Machine Translated by Google

3.9 6.8

Artículo

Eliminación de efectos de temperatura de

Puente no estacionario – Vehículo
Señales de interacción para daños por ML
Detección

Sardorbek Niyozov, Marco Domaneschi, Joan R. Casas y Rick M. Delgadillo

Problema especial
Avances recientes en métodos centrados en datos y sensores para el monitoreo y control de la salud estructural.
Resiliencia

Editado
por el Prof. Dr. Mohammad N Noori, el Dr. Marco Domaneschi y el Prof. Dr. Naiwei Lu

https://doi.org/10.3390/s23115187
Machine Translated by Google

sensores
Artículo

Eliminación de efectos de temperatura de objetos no estacionarios

Señales de interacción puente­vehículo para la detección de daños por ML
1 2 3
Sardorbek Niyozov , Marco Domaneschi 1,* , Joan R. Casas y Rick M. Delgadillo

1
Departamento de Ingeniería Estructural, Geotécnica y de Construcción, Politecnico di Torino, 10129 Turín,
Italia; sardorbek.niyozov@studenti.polito.it
2
Departamento de Ingeniería Civil y Ambiental, Universitat Politècnica de Catalunya, 08034
Barcelona, España; joan.ramon.casas@upc.edu
3
Departamento de Ingeniería Civil, Universidad de Ingeniería y Tecnología—UTEC, Jr. Medrano Silva 165,
Barranco, Lima 15063, Perú; rdelgadillo@utec.edu.pe
* Correspondencia: marco.domaneschi@polito.it

Resumen: Los puentes son componentes vitales de las infraestructuras de transporte y, por tanto, es de suma
importancia que operen de forma segura y confiable. Este artículo propone y prueba una metodología para
detectar y localizar daños en puentes bajo variabilidad ambiental y de tráfico considerando la interacción
vehículo­puente no estacionario. En detalle, el presente estudio presenta un enfoque para la eliminación de
temperatura en el caso de vibraciones forzadas en el puente mediante análisis de componentes principales,
con detección y localización de daños mediante un algoritmo de aprendizaje automático no supervisado.
Debido a la dificultad de obtener datos reales sobre puentes no dañados y posteriormente dañados que se ven
influenciados simultáneamente por el tráfico y los cambios de temperatura, el método propuesto se valida
utilizando un punto de referencia numérico de puentes. La respuesta de aceleración vertical se deriva de un
análisis tiempo­historia con una carga en movimiento bajo diferentes temperaturas ambiente. Los resultados
muestran cómo los algoritmos de aprendizaje automático aplicados a la detección de daños en puentes
parecen ser una técnica prometedora para resolver eficientemente la complejidad del problema cuando en los
datos registrados se incluyen tanto la variabilidad operativa como la ambiental . Sin embargo, la aplicación de
ejemplo todavía muestra algunas limitaciones, como el uso de un puente numérico y no un puente real debido

Cita: Niyozov, S.; Domaneschi, M.; Casas,

a la falta de datos de vibración en condiciones de salud y daño, y con temperaturas variables; el simple
JR; Delgadillo, RM
modelado del vehículo como carga en movimiento; y el cruce de un solo vehículo presente en el puente. Esto será consid
Eliminación de efectos de temperatura de

señales de interacción puente­vehículo Palabras clave: detección de daños en puentes; no estacionario; PCA; K­medias; variabilidad operacional­
no estacionario para daños ML ambiental
Detección. Sensores 2023, 23, 5187.

https://doi.org/10.3390/s23115187

Editores académicos: Filippo Ubertini

y Luca De Marchi
1. Introducción
El envejecimiento, la degradación de los materiales, el deterioro, la fatiga y la corrosión son algunas de las
Recibido: 17 de abril de 2023
razones por las que las estructuras pierden su rendimiento. A veces pueden provocar que las estructuras fallen
Revisado: 10 de mayo de 2023
inesperadamente. La investigación en esta área [1] ha aumentado a medida que se han producido grandes
Aceptado: 25 de mayo de 2023
desastres en todo el mundo [2], que han provocado la muerte de un número considerable de personas y grandes
Publicado: 30 de mayo de 2023
consecuencias económicas. En este sentido, los sistemas de monitoreo de la salud estructural (MAS) se están
convirtiendo en una herramienta importante para prevenir fallas estructurales con pérdidas directas e indirectas.
Rytter [3] propuso una clasificación útil de MAS , quien clasificó cuatro niveles de
Copyright: © 2023 por los autores. evaluación de daños dependiendo de las características de daño que un sistema particular
Licenciatario MDPI, Basilea, Suiza. de MAS puede lograr.
Este artículo es un artículo de acceso abierto.
• Nivel 1: Indicación de existencia de daño (Detección); •
distribuido bajo los términos y
Nivel 2: Información de la posición del daño (Localización); •
condiciones de los Creative Commons
Nivel 3: Intensidad del daño (Evaluación); •
Licencia de atribución (CC BY) (https://
Nivel 4: Pronóstico (Predicción de vida restante).
creativecommons.org/licenses/by/
4.0/).

