Resumen

El monitoreo de la salud estructural (SHM, por sus siglas en inglés) es un tema de investigación candente con el principal propósito de detectar daños en una estructura y evaluar su estado de salud. El enfoque principal de los estudios de SHM en los últimos años ha sido el desarrollo de algoritmos de detección de daños basados en vibraciones y el uso de aprendizaje automático, especialmente enfoques basados en aprendizaje profundo. La mayoría de los métodos basados en aprendizaje profundo propuestos para la detección de daños en estructuras civiles se basan en algoritmos supervisados que requieren datos del estado saludable y de diferentes estados dañados de la estructura en la fase de entrenamiento. Dado que no suele ser posible recopilar datos de estados dañados de una gran estructura civil, el uso de tales algoritmos para estas estructuras puede resultar poco práctico. Este documento propone un nuevo método basado en aprendizaje profundo no supervisado para la detección de daños estructurales basado en autoencoders convolucionales

• Materias:Ingeniería subterránea Deformaciones elásticas Excavación con explosivos Transitorios repetitivos Efecto de Perturbación
• Subjects:Underground engineering Elastic deformations Excavation with explosives Repetitive transients Perturbation effect
• Palabras claves:Monitoreo de salud estructural; Detección de daños; Algoritmos basados en vibraciones; Aprendizaje automático; Aprendizaje profundo; Autoencoders convolucionales
• Keywords:Structural health monitoring; Damage detection; Vibration-based algorithms; Machine learning; Deep learning; Convolutional autoencoders