Documentos de Académico
Documentos de Profesional
Documentos de Cultura
RESUMEN
En las últimas décadas se han desarrollado varios algoritmos capaces de detectar la
degradación de rigidez de estructuras a lo largo de su vida útil. Usualmente, estas técnicas
utilizan la medición de los desplazamientos de algunos puntos de la estructura a través del
tiempo con el fin de crear un modelo que aproxime su comportamiento dinámico. Realizando
este estudio, es posible calcular las variaciones de los parámetros físicos de la estructura, como
masa y rigidez, y así poder estimar cualitativa y cuantitativamente el nivel de daños sufrido por
la estructura. Gracias a su flexibilidad y a sus pocos requisitos, estos métodos se consideran
prometedores no sólo en la detección de daños sino en la futura creación de estructuras
inteligentes y adaptables a su entorno.
1. INTRODUCCIÓN
Por ello, las técnicas que se están desarrollando en varias universidades de todo el mundo
tienen por objeto la puesta en práctica de un sistema automático o semiautomático de detección
de daños que reduzca considerablemente las operaciones a desarrollar en el mantenimiento
rutinario de las estructuras. Estos sistemas se conciben como sistemas de monitorización y
alerta en caso de que se detecten comportamientos anómalos de la estructura. No se observan
dichos sistemas como sustitutos de un grupo de inspectores expertos sino como una
herramienta que les pueda ser de utilidad para dirigir su atención a lugares específicos en vez
de realizar una campaña de observaciones generalizada y sin ninguna información a priori.
Análogamente, un sistema completo de monitorización de la estructura debe utilizar idealmente
un conjunto de sistemas que analicen la estructura a nivel global pero que se apoyen también
en sistemas de ensayo no destructivo a nivel local.
Dichos sistemas de monitorización global consisten en una red de sensores de varios tipos que
transmiten en todo momento datos sobre el estado de la estructura a un ordenador central.
Dicho ordenador relaciona todos los datos obtenidos por los sensores y, en base a una serie de
criterios, determina de modo continuo el estado de servicio la estructura. Utilizando una
analogía antropomórfica, a dichos sistemas de monitorización se les ha asignado el nombre de
“sistemas de salud estructural” o, en su equivalente inglés, “health monitoring systems”.
Las señales que se obtienen de la estructura para su análisis son muy variadas y pueden incluir
también datos ambientales. Algunos ejemplos son los desplazamientos de la estructura,
velocidades o aceleraciones, temperatura, o velocidades del viento. Sensores más complejos
son capaces de transmitir datos sobre las condiciones locales de algunos miembros de la
estructura como los sistemas de fibra óptica embebidos en la estructura de hormigón que
detectan la aparición de fracturas, o los sensores basados en la transmisión de ondas de sonido
en cables utilizados en puentes colgantes o atirantados para determinar la tensión de los
mismos o la rotura de las fibras que los componen.
El ordenador central que analiza todos los datos provenientes de la estructura suele utilizar un
modelo preciso de la estructura para interpretar las señales registradas. Por ejemplo, los
desplazamientos obtenidos de las mediciones se comparan con los desplazamientos obtenidos
en el modelo estructural bajo cargas similares a las reales y la respuesta del modelo se
compara con la respuesta de la estructura para determinar si ésta se comporta normalmente. Si
se detectan anomalías en el comportamiento, es decir, si el modelo difiere de la realidad
significativamente, el ordenador transmite una señal de alerta que indica en qué zonas de la
estructura puede existir daño. Dichas áreas son investigadas en detalle con posterioridad por un
grupo de expertos.
