El monitoreo de la salud estructural ( SHM ) implica la observación y el análisis de un sistema a lo largo del tiempo utilizando mediciones de respuesta muestreadas periódicamente para monitorear los cambios en las propiedades geométricas y materiales de estructuras de ingeniería como puentes y edificios.
En un entorno operativo, las estructuras se degradan con el tiempo y el uso. SHM a largo plazo genera información actualizada periódicamente sobre la capacidad de la estructura para continuar realizando su función prevista. Después de eventos extremos, como terremotos o cargas explosivas, SHM se utiliza para una evaluación rápida de las condiciones. SHM tiene como objetivo proporcionar información confiable sobre la integridad de la estructura casi en tiempo real. [1]
El proceso SHM implica seleccionar los métodos de excitación, los tipos de sensores, el número y las ubicaciones, y el hardware de adquisición/almacenamiento/transmisión de datos comúnmente llamados sistemas de monitoreo de uso y salud . Se pueden tomar medidas para detectar directamente cualquier degradación o daño que pueda ocurrir en un sistema o indirectamente midiendo el tamaño y la frecuencia de las cargas experimentadas para permitir predecir el estado del sistema.
Para monitorear directamente el estado de un sistema es necesario identificar características en los datos adquiridos que permitan distinguir entre la estructura dañada y la que no está dañada. Uno de los métodos de extracción de características más comunes se basa en correlacionar las cantidades medidas de respuesta del sistema , como la amplitud o frecuencia de la vibración, con observaciones del sistema degradado. Las pruebas de acumulación de daños, durante las cuales se degradan importantes componentes estructurales del sistema en estudio al someterlos a condiciones de carga realistas, también se pueden utilizar para identificar las características apropiadas. Este proceso puede implicar pruebas de daño inducido, pruebas de fatiga , crecimiento de corrosión o ciclos de temperatura para acumular ciertos tipos de daño de manera acelerada.
Durante mucho tiempo se han utilizado métodos cualitativos y no continuos para evaluar la capacidad de las estructuras para cumplir el propósito previsto. Desde principios del siglo XIX, los recolectores de ruedas de ferrocarril utilizaban el sonido del martillo al golpear la rueda del tren para evaluar si había daños. En maquinaria rotativa, el monitoreo de vibraciones se ha utilizado durante décadas como técnica de evaluación del desempeño. [1] Dos técnicas en el campo de MAS son las técnicas basadas en la propagación de ondas [2] y las técnicas basadas en vibraciones. [3] [4] [5] En términos generales, la literatura sobre MAS basada en vibraciones se puede dividir en dos aspectos, el primero en el que se proponen modelos de daño para determinar las características dinámicas, también conocido como problema directo, y el segundo, en el que Las características dinámicas se utilizan para determinar las características del daño, también conocido como problema inverso.
Han surgido varios axiomas fundamentales, o principios generales: [6]
Los elementos del sistema SHM normalmente incluyen:
Un ejemplo de esta tecnología es la incorporación de sensores en estructuras como puentes y aviones . Estos sensores proporcionan monitoreo en tiempo real de diversos cambios estructurales como tensión y tensión . En el caso de estructuras de ingeniería civil, los datos proporcionados por los sensores normalmente se transmiten a centros remotos de adquisición de datos. Con la ayuda de la tecnología moderna, es posible el control de estructuras en tiempo real (Control Estructural Activo) basado en la información de los sensores.
Comúnmente conocido como Evaluación de Salud Estructural (SHA) o SHM, este concepto se aplica ampliamente a diversas formas de infraestructuras, especialmente a medida que países de todo el mundo entran en un período aún mayor de construcción de diversas infraestructuras que van desde puentes hasta rascacielos. Especialmente cuando se trata de daños a estructuras, es importante señalar que existen etapas de dificultad creciente que requieren el conocimiento de etapas anteriores, a saber:
Es necesario emplear procesamiento de señales y clasificación estadística para convertir los datos de los sensores sobre el estado de salud de la infraestructura en información sobre daños para su evaluación.
La evaluación operativa intenta responder cuatro preguntas relativas a la implementación de una capacidad de identificación de daños:
La evaluación operativa comienza a establecer las limitaciones sobre lo que se monitoreará y cómo se realizará el monitoreo. Esta evaluación comienza a adaptar el proceso de identificación de daños a características que son exclusivas del sistema que se está monitoreando e intenta aprovechar las características únicas del daño que se va a detectar.
La parte de adquisición de datos del proceso SHM implica seleccionar los métodos de excitación, los tipos de sensores, el número y las ubicaciones, y el hardware de adquisición/almacenamiento/transmisión de datos. Nuevamente, este proceso será específico de la aplicación. Las consideraciones económicas jugarán un papel importante en la toma de estas decisiones. Los intervalos en los que se deben recopilar los datos es otra consideración que debe abordarse.
Debido a que los datos se pueden medir en diferentes condiciones, la capacidad de normalizar los datos se vuelve muy importante para el proceso de identificación de daños. En lo que se refiere a SHM, la normalización de datos es el proceso de separar los cambios en la lectura del sensor causados por daños de los causados por condiciones ambientales y operativas variables. Uno de los procedimientos más comunes es normalizar las respuestas medidas mediante las entradas medidas. Cuando la variabilidad ambiental u operativa es un problema, puede surgir la necesidad de normalizar los datos de alguna manera temporal para facilitar la comparación de datos medidos en momentos similares de un ciclo ambiental u operativo. Es necesario identificar y minimizar en la medida de lo posible las fuentes de variabilidad en el proceso de adquisición de datos y en el sistema que se está monitoreando. En general, no todas las fuentes de variabilidad pueden eliminarse. Por lo tanto, es necesario realizar las mediciones adecuadas para que estas fuentes puedan ser cuantificadas estadísticamente. La variabilidad puede surgir de cambios en las condiciones ambientales y de prueba, cambios en el proceso de reducción de datos e inconsistencias entre unidades.
