Palabras clave
detección de daños
análisis discriminante lineal
mecatrónica
perceptrón multicapa
monitorización del estado estructural
Cómo citar
Resumen
Las estructuras civiles son fundamentales para la seguridad y la funcionalidad, pero están continuamente expuestas a mecanismos de deterioro que pueden comprometer su integridad. Este estudio propone una metodología basada en vibraciones para la evaluación automática del estado de losas de concreto. Para ello, se combinan indicadores estadísticos (SI) para extraer características representativas de las señales monitoreadas, los análisis discriminantes lineales (LDA) para reducir la dimensionalidad y mejorar la separabilidad entre las clases, y un perceptrón multicapa (MLP) para clasificar automáticamente las características extraídas para evaluar las condiciones estructurales. Estos resultados, con una precisión de validación de hasta 97.5 % y una precisión global del 99 %, demuestran la efectividad del enfoque propuesto para la identificación confiable de condiciones de daño en losas de concretos.
Referencias
C.J. Hernández Maqueda et al., “Incipient damage detection in a truss-type bridge using vibration responses and MUSIC technique,” presented at the 2022 IEEE International Autumn Meeting on Power, Electronics and Computing (ROPEC), Ixtapa, Mexico, 2022, Nov. 9-11, 2022.
J.P. Amezquita Sánchez and H. Adeli, “Signal processing techniques for vibration-based health monitoring of smart structures,” Archives of Computational Methods in Engineering, vol. 23, no. 1, pp. 1-15, Mar. 2016, DOI: 10.1007/s11831-014-9135-7.
C. Zhang et al., “Vibration feature extraction using signal processing techniques for structural health monitoring: A review,” Mechanical Systems and Signal Processing, vol. 177, art. 109175, Apr. 2022, DOI: 10.1016/j.ymssp.2022.109175.
A. Moreno Gómez, “Detección, localización y cuantificación de daños en estructuras civiles metálicas midiendo vibraciones,” Ph.D. dissertation, Facultad de Ingeniería, Universidad Autónoma de Querétaro, México, 2019. [Online]. Available: https://ri-ng.uaq.mx/handle/123456789/1693
Y. Yang, Y. Zhang, and X. Tan, “Review on vibration-based structural health monitoring techniques and technical codes,” Symmetry, vol. 13, no. 11, p. 1998, Oct. 2021, DOI: 10.3390/sym13111998
T.Q. Nguyen, D.P. Nguyen, P.T. Nguyen, and T.T. Nguyen, “Enhanced structural damage detection through combined MODWT and FFT for power spectral density separation in beam vibration analysis,” Journal of Low Frequency Noise, Vibration and Active Control, vol. 44, no. 3, pp. 1746-1773, Feb. 2025, DOI: 10.1177/14613484251320234
A.E. Rodríguez Suesca, “Evaluación de vibraciones en el diagnóstico de estructuras: Estudio de comportamiento de estructuras en deterioro,” Ph.D. dissertation, Departamento de Ingeniería, Universidad de Granada, España, 2021. [Online]. Available: https://babel.banrepcultural.org/digital/collection/p17054coll23/id/1833
H. Jahangir, M. Khatibinia, and M. Mokhtari Masinaei, “Damage Detection in Prestressed Concrete Slabs Using Wavelet Analysis of Vibration Responses in the Time Domain,” Journal of Rehabilitation in Civil Engineering, vol. 10, no. 3, pp. 37-63, 2022, DOI: 10.22075/jrce.2021.23385.1510
J.M. Machorro López et al. “Método basado en entropía-wavelet para eficientar la identificación de daño en puentes,” Instituto Mexicano de Transporte, Querétaro, México, Reporte Técnico 778, 2023.
E. Gandelli, G. Rossini, S.G. Mantelli, and F. Minelli, “Damage detection of prestressed concrete beams affected by shear and flexure cracks through vibration monitoring,” Engineering Structures, vol. 304, p. 117572, Apr. 2024, DOI: 10.1016/j.engstruct.2024.117572
Y. Lei and Z. Wu, “Time series classification based on statistical features,” EURASIP Journal on Wireless Communications and Networking, vol. 2020, no. 1, pp. 1-16, 2020, DOI: 10.1186/s13638-020-1661-4
C.A. Pérez Ramírez et al., “Time-frequency techniques for modal parameters identification of civil structures from acquired dynamic signals,” Journal of Vibroengineering, vol. 18, no. 5, pp. 3164-3185, Aug. 2016, DOI: 10.21595/jve.2016.17220
J.J. Yáñez-Borjas et al., “A new damage index based on statistical features, PCA, and Mahalanobis distance for detecting and locating cables loss in a cable-stayed bridge,” International Journal of Structural Stability and Dynamics, vol. 21, no. 9, art. 2150127, Aug. 2021, DOI: 10.1142/S0219455421501279
R. De Almeida Cardoso, A. Cury, and F. Barbosa, “Automated real-time damage detection strategy using raw dynamic measurements,” Engineering Structures, vol. 196, no. 1, art. 109364, Oct. 2019, DOI: 10.1016/j.engstruct.2019.109364
A. Tharwat, T. Gaber, A. Ibrahim, and A.E. Hassanien, “Linear discriminant analysis: A detailed tutorial,” AI Communications, vol. 30, no. 2, pp. 169-190, May. 2017, DOI: 10.3233/AIC-170729
S. Balakrishnama and A. Ganapathiraju, “Linear discriminant analysis: A brief tutorial,” Institute for Signal and Information Processing, vol. 18, pp. 1-8, 1995.
S. Chakraborty and M. Ghosh, “Applications of Bayesian neural networks in prostate cancer study,” Handbook of Statistics, vol. 28, pp. 241-262, 2012.
C.E. Shannon, “Communication in the presence of noise,” Proceedings of the IRE, vol. 37, no. 1, pp. 10-21, Jan. 1949, DOI: 10.1109/JRPROC.1949.232969.
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Derechos de autor 2026 Perspectivas de la Ciencia y la Tecnología