Sensores 2023, 23, 5187. https://doi.org/10.3390/s23115187 https://www.mdpi.com/journal/sensors

Machine Translated by Google

Sensores 2023, 23, 5187 2 de 26

Con el avance de los algoritmos de aprendizaje automático (ML), se puede introducir

arriba un nuevo nivel que corresponde al tipo de daño [4]. Este nuevo nivel se sitúa entre
los niveles 2 y 3.
Los datos de vibración generalmente se han utilizado para detectar el deterioro de puentes
basándose en cambios en los parámetros modales provocados por la presencia de daños. Es
bastante fácil obtener parámetros dinámicos como modales y propiedades de amortiguación utilizando
técnicas tradicionales de procesamiento de señales de tiempo­frecuencia, como la transformada
rápida de Fourier (FFT) y la transformada de Fourier de corto tiempo (STFT) [5,6]. Sin embargo, tales
técnicas de procesamiento de señales se basan en la idea de que la señal es estacionaria y lineal, lo
que en general se puede argumentar que es válido durante la breve ventana de tiempo, pero no es
válido durante todo el período de observación. Además, FFT presenta algunas limitaciones intrínsecas
que pueden dificultar la efectividad de la identificación del sistema y la posterior detección de daños [7].
Por ejemplo:

(i) El estado de salud estructural puede perderse durante el procedimiento de reducción de datos, que
se recupera específicamente
mediante FFT [8]. (ii) FFT no puede identificar la dependencia temporal de los parámetros dinámicos
y, cuando utiliza señales de estructuras naturalmente excitadas, no puede capturar los rasgos
evolutivos que se pueden observar en estas señales [9].
Las frecuencias más altas están poco excitadas y muy espaciadas, y normalmente representan
daños que son eventos locales [10,11]. Como resultado de los supuestos de linealidad y estacionariedad,
los métodos de detección de daños que utilizan FFT muestran limitaciones relevantes. Sin embargo,
las señales derivadas de vehículos que cruzan un puente no exhiben estas propiedades porque el
espectro de frecuencia de la respuesta se desplaza a lo largo del cruce debido a la interacción vehículo­
puente y porque la amplitud de la señal se modifica por la posición del vehículo en el puente en
relación. al lugar donde se registra la respuesta.
Queda claro que la frecuencia y amplitud de la vibración registrada dependen del tiempo. Como
resultado, las técnicas de extracción de parámetros modales (como FFT) que se basan en la linealidad
y estacionariedad del proceso no son aplicables para obtener indicadores de daños precisos y confiables.

Los métodos basados en wavelets, abordados en la literatura y aplicados a puentes, permiten

obtener información valiosa con respecto a la identificación modal. Sin embargo, las técnicas
desarrolladas están dirigidas a la identificación de sistemas generales que varían en el tiempo, mientras
que se sabe que otras condiciones críticas, como la interacción vehículo­puente, contienen componentes
espectrales muy espaciadas debido al acoplamiento dinámico vehículo­puente, que en cambio requiere
alternativas. enfoques [12].
También están presentes dos limitaciones importantes de SHM durante el monitoreo continuo.
En primer lugar, al aplicar algoritmos cada vez más sofisticados a los datos de seguimiento, se
estima el número de características que son sensibles a la degradación en lugar de medirse
directamente. Las frecuencias naturales , por ejemplo, se determinan mediante mediciones de
reacciones vibratorias, como las aceleraciones, que están sujetas a errores de estimación. Además
de los cambios provocados por la degradación estructural, las características descubiertas mediante
el monitoreo también son sensibles a las condiciones operativas (carga de tráfico) y ambientales
(temperatura, humedad y velocidad del viento). Como resultado, para aplicar correctamente el MAS,
es necesario considerar la precisión de las características predichas, así como la variabilidad ambiental y ope
En conclusión, dado que los efectos ambientales y del tráfico siempre tienen un impacto en la
respuesta dinámica en puentes reales en uso (provocando no linealidad y no estacionariedad en las
señales registradas), existen dos desafíos principales al utilizar técnicas de detección de daños en
puentes activos: cómo eliminar los efectos ambientales y extraer características de daño precisas que
sean prácticas para la detección, ubicación y cuantificación de daños a partir de vibraciones cortas,
no lineales y no estacionarias producidas cuando los vehículos cruzan el puente. Este artículo
demostrará cómo las características de daño relevantes derivadas de registros de vibraciones y
técnicas de aprendizaje automático pueden brindar una respuesta relevante a la consulta.
Machine Translated by Google