Existen varios criterios para inferir la existencia de daños en la estructura. El más popular por su
simplicidad consiste en comparar las frecuencias propias de la estructura. Dado que las
frecuencias características de la estructura son función de la masa y la rigidez de la misma, se
supone que un daño en la estructura reducirá su rigidez pero no su masa, lo cual repercutirá en
una variación detectable de las frecuencias propias. Dicha hipótesis ha sido utilizada en
numerosos estudios numéricos de problemas de detección de daños, aunque algunos trabajos
experimentales han demostrado que los daños sufridos en la estructura deben ser
necesariamente de muy alto grado para ser detectados por la variación en las frecuencias
propias de la estructura [1]. Los daños deben ser tan graves, que un sistema de detección
basado en las frecuencias de vibración resulta superfluo, ya que los daños pueden ser
observados a simple vista. Los avances de análisis numérico aplicado a la detección de daños
han sido muy significativos y, a pesar de que las frecuencias pueden no ser la variable a tener
en cuenta en la inferencia de daños, es posible que otro tipo de variables o una combinación de
las mismas, puedan ser utilizados para detectar daños con precisión.
Consideremos por ahora que la estructura queda descrita por un modelo que depende de
dichos parámetros de rigidez, amortiguamiento y masa. Este modelo relaciona la respuesta de
la estructura a ciertos estímulos dinámicos expresados como un vector de fuerzas aplicado en
los grados de libertad de la estructura. El objetivo de la identificación de sistemas es ajustar los
parámetros del modelo matemático de modo que la relación entre las fuerzas aplicadas a la
estructura y la respuesta de ésta, sea la misma en el modelo que en la estructura
instrumentada. Llevando a cabo un proceso de identificación continuado o dos identificaciones
sucesivas, una previa a la existencia de daños y otra posterior, es posible detectar la variación
de los parámetros que caracterizan la estructura y evaluar el estado de la estructura.
Supongamos pues que estamos analizando una estructura con p señales de entrada uh (las
fuerzas aplicadas sobre la estructura, por ejemplo), donde h=1,2,…,p, y con q señales de salida
yjM, donde j=1,2,…,q, medidas a través de la instrumentación (aceleraciones de los grados de
libertad de la estructura, por ejemplo). Supongamos que la variable yjM(k), con j=1,2,…,q y
k=0,1,…,T, denota el valor de la señal de salida j en el paso de tiempo discreto k. Supongamos,
asimismo, que disponemos de un modelo que es capaz de capturar el comportamiento de la
estructura con suficiente precisión y que dicho modelo queda caracterizado por n parámetros
(de rigidez, amortiguamiento y masa, por ejemplo), contenidos en el vector x={xi}, con
i=1,2,…,n. Análogamente a lo dispuesto anteriormente, denominemos yj(k), para j=1,2,…,q y
k=0,1,…,T, al valor de la señal de salida j del modelo estructural en el paso de tiempo k.
Considerando dichas definiciones, es posible construir los vectores yjM e yj como:
{
j = y j (0) y j (1) ... y j (T )
yM M M M
} (1)
{ }
y j = y j (0) y j (1) ... y j (T) (2)
Dichos vectores contienen el registro completo de las señales de salida j obtenidas de las
mediciones de la estructura y del modelo numérico, respectivamente. Definamos ahora los
vectores yM e y, sin subíndices, como los vectores que contienen todos los registros de las
señales de salida agrupadas:
{
yM = y1M y2M ... yqM } (3)
{
y = y1 y2 ... yq } (4)
Una vez establecidas dichas definiciones, se puede calcular el error entre las señales medidas
de la estructura y las obtenidas del modelo numérico como la norma de la diferencia entre los
vectores yM e y:
( )(
E(x) = yM − y yM − y ) T
(5)
El espacio de parámetros S se define mediante unos valores que delimitan el rango de dichos
parámetros, de modo que S se concibe como un espacio n-dimensional definido por los
vectores xMax y xMin, que contienen las cotas superiores e inferiores, respectivamente, de cada
uno de los parámetros, es decir:
{ }
S = x ∈Rn | xMin,i ≤ xi ≤ xMax,i ∀i = 1,2,...,n (7)
Si se consigue obtener un modelo tan perfecto que se alcanza un error despreciable, las
señales producidas por el modelo estructural sometido a las mismas fuerzas dinámicas que la
estructura instrumentada serán iguales que las señales medidas de la estructura real. En dicho
caso puede decirse que los parámetros contenidos en el vector x que caracterizan el modelo,
describen con precisión la estructura estudiada. Esta proposición es válida siempre y cuando el
problema tenga solución única con E(x)=0. Diversos estudios han demostrado que dicho
resultado depende de la complejidad del modelo, del número de señales medidas, del número
de señales de entrada y de su ubicación topológica en la estructura [2,3]. En problemas reales,
obtener un error igual a cero es prácticamente imposible debido a la polución de ruido y a que
no existe un modelo suficientemente detallado como para reproducir con tal fidelidad el
comportamiento de la estructura.
