la primera parte del post, no es suficiente.

En este caso podemos utilizar las Redes Neuronales para obtener resultados inmediatos sobre la salud de una estructura.

 ¿Cómo? Voy a poneros un ejemplo de mi cosecha para explicároslo:

Vamos a pensar en un puente sencillo simétrico con dos vanos de 30 m de longitud cada uno, estribos con una altura de 5m y una pila central de 16 m de altura.

 

La sección transversal del tablero la equiparamos a una sección rectangular de 11 m de ancho (2 carriles de 3,5 m de ancho cada uno, dos arcenes de 1 m y un espacio de 0,5m por cada imposta) por 1,80 m de canto. Los estribos los equiparamos a secciones rectangulares de 11 m de ancho por 1 m de canto mientras que la pila central se define mediante una sección rectangular de 3 m de ancho por 1 m de canto. La pila y los estribos se consideran empotrados en su base.

Creamos entonces un modelo 3D con esta geometría en un programa que me ofrezca el calculo modal de la estructura (por ejemplo el programa SAP2000). Este modelo lo he creado con 40 barras (4 barras para cada estribo, 12 barras para cada vano y 8 barras para la pila central).

 

Como veis, un modelo sencilloto. Sobre dicho modelo se definen las características de las secciones de las barras así como el material de cada barra, en este caso de hormigón armado con las siguientes características:

  • Densidad: 25 KN/m³
  • Módulo elástico: 27000000KN/m²
  • Módulo de Poisson: 0,2

Una vez tenido dicho modelo en el programa informático, calculo las frecuencias fundamentales de sus primeros 5 modos.

 

Estas frecuencias son las que tiene la estructura teórica en ausencia de daño estructural.

Ahora vamos a utilizar una Red Neuronal para estimar en esta estructura donde se produce un daño y en que magnitud. Este defecto o daño puede ser debido a una grieta producida por una colisión, por ejemplo, o por una defectuosa partida de hormigón…etc. Para simular el daño en nuestro modelo vamos a idealizarlo como una disminución del módulo de Young de una sección. Con el fin de simplificar la red neuronal, vamos a simplificar las 40 barras del modelo en los 10 segmentos siguientes: 

  •  E1: segmento que modeliza el estribo 1 del puente.
  • V1a: segmento que modeliza el primer tercio del vano 1.
  • V1b: segmento que modeliza el tercio central del vano 1.
  • V1c: segmento que modeliza el tercer tercio del vano 1.
  • Pa: segmento que modeliza la primera mitad de la pila central.
  • Pb: segmento que modeliza la segunda mitad de la pila central.
  • V2a: segmento que modeliza el primer tercio del vano 2.
  • V2b: segmento que modeliza el tercio central del vano 2.
  • V2c: segmento que modeliza el tercer tercio del vano 2.

La idea es que a partir de las frecuencias propias de vibración de la estructura, la Red Neuronal nos diga no solo en que segmento esta el daño (E1, V1a, V1b…) si no también como de importante es ese daño (en este caso, que valor tiene el módulo de Young). Como os podéis figurar, hacer el problema inverso para que desde las frecuencias obtenidas se puedan deducir donde está el daño en la estructura y en qué magnitud es un problema muy complejo. De hecho, es inviable si lo que queremos es inmediatez para ir a la estructura lo antes posible para repararla.

Vamos a crear una Red con una capa de entrada con 5 neuronas, una capa oculta de 19 neuronas y una capa de salida con 10 neuronas. Cada neurona de la capa de entrada cogerá el valor de una de las 5 primeras frecuencias de los modos fundamentales de vibración de la estructura, y cada una de las 10 neuronas de la capa de salida ofrecerá el porcentaje en tanto por uno del daño (porcentaje del módulo de Young respecto al valor sin daño) en cada segmento del puente (en E1, V1A, V1B, V1C, PA, PB, V2A, V2B, V2C y E2).

Y para que la Red Neural funcione, primero tiene que aprender y para eso hay que ofrecerle ejemplos para que entrene, es decir, frecuencias de los modos de la estructura cuando ocurre algún daño en ella.

Para el entrenamiento de la red neuronal, he realizado 65 situaciones de daño y calculado sus frecuencias de los primeros modos fundamentales.

 Para la creación de la Red Neuronal podemos utilizar muchos programas comerciales. Yo suelo usar el Matlab que tiene un módulo entero de Redes Neuronales, pero para este ejemplo vamos a usar un programa comercial gratuito que os recomendé en la primera parte del post y que es muy didáctico, el EasyNN Plus V10.0g de Neural Planner Software Ltd (podéis ir a la primera parte del post pinchando aquí y buscar el enlace para descargároslo). En dicha aplicación informática se ha entrenado la Red Neuronal con los 65 ejemplos anteriores.

Para que os hagáis una idea, en mi ordenador (un portátil normalito) en tan solo 120 segundos se ha entrenado la Red Neuronal obteniendo un error máximo relativo de 0,03916 y un error relativo promedio de 0,005584.