Sensores 2023, 23, 5187 3 de 26

2. Método de detección de daños

En general, se reconoce que una serie de elementos externos, incluidos el medio ambiente y las
circunstancias operativas (tráfico), tienen efectos sobre la eficiencia de los sistemas MAS cuando se
adoptan para puentes. Varios trabajos de SHM de la literatura se centran en el uso de técnicas de
aprendizaje estadístico y automático para abordar este problema. Por ejemplo, cuando la temperatura es
constante, Santos et al. [13] sugirieron una técnica de detección en línea no supervisada para la
identificación temprana de daños. Además, Soo et al. [14] propusieron un procedimiento para distinguir
los efectos ambientales de los daños casi en tiempo real utilizando el análisis de componentes principales,
aunque sin tener en cuenta la carga operativa. Sin embargo, no ofrecen una solución completa para
puentes sujetos tanto a cargas de tráfico como a fluctuaciones de temperatura. Tenelema et al. [15]
demostraron que el análisis de componentes principales (PCA) es eficiente para diferenciar los efectos
ambientales de datos seleccionados cuando se utilizan datos de tráfico. Utilizaron diferencias de fase
instantáneas como características sensibles al daño en un puente de acero y demostraron que el primer
componente principal (PC) está puramente relacionado con los efectos de la temperatura. Aunque el
efecto de la temperatura se mostró claramente, el modelo FEM del puente no representó con precisión
una estructura de puente real.
Además, la detección de daños se basó en los cambios de varianza en la segunda PC de PCA, lo que no puede
garantizar la certeza en casos reales debido al ruido excesivo.
Delgadillo y Casas [16] demostraron en un puente de armadura de acero real que las frecuencias
instantáneas (IF) son características confiables sensibles a daños aplicando la transformada de Hilbert­Huang y
la descomposición modal, realizando aprendizaje automático basado en clusters (K­means) no supervisado en
datos simbólicos. datos. Como resultado, los K­means demostraron ser eficientes para detectar y localizar el
daño, pero no se consideraron los efectos de la temperatura. Por lo tanto, el algoritmo K­means es una
herramienta prometedora que se probará en futuros desarrollos que incluyan la eliminación del efecto de la
temperatura.
También se pueden informar contribuciones más recientes de la literatura. Wang y cols. [17] propusieron
un método híbrido para la detección de daños bajo cambios ambientales. Específicamente, utilizaron un método
de mezcla PCA y gaussiano para agrupar los datos en estados dañados y no dañados.

Huang et al. [18] presentaron un “método de advertencia de rendimiento basado en trenes” para las
vigas principales de puentes utilizando datos a largo plazo, considerando la temperatura, el viento y la
carga de tráfico. Sin embargo, su objetivo se centra más en eliminar los efectos del tráfico del registro de
vibraciones analizado que en utilizar la capacidad de vibración debida al tráfico para la detección de daños.
Meixedo et al. [19,20] consideraron en conjunto diferentes efectos ambientales y operativos en los
puentes, es decir, temperatura, viento y carga de trenes. En particular, utilizaron la parte de la respuesta a
la vibración cuando la carga está sobre el puente para detectar daños.
Zhang et al. [21] propusieron un modelo de referencia de datos en estado estacionario para puentes
eliminando los efectos no estacionarios de la temperatura mediante el empleo de proyección direccional PCA.
Se utilizaron datos de deformación en los diferentes puntos del puente.
Wang y cols. (2022) [22] analizó la advertencia de rendimiento basada en errores del modelo de
desplazamiento para detectar anomalías estructurales utilizando PCA para eliminar cargas de tráfico, asumiendo
que la primera PC solo está relacionada con las cargas de tráfico.
El objetivo de este artículo es proporcionar una metodología SHM para un puente bajo efectos
operativos (carga de tráfico) y ambientales (temperatura). Por tanto, en este estudio se consideran ambas
condiciones de forma conjunta, mientras que las aportaciones de Tenelema et al. y Del gadillo y Casas
[15,16] no abordan completamente ambos efectos y no proporcionan un umbral apropiado para definir la
presencia de daño. Con respecto a Wang et al. [17], quienes argumentaron que los componentes
principales transportan información sobre el estado de la estructura, este artículo reconstruye los datos
eliminando primero la PC, relacionados con los efectos de la temperatura, y luego identifica los daños
mediante el uso de un enfoque avanzado de aprendizaje automático. Por el contrario, Huang et al. [18]
adoptaron PCA para eliminar los efectos del viento y el tráfico, mientras que la temperatura se eliminó
utilizando un método canónicamente correlacionado. Zhang et al. [21] aplicaron un enfoque de aprendizaje
automático a la segunda PC para la detección de daños sin considerar otras PC ni los efectos ambientales,
mientras que el presente trabajo emplea K­means para detectar y
Machine Translated by Google