Las técnicas de optimización clásicas, como los métodos de tipo Newton o sus variantes,
poseen dos limitaciones importantes: la necesidad de las derivadas de la función de coste y la
necesidad de una solución inicial de buena calidad, próxima al óptimo global.
Aún así, la utilización de dichas técnicas no garantiza la obtención precisa del óptimo global, ya
que existen numerosos problemas que dificultan la obtención de dicho punto en el espacio de
parámetros, como discutiremos en las secciones de ejemplos. De todos modos, actualmente,
estas técnicas evolutivas son las únicas que al menos garantizan que dicho óptimo puede
alcanzarse. Cabe decir también que estos métodos se encuentran en estos momentos en un
estado de rápido desarrollo y con frecuencia se producen mejoras en los algoritmos que los
hacen más eficaces como técnicas de optimización.
Inicialización
El proceso de inicialización consiste en definir una serie de µ posibles soluciones al problema
de optimización obtenidas al azar dentro del espacio de parámetros. Las posibles soluciones, o
individuos, consisten en vectores xk, con k=1,2,…, µ, cuyas componentes son generadas como:
para todo i=1,2,…,n, donde Ui(0,1) denota un número obtenido al azar con distribución uniforme
entre 0 y 1 para cada componente i. Análogamente, se obtienen una serie de k vectores de
desviaciones estándar σk, que se utilizarán para alterar la evolución de las soluciones iniciales,
como se verá en el proceso de mutación. Se recomienda [6] inicializar dichos vectores como:
⎛ xMax,i − xMin,i ⎞ 1
σik = xik − ⎜⎜ xMin,i + ⎟⎟ (9)
⎝ 2 ⎠ n
Recombinación
Una vez se dispone de una población de soluciones iniciales, que denominaremos población de
progenitores, se procede a recombinar la información de éstos simulando un proceso de
reproducción generalizada panmíctica [6,7]. Dicho proceso de reproducción puede expresarse
matemáticamente como:
(
xi/ = xR,i +Ui (0,1) xQi ,i − xR,i ) (10)
Mutación
El proceso de mutación tiene por objetivo introducir nueva variabilidad en la población respecto
de los progenitores. Dicho proceso consiste en alterar ligeramente los individuos generados
anteriormente durante la recombinación. Es aquí donde el vector de variaciones juega un papel
fundamental, ya que es en base a este vector que se producen las mutaciones en las
componentes del vector solución x. Dado que el vector ha sido sometido también a un proceso
de reproducción y selección, el proceso de optimización se adapta a la topología de la función
de coste. Si dicha función es plana, con pocas variaciones en la topología, las componentes del
vector σ tienden a crecer para explorar el espacio de parámetros más eficazmente. Por el
contrario, si el proceso de optimización ha localizado un valle en la función de coste y se
pretende minimizar la función, entonces las componentes de σ decrecen para aproximarse con
más precisión al fondo del valle topológico y así obtener una mejor solución. El proceso de
mutación puede expresarse matemáticamente como:
Selección
Del proceso de recombinación y de mutación se ha obtenido una población de soluciones
mayor que la población de progenitores. Por ello, es necesario ahora seleccionar los mejores µ
individuos del grupo de λ descendientes para poder así sustituir a los progenitores iniciales por
un mejor grupo de individuos que serán utilizados para engendrar a la siguiente población de
soluciones. El proceso de selección empleado en este trabajo consiste en seleccionar a los
mejores µ-1 individuos de la población de descendientes y al mejor de los progenitores,
totalizando un número µ de individuos para iniciar el siguiente ciclo [8].