 

Y una vez que la Red Neuronal se ha entrenado, vamos a probar los resultados que ofrece si le damos como entrada tres casos nuevos (estos tres ejemplos nuevos, obviamente, no están en la lista de los 65 casos con los que se entrenó la red).

Pensemos que tenemos tres casos de daño diferentes en una parte de la estructura (tres para que veáis la potencia que tiene todo esto). De esta manera voy a proponer los siguientes tres casos:

 

Es decir, se tiene un primer escenario donde se tiene un daño en el centro del vano 1 que disminuye el módulo elástico a su tercera parte. Un segundo escenario donde se tienen dos daños, uno al principio del vano 1, con la reducción del módulo de elasticidad a la tercera parte, y otro daño en la parte superior de la pila, con una disminución del 30% en el módulo de elasticidad.

 Las frecuencias obtenidas del modelo realizado en SAP2000 de los primeros cinco modos principales de la estructura en los distintos escenarios son:

Ahora le damos estas frecuencias como datos a la Red Neuronal y veamos que nos indica esta. Para ver los resultados he elaborado estas gráficas:

 

Como veis, no esta nada mal. Pensemos que la Red Neuronal ha aprendido en 120 segundos y con 65 ejemplos lo que con el problema inverso hubiéramos tardado sin duda mucho más (si es que éramos capaces de resolverlo, claro).

Todo esto que os he explicado se utiliza en la actualidad para el mantenimiento de estructuras singulares. En la practica  lo que se hace es disponer de acelerómetros permanentes en diversas partes de los puentes y en base de las vibraciones obtenidas por las acciones que soporta (tráfico rodado por ejemplo) obtener las frecuencias fundamentales de la estructura. Después, en un ordenador de la sede de mantenimiento de la estructura, una simple Red Neuronal entrenada con muchos más casos que nuestra Red de ejemplo, informa inmediatamente y en tiempo real si se ha producido un daño en la estructura, en que magnitud y lo mas importante, por donde se ha producido. Así, el equipo de mantenimiento esta informado permanentemente de la salud estructural y gestionar el manteniendo es mucho sencillo, barato y sobretodo eficaz.

El nuevo puente de Minneapolis que sustituye al I-35W fue levantado en tan solo 11 meses y cuenta con las más modernas herramientas para la gestión de la salud estructural en tiempo real, entre ellas, monitorización mediante Redes Neuronales.

Nuevo puente I-35W de Minneapolis


¿Quieres ser el primero en leer nuestros artículos?

Déjanos tu nombre y un email válido, y nosotros te avisaremos cuando hayan novedades en Estructurando

Flecha-roja

The following two tabs change content below.

José Antonio Agudelo Zapata

Ing. Caminos, Canales y Puertos y Máster de Estructuras por la Universidad de Granada. Cofundador y responsable de Estructurando.net

18 Responses to Inteligencia Artificial aplicada a las Estructuras (otras bestias Parte II)

  1. Miquel LLorens dice:

    me gusta este post.
    El daño que simulas a través de modificar el módulo de Young es muy notable. Lo difícil es deteriminar el estado del puente cuando la degradación es menor, las secciones son más complejas o están constituidas por materiales heterogéneos, cuando el amortiguamiento (estructural, en las uniones, o debido a las condiciones de contorno, etc) afecta a las frecuencias medidas, etc.
    Pero en cualquier caso, este es el futuro. Me ha encantado.
    Por cierto: ¿Sabes algún libro especificamente dedicado a aplicaciones de redes neuronales a ingeniería?

    • Hola Miquel. Existen muchos libros que hablan de redes neuronales. Si lo pones en Amazon o en google book seguro que te salen unos cuantos. Casi todos estos libros ponen ejemplos de uso apliacados a muchas ramas de la ciencia, desde el reconocimiento de patrones hasta la medicina pasando por la economía. Quizás encuentres algún libro donde haya ejemplos aplicados a la ingeniería estructural pero creo que lo mejor es buscar en alguna revista digital de estructuras con la palabra clave “Redes Neuronales” o “Neural Networks” y te saldran seguro bastantes artículos donde investigadores usan las redes para temas de estructuras.
      Creo que te costará menos encontrar artículos que libros.
      Un saludo¡¡

  2. william dice:

    Excelente material, me gustó mucho. Por cierto: ¿Sabes cuales países actualmente se encuentran aplicando estas redes neuronales para el desarrollo de obras civiles?

    • Buenas William,
      Realmente el uso de inteligencia artificial para las estructuras esta muy extendido. Me atrevería que la mayoría de las universidades de ingeniería civil de cualquier pais tiene estos conceptos presentes en sus planes de doctorado.
      Como digo, es bastante común. Parece sorprendente pero es así.
      Un saludo

  3. Ángeles Hernández dice:

    Este artículo me ha encantado, además hace ya bastante tiempo intenté crear una aplicación de las redes neuronales al cálculo estructural para mi proyecto final de carrera Itop, fue demasiado ambicioso para realizarlo por mi cuenta y mi formación justita. Ahora acabando ingeniería de caminos considero que podría volver a intentar este reto!