Sensores 2023, 23, 5187 4 de 26

localización de daños. Además, considerando la contribución de Wang et al. (2022) [22], donde solo se
consideran puentes de luces largas y datos estáticos, este artículo se centra en puentes estándar y
frecuentes con luces cortas y medianas y utiliza respuesta dinámica.
Finalmente, respecto a Meixedo et al. [19,20], donde la vibración debida a los trenes se utilizó para
obtener modelos autorregresivos (AR) y de entrada exógena autorregresiva (ARX) como extractores de
f
características y se utilizó para la detección de daños únicamente fusionando los datos de diferentes
sensores, la principal novedad del El presente trabajo es la descomposición de vibraciones para abordar
ffi
la no estacionariedad intrínseca de la respuesta dinámica inducida por el tráfico vial para definir
indicadores de daño instantáneos en el dominio de la frecuencia, con la principal ventaja de que pueden
usarse tanto para la detección como para la localización de daños basados en los resultados de ff
diferentes sensores.
Este estudio trata de manera integral las señales no estacionarias registradas de la interacción
f
vehículo­puente , proponiendo el análisis PCA para la eliminación de efectos de temperatura y frecuencias
instantáneas como características de daño. Además, incluye el uso de un índice de daños, basado en un
f
enfoque de aprendizaje automático, como umbral claro para diferenciar escenarios dañados y no
dañados. La Figura 1 muestra un diagrama de flujo de la metodología propuesta, que se resume a
continuación:

Figura 1. Diagrama de flujo de la metodología SHM propuesta.

1. Los registros de aceleración bajo cargas de tráfico y a diferentes temperaturas ambiente se recopilan
mediante sensores.
ffi f
2. Se aplican descomposición de modo variacional (VMD) y transformada de Hilbert (HT) a los datos
registrados para elegir una característica sensible a daños para el siguiente paso. Este paso tiene
como objetivo deconstruir la señal no estacionaria en funciones de modo intrínseco (IMF).
En este estudio, la frecuencia instantánea se considera la característica de daño relevante.
3. Se realiza un análisis de componentes principales para eliminar los efectos ambientales.
(temperatura).
f
4. Se realiza un análisis de datos simbólicos y se aplica un algoritmo K­means de ventana móvil basado
en clústeres a escenarios seleccionados para la detección y localización de daños.
5. En las siguientes subsecciones, se describen las herramientas numéricas mencionadas anteriormente.
en detalle.

2.1. Descomposición en modo variacional (VMD)

Desde la propuesta de Dragomiretskiy y Zosso de 2014 [23] , la descomposición en modo
variacional (VMD) se ha utilizado ampliamente en una variedad de aplicaciones. Al extraer modos
simultáneamente, idearon un modelo de descomposición de modos variacionales que es completamente
no recursivo. Fue desarrollado para superar las limitaciones de sensibilidad al ruido y muestreo de la
descomposición en modo empírico (EMD).
VMD se utiliza frecuentemente en ingeniería estructural para la identificación modal
mediante la respuesta dinámica registrada. Por ejemplo, Bagheri et al. [24] usó una variedad de casos
Machine Translated by Google

Sensores 2023, 23, 5187 5 de 26

estudios (numéricos, experimentales y en sitio) para demostrar la efectividad del método VMD.
Un estudio de campo de un puente peatonal analizó la respuesta estructural a las vibraciones
ambientales , mientras que una investigación de laboratorio se centró en la respuesta vibratoria de una
estructura de varios pisos . Además, las características modales del marco de corte se calcularon
utilizando un método analítico y luego se compararon con los parámetros modales calculados mediante
pruebas de laboratorio. Como resultado, en comparación con las técnicas convencionales de
descomposición de señales como EMD, la identificación del sistema basada en VMD demostró ser
robusta frente a señales de ruido y frecuencia de muestreo.
La limitación de este método es que el número de modos K debe establecerse de antemano [25].
Si el número de modo seleccionado no es exacto, el VMD provocará la pérdida de modos importantes. Para
determinar el número de funciones de modo intrínseco (FMI) se han propuesto diferentes métodos como el método
del coeficiente de correlación [26], el método de información mutua normalizada [27] y, el más común, el método de
observación de frecuencia central [28]. ].

El objetivo de VMD es dividir discretamente una señal de entrada con valores reales, f, en
subseñales de banda cuasi ortogonales con límites de banda, uk (modos). Cada modo se condensa
alrededor de la pulsación central ωk , y el ancho de banda se calcula utilizando la suavidad gaussiana
H1 de la señal desplazada [28]. La forma del problema variacional restringido del VMD es la siguiente:

k
min
∑ ∂t δ(t) + reino unido(t) e −jωk t22 (1)
{Reino Unido}, {ωk}
jπt _
k=1

k
s. t. ∑ reino unido = f (2)
k=1

donde uk y ωk son la k­ésima función de modo intrínseco y es la frecuencia central,

respectivamente ; ∂t es la derivada del tiempo; δ(t) es la función delta de Dirac; y j es un número imaginar

L({uk}, {ωk}, λ) = α ∑ ∂t δ(t) + j reino unido(t) e −jωk t22

πt
k (3)
2
+ f(t) − ∑ reino unido(t) + λ(t), f(t) − ∑ reino unido(t)
2
k k

donde el parámetro de equilibrio de la restricción de fidelidad de datos, α, también se conoce como factor
de penalización.

