El monitoreo estructural de la salud (SHM) se refiere al proceso de implementación de una estrategia de detección y caracterización de daños para las estructuras de ingeniería. Aquí el daño se define como cambios en las propiedades materiales y / o geométricas de un sistema estructural, incluidos los cambios en las condiciones de contorno y la conectividad del sistema, que afectan negativamente el rendimiento del sistema. El proceso de SHM implica la observación de un sistema a lo largo del tiempo utilizando medidas de respuesta dinámica muestreadas periódicamente de una serie de sensores, la extracción de características sensibles al daño de estas mediciones y el análisis estadístico de estas características para determinar el estado actual del estado del sistema. Para SHM a largo plazo, el resultado de este proceso es información periódicamente actualizada con respecto a la capacidad de la estructura para realizar su función prevista a la luz del inevitable envejecimiento y degradación resultante de los entornos operativos. Después de eventos extremos, como terremotos o cargas explosivas, SHM se utiliza para el cribado de condiciones rápidas y tiene como objetivo proporcionar, en tiempo casi real, información confiable sobre la integridad de la estructura. La inspección de la infraestructura desempeña un papel clave en la seguridad pública en lo que respecta a la acumulación de daños a largo plazo y los escenarios posteriores a los eventos extremos. Como parte de los rápidos desarrollos en tecnologías basadas en datos que están transformando muchos campos en ingeniería y ciencia, las técnicas de aprendizaje automático y visión artificial son cada vez más capaces de diagnosticar y clasificar confiablemente patrones en datos de imagen, que tiene aplicaciones claras en contextos de inspección.

Introducción
Los métodos cualitativos y no continuos se han utilizado durante mucho tiempo para evaluar las estructuras en función de su capacidad para cumplir con su propósito. Desde principios del siglo XIX, los rociadores de ruedas de ferrocarril han utilizado el sonido de un martillo golpeando la rueda del tren para evaluar si el daño estaba presente. En las máquinas rotatorias, el monitoreo de la vibración se ha utilizado durante décadas como una técnica de evaluación del rendimiento. Dos técnicas en el campo de SHM son las técnicas basadas en la propagación de ondas Raghavan y Cesnik y las técnicas basadas en la vibración. En general, la literatura para SHM basada en vibraciones se puede dividir en dos aspectos, el primero en el que se proponen modelos para determinar las características dinámicas, también conocido como el problema directo, por ejemplo, Refer, Unified Framework y el segundo, donde las características dinámicas se utilizan para determinar las características de daño, también conocido como el problema inverso, por ejemplo, referirse. En los últimos diez o quince años, las tecnologías SHM han surgido creando un campo nuevo y emocionante dentro de varias ramas de la ingeniería. Las conferencias académicas y revistas científicas se han establecido durante este tiempo que se centran específicamente en SHM. Estas tecnologías son cada vez más comunes.

Reconocimiento de patrones estadísticos
El problema de SHM se puede abordar en el contexto de un paradigma de reconocimiento de patrones estadísticos. Este paradigma se puede dividir en cuatro partes: (1) Evaluación operacional, (2) Adquisición y purificación de datos, (3) Extracción de características y compresión de datos, y (4) Desarrollo de modelos estadísticos para la discriminación de características. Cuando se intenta aplicar este paradigma a datos de estructuras del mundo real, rápidamente se vuelve evidente que la capacidad de limpiar, comprimir, normalizar y fusionar datos para tener en cuenta la variabilidad operacional y ambiental es un problema de implementación clave al abordar las Partes 2-4 de este documento. paradigma. Estos procesos pueden implementarse a través de hardware o software y, en general, se usará alguna combinación de estos dos enfoques.