    • Hola Ángeles,
      Me alegro que te haya gustado el post. Desde aquí no solo te animamos a que cumplas tu reto si no que también nos lo cuentes. Quizás podrías escribirnos un post contando tu proyecto y sus resultados!
      Un saludo!

  4. E. Derek A. Quinto Chlaiwit dice:

    Hola buenas noches; soy reciente en el grupo; a mi me gustan las redes neuronales artificiales. Las conocí de la mano de antiguo tutor Dr. William Lobo Q. (qepd) para mi Trabajo de Maestría próximo a defender en 1 mes. Trabajé en una nueva metodología de evaluación de puentes en base a confiabilidad estructural y RNA, utilizando MATLAB para programarlas, no fue nada sencillo pero es un primer paso para tratar un problema tan complicado y obtener la vulnerabilidad global del puente. Esta herramienta es muy interesante y bastante poderosa; al igual que Uds. creo que las nuevas gerencias de mantenimiento de puentes deben considerar RNA en sus evaluaciones y tengo entendido que la ultima versión de la AASHTO para puentes considera RNA. Me gustaría en los próximos meses dar a conocer mi trabajo por esta vía. Saludos Cordiales, desde Venezuela.

  5. Fabian Santos dice:

    Que buen post, mira que estoy realizando mi tesis en este campo y quisiera saber si tienes algun articulo publicado sobre el tema, para poder incluirlo como referencia en mi tesis y ver los resultados que has obtenido mas a fondo.

  6. RJE dice:

    Buenos días,

    el post me parece más que interesante. Muy buen contenido y muy bien explicado. Felicidades.

    Peloteo a parte, tengo una duda, igual es tontería. Qué pasaría si el puente está sano pero saturado de tráfico? sus frecuencias naturales varían, pero no hay fallo.
    Entiendo que se podría añadir este parámetro también a la red neuronal, no?

    Por otro lado, me interesa mucho el comentario de Miquel Llorens. Sabes de alguna investigación, tesis, etc que trate este tema para fallos incipientes?

    Gracias y saludos

    • Hola RJE
      Gracias por comentar.Me alegra que te haya gustado el post.
      Sobre tu duda solo comentarte que aunque el puente esté saturado de tráfico este no cambia sus frecuencias. Una estructura cambia sus frecuencias si hay cambio en su geometría (rotura) o en las propiedades mecánicas de sus materiales. Que esté saturado de trafico, por tanto, no afectaría.
      En cuanto al tema de tesis, estoy hablando con Miquel para que nos escriba y nos cuente su experiencia en un post. A ver si se anima. Y a ver si nos manda su tesis.
      Un saludo.

      • RJE dice:

        Buenas de nuevo.
        solo un apunte, cambios en la masa produce cambios en las frecuencias naturales, o eso es lo que se lee de la ecuación de movimiento. Otra cosa es que fuera despreciable frente a la masa del puente lo que la variación de frecuencias sería insignificante.

        Otra cuestión que me viene a la cabeza es como se correlaría las frecuencias naturales obtenidas del FEM con las de la estructura real para que la red detecte fallos en la estructura real, es decir, si se midieran las frecuencias naturales del puente sano no serían clavadas a las calculadas con el FEM, por lo que metiéndolas en la red saldría que hay un fallo en alguna parte, no? no se si me he explicado o si doy a entender por dónde van los tiros de mi duda.

        Saludos

  7. LME dice:

    Hola. Me ha parecido muy interesante el post como mi primera aproximación al tema. Ahora me pondré a buscar artículos.
    ¿El Matlab será el mejor software para intentar programar algo? ¿O existen otros? ¿El que indicaste el gratuito solo por 30 días?
    Muchas gracias por tu aporte.

    • Hola Luis,
      En efecto, el matlab tiene una extensa biblioteca de redes neuronales listos para usarse. Yo es lo que suelo usar. Deje el programa ese de prueba por que no necesitas saber programación para usarlo.
      Gracias a ti por leernos.
      Un saludo.

  8. Es un tema realmente interesante, y quisiera realizar dos consultas: la primera es que, evidentemente muchos si no todos los programas de doctorado tocan este tema, ¿qué alternativa teórica o experimental existe para validar la salud estructural mediante análisis de frecuencias fundamentales?, es decir, para un ejemplo claro y conciso como el que presentas en esta entrada, con los mismos datos y a la espera de obtener los mismos resultados, ¿qué otras técnicas que no estén relacionadas con la inteligencia artificial, algoritmos evolutivos, etc. se han utilizado? Y bueno, mi segunda pregunta es si tenéis algunas pruebas de esta temática con el uso de sistemas inmunes artificiales, pues encontré varios artículos científicos al respecto y solamente dos tesis en EEUU, las cuales sin embargo son aplicadas a un oscilador elemental simple, con dos o tres masas creo… es decir, algo extremadamente simple, muy interesante a mi parecer, pero según sus conclusiones, la complejidad del algoritmo no les permitió extenderse a casos reales, ¿conoces algo al respecto?

  9. jos bex dice:

    interesante… la critico es automatizar los datos del aprendizaje, yo uso tensor flow

Deja un comentario

Tu dirección de correo electrónico no será publicada.