La limpieza de datos es el proceso de elegir selectivamente datos para transmitirlos o rechazarlos en el proceso de selección de funciones. El proceso de limpieza de datos generalmente se basa en el conocimiento adquirido por personas directamente involucradas en la adquisición de datos. Como ejemplo, una inspección de la configuración de la prueba puede revelar que un sensor estaba mal montado y, por lo tanto, según el criterio de las personas que realizan la medición, este conjunto de datos o los datos de ese sensor en particular pueden eliminarse selectivamente del proceso de selección de características. Las técnicas de procesamiento de señales, como el filtrado y el remuestreo, también pueden considerarse procedimientos de limpieza de datos.
Finalmente, la parte de adquisición, normalización y limpieza de datos del proceso SHM no debe ser estática. La información obtenida del proceso de selección de características y del proceso de desarrollo del modelo estadístico proporcionará información sobre los cambios que pueden mejorar el proceso de adquisición de datos.
El área del proceso SHM que recibe mayor atención en la literatura técnica es la identificación de características de datos que permiten distinguir entre la estructura dañada y la no dañada. Inherente a este proceso de selección de características es la condensación de los datos. Las mejores características para la identificación de daños son, nuevamente, específicas de la aplicación.
Uno de los métodos de extracción de características más comunes se basa en correlacionar las cantidades medidas de respuesta del sistema, como la amplitud o frecuencia de la vibración, con las observaciones de primera mano del sistema en degradación. Otro método para desarrollar características para la identificación de daños es aplicar fallas de ingeniería, similares a las esperadas en condiciones operativas reales, a los sistemas y desarrollar una comprensión inicial de los parámetros que son sensibles al daño esperado. El sistema defectuoso también se puede utilizar para validar que las mediciones de diagnóstico sean lo suficientemente sensibles como para distinguir entre las características identificadas del sistema dañado y no dañado. El uso de herramientas analíticas, como los modelos de elementos finitos validados experimentalmente, puede ser una gran ventaja en este proceso. En muchos casos, las herramientas analíticas se utilizan para realizar experimentos numéricos en los que los defectos se introducen mediante simulación por computadora. Las pruebas de acumulación de daños, durante las cuales se degradan importantes componentes estructurales del sistema en estudio al someterlos a condiciones de carga realistas, también se pueden utilizar para identificar las características apropiadas. Este proceso puede implicar pruebas de daño inducido, pruebas de fatiga, crecimiento de corrosión o ciclos de temperatura para acumular ciertos tipos de daño de manera acelerada. Se puede obtener información sobre las características apropiadas a partir de varios tipos de estudios analíticos y experimentales como los descritos anteriormente y generalmente es el resultado de información obtenida de alguna combinación de estos estudios.
La implementación operativa y las tecnologías de medición de diagnóstico necesarias para realizar SHM producen más datos que los usos tradicionales de información de dinámica estructural. Una condensación de los datos es ventajosa y necesaria cuando se prevén comparaciones de muchos conjuntos de características obtenidas durante la vida útil de la estructura. Además, debido a que los datos se adquirirán de una estructura durante un período prolongado de tiempo y en un entorno operativo, se deben desarrollar técnicas sólidas de reducción de datos para conservar la sensibilidad de las características a los cambios estructurales de interés en presencia de variabilidad ambiental y operativa. Para ayudar aún más en la extracción y registro de los datos de calidad necesarios para realizar SHM, la significancia estadística de las características debe caracterizarse y utilizarse en el proceso de condensación.
La parte del proceso SHM que ha recibido menos atención en la literatura técnica es el desarrollo de modelos estadísticos para la discriminación entre características de estructuras dañadas y no dañadas. El desarrollo de modelos estadísticos se ocupa de la implementación de algoritmos que operan sobre las características extraídas para cuantificar el estado de daño de la estructura. Los algoritmos utilizados en el desarrollo de modelos estadísticos suelen dividirse en tres categorías. Cuando hay datos disponibles tanto de la estructura dañada como de la no dañada, los algoritmos estadísticos de reconocimiento de patrones caen en la categoría de clasificación general, comúnmente conocida como aprendizaje supervisado. La clasificación de grupos y el análisis de regresión son categorías de algoritmos de aprendizaje supervisado. El aprendizaje no supervisado se refiere a algoritmos que se aplican a datos que no contienen ejemplos de la estructura dañada. La detección de valores atípicos o de novedades es la clase principal de algoritmos que se aplican en aplicaciones de aprendizaje no supervisadas. Todos los algoritmos analizan distribuciones estadísticas de las características medidas o derivadas para mejorar el proceso de identificación de daños.
El monitoreo del estado de los puentes grandes se puede realizar mediante la medición simultánea de las cargas en el puente y los efectos de estas cargas. Normalmente incluye el seguimiento de:
Con este conocimiento, el ingeniero puede:
El Departamento de Ingeniería de Puentes del Departamento de Transporte del estado de Oregón en los Estados Unidos ha desarrollado e implementado un programa de Monitoreo de Salud Estructural (SHM) como lo menciona en este documento técnico Steven Lovejoy, ingeniero senior. [7]
Hay referencias disponibles que brindan una introducción a la aplicación de sensores de fibra óptica al monitoreo de la salud estructural en puentes. [8]
Los siguientes proyectos se conocen actualmente como algunos de los mayores proyectos de monitoreo de puentes en curso.