Evaluación de salud de estructuras de ingeniería de puentes, edificios y otras infraestructuras relacionadas
Comúnmente conocido como Evaluación de Salud Estructural (SHA) 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 hay etapas de dificultad creciente que requieren el conocimiento de las etapas anteriores, a saber:

Detectando la existencia del daño en la estructura
Localización del daño
Identificando los tipos de daño
Cuantificando la severidad del daño

Es necesario emplear el procesamiento de señales y la clasificación estadística para convertir los datos del sensor en el estado de la salud de la infraestructura en información de daños para la evaluación.

Evaluación operacional
La evaluación operacional intenta responder cuatro preguntas con respecto a la implementación de una capacidad de identificación de daños:

i) ¿Cuál es la justificación económica y / o la seguridad de la vida para realizar el SHM?
ii) ¿Cómo se define el daño para el sistema que se está investigando y, para múltiples posibilidades de daños, qué casos son los más preocupantes?
iii) ¿Cuáles son las condiciones, tanto operacionales como ambientales, bajo las cuales funciona el sistema a monitorear?
iv) ¿Cuáles son las limitaciones para adquirir datos en el entorno operativo?

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 y trata de aprovechar las características únicas del daño que se va a detectar.

Adquisición de datos, normalización y limpieza
La parte de adquisición de datos del proceso de 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. Una vez más, 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 son otra consideración que debe abordarse.

Debido a que los datos pueden medirse en diversas condiciones, la capacidad de normalizar los datos se vuelve muy importante para el proceso de identificación de daños. Como se aplica a SHM, la normalización de datos es el proceso de separar los cambios en la lectura del sensor causados ​​por daños causados ​​por condiciones ambientales y de funcionamiento variables. Uno de los procedimientos más comunes es normalizar las respuestas medidas por las entradas medidas. Cuando la variabilidad ambiental u operacional es un problema, puede surgir la necesidad de normalizar los datos de forma temporal para facilitar la comparación de los datos medidos en momentos similares de un ciclo ambiental u operacional. Las fuentes de variabilidad en el proceso de adquisición de datos y con el sistema que se monitorea deben identificarse y minimizarse en la medida de lo posible. En general, no todas las fuentes de variabilidad pueden eliminarse. Por lo tanto, es necesario realizar las mediciones apropiadas para que estas fuentes puedan cuantificarse estadísticamente. La variabilidad puede surgir del cambio de las condiciones ambientales y de prueba, los cambios en el proceso de reducción de datos y las inconsistencias de unidad a unidad.

La limpieza de datos es el proceso de seleccionar selectivamente datos para pasar o rechazar desde el proceso de selección de características. El proceso de limpieza de datos generalmente se basa en el conocimiento adquirido por las personas directamente involucradas con la adquisición de datos. Como ejemplo, una inspección de la configuración de prueba puede revelar que un sensor se montó sin apretar y, por lo tanto, según el juicio de los individuos que realizan la medición, este conjunto de datos o los datos de ese sensor en particular se pueden eliminar selectivamente del proceso de selección de características. Las técnicas de procesamiento de señales, como el filtrado y el nuevo muestreo, también pueden considerarse procedimientos de limpieza de datos.

Finalmente, la porción de adquisición de datos, normalización y limpieza del proceso de SHM no debe ser estática. La información obtenida del proceso de selección de características y el proceso de desarrollo del modelo estadístico proporcionarán información sobre los cambios que pueden mejorar el proceso de adquisición de datos.

Extracción de características y compresión de datos
El área del proceso de SHM que recibe la mayor atención en la literatura técnica es la identificación de las características de los 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, una vez más, específicas de la aplicación.

