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 materiales y geométricas de estructuras de ingeniería como puentes y edificios.
En un entorno operativo, las estructuras se degradan con el paso del tiempo y el uso. El SHM a largo plazo genera información actualizada periódicamente sobre la capacidad de la estructura para seguir cumpliendo su función prevista. Después de eventos extremos, como terremotos o explosiones, el SHM se utiliza para una evaluación rápida del estado. El SHM está destinado a proporcionar información confiable sobre la integridad de la estructura casi en tiempo real. [1]
El proceso SHM implica la selección de los métodos de excitación, los tipos de sensores, la cantidad y las ubicaciones, y el hardware de adquisición/almacenamiento/transmisión de datos, comúnmente llamados sistemas de monitoreo de uso y salud . Se pueden tomar mediciones 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 no dañada. Uno de los métodos de extracción de características más comunes se basa en correlacionar las magnitudes de respuesta del sistema medidas , como la amplitud o frecuencia de vibración, con las observaciones del sistema degradado. Las pruebas de acumulación de daños, durante las cuales se degradan componentes estructurales significativos 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.
Los métodos cualitativos y no continuos se han utilizado durante mucho tiempo para evaluar las estructuras en cuanto a su capacidad para cumplir su propósito previsto. Desde principios del siglo XIX, los golpeadores de ruedas de ferrocarril han utilizado el sonido de un martillo golpeando la rueda del tren para evaluar si había algún daño. En maquinaria rotatoria, el monitoreo de vibraciones se ha utilizado durante décadas como una técnica de evaluación del rendimiento. [1] Dos técnicas en el campo de SHM son las técnicas basadas en la propagación de ondas [2] y las técnicas basadas en la vibración. [3] [4] [5] En términos generales, la literatura para SHM basado en vibración se puede dividir en dos aspectos, el primero en el que se proponen modelos para el daño para determinar las características dinámicas, también conocido como el problema directo, y el segundo, en el que las características dinámicas se utilizan para determinar las características del daño, también conocido como el problema inverso.
Han surgido varios axiomas fundamentales o principios generales: [6]
Los elementos del sistema SHM suelen incluir:
Un ejemplo de esta tecnología es la incorporación de sensores en estructuras como puentes y aviones . Estos sensores permiten controlar en tiempo real diversos cambios estructurales, como tensiones y deformaciones . En el caso de las estructuras de ingeniería civil, los datos proporcionados por los sensores suelen transmitirse a centros de adquisición de datos remotos. Con la ayuda de la tecnología moderna, es posible controlar las estructuras en tiempo real (control estructural activo) basándose en la información de los sensores.
Comúnmente conocido como Evaluación de Salud Estructural (SHA, por sus siglas en inglés) o SHM, este concepto se aplica ampliamente a diversas formas de infraestructuras, especialmente a medida que los 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 las estructuras, es importante tener en cuenta que existen etapas de dificultad creciente que requieren el conocimiento de las etapas anteriores, a saber:
Es necesario emplear el procesamiento de señales y la 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 los límites de lo que se monitoreará y cómo se realizará el monitoreo. Esta evaluación comienza a adaptar el proceso de identificación de daños a las características que son exclusivas del sistema que se está monitoreando y trata de aprovechar las características únicas del daño que se va a detectar.
La parte de adquisición de datos del proceso SHM implica la selección de los métodos de excitación, los tipos de sensores, la cantidad y las ubicaciones, y el hardware de adquisición/almacenamiento/transmisión de datos. Nuevamente, este proceso será específico de la aplicación. Las consideraciones económicas desempeñarán 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 condiciones variables, la capacidad de normalizarlos se vuelve muy importante para el proceso de identificación de daños. En lo que respecta a la medición de la calidad del aire, 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 por 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 los 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 con el sistema que se está monitoreando. En general, no todas las fuentes de variabilidad se pueden eliminar. Por lo tanto, es necesario realizar las mediciones adecuadas para que estas fuentes se puedan cuantificar estadísticamente. La variabilidad puede surgir de condiciones ambientales y de prueba cambiantes, cambios en el proceso de reducción de datos e inconsistencias entre unidades.
La limpieza de datos es el proceso de elegir de forma selectiva los datos que se van a incluir o rechazar en el proceso de selección de características. El proceso de limpieza de datos suele basarse en el conocimiento adquirido por las personas que participan directamente en la adquisición de datos. Por ejemplo, una inspección de la configuración de prueba puede revelar que un sensor estaba mal montado y, por lo tanto, en función del criterio de las personas que realizan la medición, este conjunto de datos o los datos de ese sensor en particular pueden eliminarse de forma selectiva 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.
Por último, la adquisición, normalización y limpieza de datos del proceso SHM no debe ser estática. La información obtenida a partir 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 más atención en la literatura técnica es la identificación de características de datos que permiten distinguir entre la estructura dañada y la intacta. La condensación de los datos es inherente a este proceso de selección de características. Las mejores características para la identificación de daños son, una vez más, específicas de la aplicación.
Uno de los métodos de extracción de características más comunes se basa en correlacionar las magnitudes de respuesta del sistema medidas, como la amplitud o frecuencia de vibración, con las observaciones de primera mano del sistema degradado. Otro método para desarrollar características para la identificación de daños es aplicar fallas diseñadas, similares a las esperadas en condiciones de operación 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 para distinguir entre las características identificadas del sistema dañado y el sistema 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 donde las fallas se introducen a través de simulación por computadora. Las pruebas de acumulación de daños, durante las cuales se degradan componentes estructurales significativos 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 la información obtenida de alguna combinación de estos estudios.
Las tecnologías de medición de diagnóstico e implementación operativa 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 obtenidos 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 de reducción de datos sólidas 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 datos de calidad necesarios para realizar SHM, la significancia estadística de las características debe caracterizarse y usarse 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 las estructuras dañadas y no dañadas. El desarrollo de modelos estadísticos se ocupa de la implementación de los 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 caer en tres categorías. Cuando hay datos disponibles tanto de la estructura dañada como de la no dañada, los algoritmos de reconocimiento de patrones estadísticos caen en la categoría de clasificación general, comúnmente denominada 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 novedad es la clase principal de algoritmos aplicados en aplicaciones de aprendizaje no supervisado. Todos los algoritmos analizan distribuciones estadísticas de las características medidas o derivadas para mejorar el proceso de identificación de daños.
El control de la salud de los puentes de gran tamaño se puede realizar midiendo simultáneamente las cargas sobre el puente y los efectos de dichas cargas. Normalmente, incluye el control de:
Con este conocimiento, el ingeniero podrá:
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 la Salud Estructural (SHM, por sus siglas en inglés) como se hace referencia en este documento técnico de Steven Lovejoy, ingeniero sénior. [7]
Existen referencias disponibles que proporcionan una introducción a la aplicación de sensores de fibra óptica para el 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.