2.2. Transformada de Hilbert (HT)

El HT es un operador lineal que transforma una señal real x(t) en otra señal real,
indicado por H[x(t)]. Se define como la convolución de x(t) con la función 1/(πt) :

+∞ xk(τ)
H[xk(t)] = 1 VP π dτ t (4)
−∞
−τ

PV es el valor principal de la integral de Cauchy, y xk(t) corresponde al késimo componente FMI

obtenido de la técnica de descomposición modal. Para simplificar, se utiliza la notación xk(t) en lugar de
IMFk(t) en todas las ecuaciones siguientes. El HT permite definir la señal analítica compleja zk(t), a partir
de la cual se pueden calcular la amplitud y la fase instantáneas. Una señal analítica representa la rotación
en el plano complejo con el radio de rotación ak(t) y la función instantánea θk(t) [25]. Esto implica que la
señal analítica se convierte en:

zk(t) = xk(t) + i H[xk(t)] = ak(t)e iθk (t) (5)

donde H[xk(t)] representa la transformada de Hilbert de IMFk(t), ak(t) es la amplitud instantánea

y θk(t) es la función de fase instantánea.

2 2
ak(t) = {xk(t)} + {H[xk(t)]} (6)
Machine Translated by Google

Sensores 2023, 23, 5187 6 de 26

H[xk(t)]
θk(t) = arctan (7)
xk(t)
La amplitud instantánea ak(t) describe la envolvente del FMIk(t) sin ruido,
mientras que θk(t) describe el número de rotaciones.
El concepto de frecuencia y fase tiene una importancia significativa al aplicar los FMI [29]. Si las
FMI pueden considerarse locales, entonces la frecuencia angular instantánea ωk(t) puede definirse como:

dθk(t)
ωk(t) = = 2π fk(t) dt (8)

Cohen [30] afirmó que cada FMI es una señal monocomponente con una fase monótonamente
creciente y una frecuencia instantánea positiva. Por lo tanto, cada FMI seleccionado se puede definir
como:
xk(t) = Re(zk(t)) = Re(ak(t)e iθk (t) ) = ak(t) cos[θk(t)] (9)

La suma de las fases instantáneas de los FMI elegidos se puede utilizar para determinar
la fase instantánea general:

H[xk(t)]
θ(t) = ∑ θk(t) = ∑ arctán (10)
k k
xk(t)

donde xk(t) son FMI físicamente significativas (es decir, más cercanas a las frecuencias naturales)
seleccionadas para el análisis espectral, y θ(t) es el número total de rotaciones en el plano complejo, en
radianes (rad), de una parte significativa de la señal medida original con xk(t).

2.3. Algoritmo de agrupación

El estudio de agrupar o agrupar cosas basándose en características o similitudes intrínsecas
mensurables o percibidas se conoce como análisis de agrupaciones. La agrupación de datos (aprendizaje
no supervisado) se diferencia de la clasificación o el análisis discriminante porque carece de información
de categorías (aprendizaje supervisado). Las técnicas de agrupación no requieren definir datos de
referencia/entrenamiento, a diferencia de los algoritmos supervisados. Al buscar el grupo de
conglomerados más pequeño y distinto, pueden "comprender" la estructura de un conjunto de datos [31].
El objetivo principal de los algoritmos de agrupamiento es identificar una estructura o un patrón en
los datos. Es un esfuerzo por aumentar la disimilitud entre objetos asignados a varios grupos y al mismo
tiempo minimizar la distinción entre objetos de datos asociados matemáticamente con el mismo grupo
[31]. No existe una creencia unívoca sobre toda la definición de clustering, aunque a continuación se
proporciona una tradicional [32]: 1. Las instancias, en el mismo cluster,
deben ser lo más similares posible.
2. Las instancias, en los diferentes clusters, deben ser lo más diferentes posible.
3. La medición de similitudes y diferencias debe ser clara y tener un significado práctico.
En este trabajo se tienen en cuenta K­medias. Es un enfoque de agrupación en clústeres basado en particiones.
El principio fundamental de esta clase de algoritmos es tratar el centro de cada punto de datos como el
centro de su grupo asociado [32].
Sea PK = {CK, . . . , CK} se dividirá en K grupos. Entonces, el análisis general dentro del grupo
La disimilitud W(PK) se puede definir como [31]

1 k
W(PK) = 2k ∑ ∑ ∑ dij c(i)=k (11)
=1 c(j)=k

donde c(i) es una función de asignación de muchos a uno que asigna el objeto i al grupo k, con respecto
a una medida de disimilitud, dij, definida entre cada par de objetos de datos, i y j.
Machine Translated by Google

Sensores 2023, 23, 5187 7 de 26

La disimilitud general de un conjunto de datos, OD, se muestra a continuación.