Convergencia
Se deben considerar ciertos criterios de convergencia para decidir cuando el proceso evolutivo
debe ser finalizado. De entre los varios criterios propuestos en la literatura [7], en este trabajo
utilizaremos el más sencillo que consiste en finalizar el proceso una vez se han llevado a cabo
un cierto número (GenMax) de ciclos.
Figura 1.
Ejemplo
estructural de 3
grados de
libertad, utilizado
en la literatura
[9] para
comparar
diversos
algoritmos de
identificación de
sistemas.
M&
z&
(t) + Cz&(t) + Kz(t) = u(t) , (16)
donde z(t) es el vector que recoge los desplazamientos de los grados de libertad del modelo y el
símbolo (ֹ) denota diferenciación respecto de la variable temporal t. El vector u(t) es el vector de
fuerzas sobre el sistema y las matrices M, C y K son las matrices de masa, amortiguamiento y
rigidez, respectivamente, que se pueden expresar en función de los parámetros del modelo
como:
⎛ m1 0 0 ⎞ ⎛c1 + c2 + c6 − c2 − c6 ⎞
⎜ ⎟ ⎜ ⎟
M = ⎜ 0 m2 0 ⎟ , C = ⎜ − c2 c2 + c3 + c5 − c3 ⎟ (17)
⎜0 0 m⎟ ⎜ −c − c3 c3 + c4 + c6 ⎟⎠
⎝ 3⎠ ⎝ 6
⎛ k1 + k2 + k6 − k2 − k6 ⎞
⎜ ⎟
K = ⎜ − k2 k2 + k3 + k5 − k3 ⎟ (18)
⎜ −k − k3 k3 + k4 + k6 ⎟⎠
⎝ 6
Así, los parámetros del modelo pueden recopilarse en el vector x de dimensión 15:
x = {m1 m2 m3 c1 c2 c3 c4 c5 c6 k1 k2 k3 k4 k5 k6 } (19)
Dado que éste es un experimento numérico, las mediciones de la estructura “real” se obtienen
del modelo matemático cuyos parámetros son conocidos e iguales a los anteriormente citados.
Para identificar la estructura, se contemplan los siguientes escenarios en los que se consideran
diferentes esquemas de disponibilidad y calidad de las señales:
• Caso 1: Se aplica un estímulo dinámico u2(t) únicamente en la masa 2 (grado de libertad
2) de valor aleatorio con distribución Gaussiana y se miden las aceleraciones en todas
las masas 1, 2 y 3. El vector que se utilizará en el cálculo del error E(x) es por lo tanto:
yT = {&
z&
1 (0) ... &
z&
1 (T ) | &
z&
2 (0) ... &
z&
2 (T ) | &
z&
3 (0) ... &3 (T )}
z& (20)
yT = {&
z&
2 (0) ... &2 (T )}
z& (21)
yT = {&
z&
2 (0) ... &
z&
2 (T ) | &
z&
3 (0) ... &3 (T )}
z& (22)
Figura 2. La estructura
propuesta por el grupo de
investigación en sistemas de
detección de daños de la
ASCE. La estructura ha sido
construida en la Universidad
de British Columbia en
Canadá para la realización de
ensayos experimentales.
Foto cortesía del Profesor
Carlos Ventura
La fase 1 del problema propuesto por la ASCE consiste en el análisis numérico de dicha
estructura para identificar los daños mediante simulación por ordenador. La fase 2 incluye la
toma de datos experimentales. En este trabajo, se analiza únicamente la fase 1 de dicho
problema. Para ello, se simula la respuesta de la estructura con un modelo elaborado por la
ASCE y se trata a dicha simulación como si fueran mediciones de la estructura real.
Análogamente a como se hizo en el ejemplo anterior, el primer paso es decidir qué tipo de
modelo se utilizará para proceder a la identificación. En una primera instancia, se identificará
dicho sistema mediante un modelo simple bidimensional en las direcciones horizontales x e y de
4 masas conectadas mediante elementos de rigidez y amortiguamiento. Además se supone que
todo el amortiguamiento puede modelarse mediante un único coeficiente de amortiguamiento
modal ρ. El modelo así descrito consta de 13 parámetros:
x = {m1 m2 m3 m4 kx,1 k y,1 kx,2 k y,2 kx,3 k y,3 kx,4 k y,4 ρ} (23)
donde mi denotan las masas, kx,i la rigidez en dirección x y ky,i la rigidez en dirección y del
correspondiente piso i. El último parámetro ρ representa el coeficiente de amortiguamiento
modal para los cuatro modos de la estructura.