Uno de los métodos de extracción de características más comunes se basa en la correlación de las cantidades medidas de respuesta del sistema, como la amplitud o frecuencia de la vibración, con las observaciones de primera mano del sistema de degradación. Otro método para desarrollar características para la identificación de daños es aplicar fallas de ingeniería, similares a las que se esperan en las condiciones reales de operación, a los sistemas y desarrollar una comprensión inicial de los parámetros que son sensibles al daño esperado. El sistema defectuoso también se puede usar para validar que las mediciones de diagnóstico son lo suficientemente sensibles como para distinguir entre las características identificadas del sistema no dañado y dañado. El uso de herramientas analíticas tales como 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 los defectos se introducen a través de la simulación por computadora. Las pruebas de acumulación de daños, durante las cuales los componentes estructurales significativos del sistema bajo estudio se degradan al someterlos a condiciones de carga realistas, también se pueden usar para identificar las características apropiadas. Este proceso puede incluir pruebas de daños inducidos, pruebas de fatiga, crecimiento de corrosión o ciclos de temperatura para acumular ciertos tipos de daños de forma acelerada. Se puede obtener una visión de las características apropiadas a partir de varios tipos de estudios analíticos y experimentales, como se describió anteriormente, y generalmente es el resultado de la información obtenida de alguna combinación de estos estudios.

La implementación operacional y las tecnologías de medición de diagnóstico necesarias para realizar SHM producen más datos que los usos tradicionales de la información de dinámica estructural. Una condensación de los datos es ventajosa y necesaria cuando se prevén comparaciones de muchos conjuntos de características obtenidas a lo largo de la vida de la estructura. Además, dado que los datos se obtendrán de una estructura durante un período prolongado y en un entorno operacional, 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 operacional. Para ayudar aún más en la extracción y el registro de los datos de calidad necesarios para realizar SHM, la significación estadística de las características debe caracterizarse y utilizarse en el proceso de condensación.

Desarrollo de modelo estadístico
La parte del proceso de SHM que ha recibido la menor atención en la literatura técnica es el desarrollo de modelos estadísticos para la discriminación entre las características de las estructuras dañadas y no dañadas. El desarrollo del modelo estadístico se refiere a la implementación de los algoritmos que operan en las características extraídas para cuantificar el estado de daño de la estructura. Los algoritmos utilizados en el desarrollo de modelos estadísticos generalmente se dividen en tres categorías. Cuando los datos están disponibles tanto de la estructura no dañada como de la dañada, los algoritmos estadísticos de reconocimiento de patrones se incluyen en la clasificación general denominada aprendizaje supervisado. La clasificación grupal 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 novedosos es la clase principal de algoritmos aplicados en aplicaciones de aprendizaje no supervisadas. Todos los algoritmos analizan las distribuciones estadísticas de las características medidas o derivadas para mejorar el proceso de identificación de daños.

Axiomas fundamentales
Con base en la extensa literatura que se ha desarrollado sobre SHM en los últimos 20 años, se puede argumentar que este campo ha madurado hasta el punto donde han surgido varios axiomas fundamentales o principios generales. Los axiomas se enumeran de la siguiente manera:

Axioma I: todos los materiales tienen fallas o defectos inherentes;
Axioma II: la evaluación del daño requiere una comparación entre dos estados del sistema;
Axioma III: identificar la existencia y la ubicación del daño se puede hacer en un modo de aprendizaje no supervisado, pero identificar el tipo de daño presente y la severidad del daño generalmente solo se puede hacer en un modo de aprendizaje supervisado;
Axioma IVa: los sensores no pueden medir el daño. La extracción de características mediante el procesamiento de señales y la clasificación estadística es necesaria para convertir los datos del sensor en información de daños;
Axiom IVb: sin extracción inteligente de características, cuanto más sensible es una medida a dañar, más sensible es a las cambiantes condiciones operativas y ambientales;
Axioma V: las escalas de tiempo y duración asociadas con la iniciación y evolución del daño dictan las propiedades requeridas del sistema de detección de SHM;
Axioma VI: existe una compensación entre la sensibilidad al daño de un algoritmo y su capacidad de rechazo de ruido;
Axioma VII: El tamaño del daño que se puede detectar a partir de los cambios en la dinámica del sistema es inversamente proporcional al rango de frecuencia de excitación.