1 norte norte

DO = ∑ ∑ dij
2 i=1 j=1
(12)

donde N es el número total de objetos. La disimilitud entre conglomerados se obtiene restando las dos
ecuaciones anteriores, B(PK) = OD − W(PK).
El objetivo de las K­medias es minimizar la disimilitud general dentro del clúster, W(PK), de una
partición determinada, PK, mediante el esquema de optimización iterativo. Las K­medias requieren
que el número de K < N grupos se defina inicialmente [31] con un conjunto definido aleatoriamente de
K prototipos de grupos a partir del mismo tipo de datos. Este paso se llama inicialización. Después de
la inicialización, cada iteración comienza asignando objetos a grupos mediante la asignación de la regla c (i).
El segundo paso de los algoritmos K­means es encontrar los mejores prototipos que representen los
grupos definidos anteriormente. Se llama paso de representación. K­medias representa los grupos
encontrando sus centroides. El proceso de asignación y representación continúa hasta que una función
objetivo que depende de la compacidad y separación de los grupos alcanza su valor mínimo global [31].

Las K­medias utilizan la disimilitud al cuadrado dentro del grupo medida en los K grupos como
función objetivo [32]. Suelen basarse en métricas de distancia. La distancia euclidiana es la más utilizada
(raíz cuadrada de la suma de cuadrados). Sin embargo, provoca importantes detecciones falsas y
aumenta la complejidad informática cuando se aplica SHM. Para abordar estas cuestiones se utiliza la
medida alternativa de distancia Gowda­Diday [31].

2.4. Identificación de daños

El último paso del proceso es la definición de un valor cuantitativo (un valor umbral o índice de
detección) que defina claramente el límite entre las situaciones dañadas y no dañadas y minimice el
número de falsos positivos.
El algoritmo K­means exige la definición inicial del número de K ≤ N de clusters, así como un
conjunto definido aleatoriamente de prototipos de cluster, que son objetos del mismo tipo que los que se
agrupan. El proceso de elegir qué conjunto de prototipos representa mejor los grupos especificados
durante la fase de asignación se conoce como paso de representación de cada iteración de K­medias.
No hay forma de predecir de antemano si este número coincidirá con el número de condiciones
estructurales distintas identificadas en el sitio. No se pueden sacar conclusiones claras sin identificar cuál
de las particiones captura mejor la estructura de los datos. El índice de silueta global (SIL) se emplea en
este estudio para obtener el número de conglomerados, ya que obtuvo mejores resultados en
investigaciones anteriores cuando su formulación se discutió exhaustivamente [13,33]. A la iésima
observación se le asigna un número determinado de grupos K, con el siguiente valor, para crear la
estadística de silueta [16]:

b(xi) − a(xi)
s(xi) = [−1, 1] máx{a(xi), b(xi)} (13)

donde a(xi) es la distancia promedio entre el i­ésimo objeto del grupo C y los j objetos restantes, y b(xi) la
distancia al centro del grupo vecino más cercano. A continuación se muestran, en consecuencia, los
anchos de silueta promedio para todas las muestras y el índice de silueta de los conglomerados, donde
(1 ≤ Mk ≤ N), N es el conjunto de objetos, K es la partición para el agrupamiento y el coeficiente de silueta
varía de 0 a 1.

1 mk
s(x) = ∑s (xi) (14)
mk yo=1

1 k
SIL = ∑s (x) (15)
Kk =1
Machine Translated by Google

Sensores 2023, 23, 5187 8 de 26

Para los propósitos del presente estudio, es importante señalar que la partición que, entre las K
evaluadas, tiene el valor SIL más alto es la que mejor se ajusta al conjunto de datos examinados y, por lo
tanto, debe tomarse en consideración para SHM.

El análisis de conglomerados puede distinguir automáticamente entre situaciones estructurales sin

hacer suposiciones sobre la condición estructural pasada del sitio. Sin embargo, se requiere la participación
del usuario para determinar si la salida es compacta o mixta a lo largo del tiempo.
Crea varias dificultades para implementar el método en aplicaciones en tiempo real. Para superar
este problema, Santos et al. [31] propusieron una estrategia sólida para la detección de daños utilizando un
algoritmo basado en clústeres con ventanas de tiempo móviles. Se basa en la diferencia promedio entre
grupos en lugar de depender de la asignación de objetos de datos al grupo a lo largo del tiempo definiendo
el siguiente índice de daño DC [31].

1 k k
CC = ∑ ∑ pato
K(K ­ 1) k=1 c=1
(dieciséis)