Llevando a cabo dos identificaciones sucesivas, una previa a la aparición de los daños y otra
posterior, pueden compararse los parámetros de rigidez para inferir en qué pisos y en qué
dirección resistente se han producido dichos daños. El proceso de optimización se lleva a cabo
con poblaciones de µ=3 y λ=21. Los resultados se muestran en la figura 3 y, como se puede
observar, todos los escenarios de daño quedan perfectamente localizados. La utilización de un
modelo tan simple es posible debida a que las fuerzas aplicadas sobre la estructura casi no
movilizan los modos de torsión [3].
Figura 4. Se muestran
las variaciones de los
37 parámetros que
definen el modelo de la
estructura. Como puede
observarse, los
resultados muestran
una vez más la correcta
pérdida de rigidez en los
diferentes casos de
daño 1 y 3. La figura
correspondiente al caso
de daño 2 muestra que
la detección contiene en
esta ocasión un error
significativo. Esto es
debido a la mayor
complejidad del modelo
y a la incapacidad de
escapar de un óptimo
local durante el proceso
de optimización.
Sucesivos intentos o la
variación de algunos
parámetros de la
metodología de
optimización (como
aumentar el número de
individuos en las
poblaciones) pueden
ayudar a evitar la
convergencia a óptimos
locales.
En caso de que las fuerzas incluyan una significativa componente de torsión, el comportamiento
de torsión debe incluirse en el modelo y, por lo tanto, se necesita una descripción más completa
de la estructura. Esto se puede conseguir ampliando el modelo anteriormente presentado
mediante la introducción de torsión en el mismo. Dicha inclusión incrementa el número de
parámetros a identificar de 13 a 37, por lo que el proceso de optimización es mucho más
complejo. Los resultados obtenidos con un modelo más preciso de la estructura que incluye la
descripción de la torsión pueden verse en la figura 4. El proceso de optimización se ha llevado a
cabo esta vez con poblaciones de µ=10 y λ=70 para aumentar la capacidad de exploración de
la estrategia evolutiva en un espacio de parámetros de más dimensiones. Los escenarios de
daño 1 y 3 son, de nuevo, perfectamente identificados. Sin embargo, el caso de daño 2
contiene un porcentaje significativo de error debido a la convergencia del proceso de
optimización a un óptimo local.
6. CONCLUSIONES
BIBLIOGRAFÍA
[1] Farrar, C. R. and Doebling, S. W. (1997). “Lessons learned from application of vibration-
based damage identification methods to a larga bridge structure.” Proceedings of the
International Workshop on Structural Health Monitoring, Stanford University, Stanford, CA.
September 18-20, 1997, F.-K. Chang (Ed.), 351-370.
[2] Udwadia, F. E. and Sharma, D. K. (1978). Some uniqueness results related to building
structural identification. SIAM Journal on Applied Mathematics, 34(1):104-118.
[4] Koh, C. G., Hong, B., and Liaw, C.-Y. (2000). “Parameter identification of large structural
systems in time domain.” Journal of Structural Engineering, 126(8), 957-963.
[6] Schwefel, H.-P. (1977). Numerische Optimierung von Computer-Modellen mittels der
Evolutionsstrategie. Birkhauser, Stuttgart, 1st Edition.
[7] Bäck, T. (1996). Evolutionary Algorithms in Theory and Practice. Oxford University Press,
New York. 1st Edition.
[9] Luş, H., DeAngelis, M., Betti, R., and Longman, R. W. (2003). “Constructing second-order
models of mechanical systems from identified state space realizations. Part II: Numerical
investigations.” ASCE Journal of Engineering Mechanics, 129(5),489-501.