c=1

cyk son dos de los K grupos, K es el número de grupos de la partición con el SIL más alto y dck
es la disimilitud de Gowda­Diday calculada entre sus centroides. Los grupos de K­medias son similares
y producirán valores bajos de DC si no hay daños y el comportamiento estructural es estable. Por lo
tanto, el algoritmo K­means producirá grupos distintos e independientes y valores altos de DC si se
detecta daño.
Santos et al. [31] sostienen además que DC es particularmente sensible a daños tempranos y capaz de
fusionar grandes datos porque la información recopilada de numerosos sensores se conoce como índice
de valor único.
Idealmente, la estrategia de detección debería proporcionar información binaria VERDADERO/FALSO.
L es la duración de cada muestra de datos, S es el número de muestras por ventana y SL es la duración
fija en la que se especifican las ventanas de tiempo. Santos et al. [31] proponen la prueba estadística
de los valores de DC adquiridos dentro de la longitud de cada ventana de tiempo porque el valor de DC
no es informativo por sí solo (no proporciona información VERDADERO/FALSO).
La prueba estadística de los valores de DC da como resultado la definición del límite de
confianza (CB), que debe excederse sólo en el caso de que el sistema estructural presente cambios.
El CB se define en cada ventana de tiempo, probando estadísticamente la distribución de los DC ,
bajo el supuesto de que sólo los efectos aleatorios influyen en los errores residuales obtenidos de las
estructuras no encadenadas. Generalmente, se utiliza una distribución estadística normal en los trabajos de
SHM relacionados con la detección de daños. Para describir muestras pequeñas tomadas de una población
gaussiana, la distribución t­student es más adecuada porque hay solo unos pocos valores de DC en cada
ventana de tiempo [31].
El límite de confianza en cada ventana de tiempo se obtiene de la siguiente manera:

CB = E[CC] + t β × mi[DC − mi[DC]]/ √ S (17)

s­1, 21 2+

donde t 1 es el 2 + 2 percentil β de una distribución t­student con S − 1 grados de

s −1, 21 2+
β

libertad, y β es el nivel de confianza tomado al 99,9%.

E[DC] y E[DC − E[DC]] son estimaciones del valor esperado y de la variabilidad de la muestra de DC
dentro de la ventana de tiempo analizada, respectivamente.
Finalmente, Santos et al. [31] sugirieron un índice de detección original, DI, basado en los
valores de DC y CB . Se define que tiene las siguientes propiedades: (i) no tiene dimensiones,
(ii) tiene un carácter no supervisado y de ventana al utilizar solo datos pertenecientes a una
única ventana de tiempo, y (iii) tiene valores positivos que indican daño. detección
("VERDADERO") y valores negativos o nulos que representan una respuesta estructural sin
cambios ("FALSO"). Como se define a continuación, DI (índice de detección) se define como la relación e
Machine Translated by Google

Sensores 2023, 23, 5187 9 de 26

Valor de DC (índice de daño) observado dentro de un intervalo de tiempo y la mayor desviación de DC

= [ de confianza).,
observado por encima del CB (límite − [ ]/√ ] +

+
maxi(DCi − CB)
, DI = ; yo = 1, . . . , S (18)
medio(DCi)
b
[ ] − [ 3. Estudio de caso ]
3.1. Descripción del modelo de puente de hormigón
La metodología propuesta se aplica a un modelo numérico de un tramo continuo de dos vanos.
Componente de superestructura del puente de vigas bajo cambios operativos y ambientales.
condiciones. El modelo fue desarrollado a partir de un puente de acero original de referencia.
presentado por Tatsis y Chatzi [34] a través de scripts Python de código abierto, que estuvieron disponibles
a través de GitHub (Tabla 1), con el objetivo de representar mejor las estructuras de puentes reales.

Tabla 1. Geometría y propiedades mecánicas de la superestructura del puente numérico.

Geometría (Unidades) Símbolo Valor

()
= ; = 1,…, L1 ()
Longitud del tramo izquierdo (m) 10

Longitud del tramo derecho (m) L2L 10

Longitud total del puente (m) _ 20

Altura del puente (m) h 0,6

Ancho del puente (m) t 10

Propiedades del material a T = 20 ◦C

Densidad de masa (kg/m3 ) ρ 2400

Módulo de Young (GPa) mi 35

el coeficiente de Poisson v 0,2
tz
Módulo de corte (GPa) GRAMO 14.6
TT

La superestructura del puente (Figura 2) consta de un puente de dos vanos con igual longitud.
(L1 y L2 = 10m). La sección transversal de la viga es rectangular con un ancho constante de
10 m y una altura de 0,6 m.

Figura 2. Geometría del puente de dos vanos en sentido longitudinal con límites elásticos.

Se supone que el puente está hecho de hormigón armado con E = 35 GPa. Es un

material elástico lineal con densidad ρ = 2400 kg/m3 a temperatura ambiente T = 20 ◦C y
ρ
v ν = 0,2. La Tabla 1 resume la geometría y las propiedades mecánicas.
Relación de Poisson
El puente está sostenido por nueve cojinetes de caucho elastomérico que están modelados como tres
soportes elásticos espaciados uniformemente en cada estribo y pila intermedia y coloque los
borde inferior de la superestructura del puente.
La Tabla 2 resume la rigidez horizontal global, kx, y la rigidez vertical, ky, adoptadas
para los tres soportes de resorte que consideran la rigidez del correspondiente elastómero
Cojinetes diseñados en función de las cargas que actúan sobre el puente (peso propio, carga permanente,
carga de tráfico, temperatura, etc.).

Tabla 2. Rigidez horizontal, kx, y rigidez vertical, ky, adoptadas para los tres soportes de resorte.

Rigidez (Unidades)
= 20ºC
Soporte Izquierdo Soporte medio Soporte adecuado

kx (N/m) ky 10.714.200
ρ 19.285.500 10.714.200

(N/m) 1015 1020 1015

v
Machine Translated by Google

Sensores 2023, 23, 5187 10 de 26

TT

3.2. Escenarios de daños y sensores f f

f
Para proporcionar información sobre las variables nodales en las direcciones x e y , se piensan
en seis puntos de detección o “sensores” (es decir, desplazamientos, velocidades, aceleraciones,
ffi La Tabla 3 describe dónde están ubicados estos sensores. La Figura 3 muestra
deformaciones, etc.).
los seis sensores elegidos como puntos verdes. Además, en el puente se modelan seis escenarios
f
de daños (DMG1 a DMG6). f
Los daños se introducen asignando características de rigidez más bajas
a series seleccionadas de elementos. En lo sucesivo, se denominarán “ elementos de malla inducidos
por daños” (elementos rojos en la Figura 3).

Tabla 3. Ubicaciones de los sensores a lo largo del puente.

Posición en el eje neutro del haz

Sensor Características
(y = 0,3m)
S­01 1 ⁄4 L1 del soporte izquierdo x = 2,5 metros
T­02 1 ⁄2 L1 del soporte izquierdo x = 5,0 m
T­03 3 ⁄4 L1 del soporte izquierdo x = 7,5 mx
T­04 3 ⁄4 L2 del soporte derecho = 12,5 mx =
f
T­05 1 ⁄2 L2 del soporte derecho 15,0 mx =
T­06 1 ⁄4 L2 del soporte derecho 17,5 m

Figura 3. Sensores (en verde) y ubicaciones de daños (en rojo) en la estructura del puente.

La primera región de daño se encuentra en el centro del tramo izquierdo (DMG1, DMG2,
DMG3), comenzando desde
TT el borde más inferior de la sección transversal de la viga, mientras que
la segunda región de daño se encuentra en la sección de soporte intermedia (DMG4, DMG5, DMG6),
empezando por el borde superior de la viga. Además, el número de elementos de malla inducidos
por daños también varía, como se muestra en la Figura 3. Por ejemplo, DMG1 y DMG4 cubren un
área de dos elementos dañados, DMG2 y DMG5 una zona de cuatro elementos dañados, mientras
que DMG2 y DMG6 una zona de seis elementos dañados. Como resultado, los elementos dañados
tienen un ancho de 0,05 m y una altura de 0,1 a 0,3 m. La Tabla 4 proporciona un resumen de las
descripciones de estas seis situaciones de daño.

Tabla 4. Escenarios de daños proporcionados por el benchmark.

Escenarios de daños Elementos dañados Ubicación del daño

Escenario sin daños (UND) 0

Escenario de daños 1 (DMG1) 2

Escenario de daños 2 (DMG2) 4 A 1/2 L1 del soporte izquierdo,
Escenario de daños 3 (DMG3) 6 comenzando desde el borde inferior

Escenario de daños 4 (DMG4) 2

4
En L1 desde el soporte izquierdo,
Escenario de daños 5 (DMG5)
6
comenzando desde el borde superior
Escenario de daños 6 (DMG6)

Además de los escenarios de daño, el modelo permite controlar la severidad del daño
estableciendo la reducción del módulo de Young.
Machine Translated by Google

Sensores 2023, 23, 5187 11 de 26

TT

f
La reducción de la rigidez se indica con D, seguida de la cantidad de reducción. Por ejemplo, D50%
significa una reducción del 50% en el módulo de Young en un elemento y escenario de daño determinados.

3.3. Carga
ffi
Para realizar un análisis tiempo­historial que simule el flujo de tráfico, se utiliza una carga en movimiento
determinista. Los métodos de procesamiento de datos como la transformada de Hilbert Huang pueden
detectar estas singularidades en la señal causada por las vibraciones creadas por la carga en movimiento y
es la herramienta adecuada para analizar las aceleraciones no estacionarias producidas por la carga que
cruza a lo largo del puente [29,30]. El paso de un vehículo se modela como una carga en movimiento F con
velocidad constante v en este caso de estudio, como se muestra en la Figura 4. El peso de un camión estándar de
Se consideran unas 30 toneladas.

Figura 4. Carga en forma de fuerza vertical en movimiento F con velocidad constante v.

En resumen, se consideran los siguientes parámetros para el análisis tiempo­historia: − Se seleccionan

los modos de flexión primero, segundo y tercero; − Los coeficientes de
−
amortiguamiento de Rayleigh son α = 0,1654
− y βes
vehículo = 10
5,4333 × 10−6 ; ffi β − La velocidad del
αm/s; − Una
frecuencia de muestreo de fs = 400 Hz en
−
los sensores virtuales, un paso de tiempo en el análisis en el dominio del tiempo de ∆t = 0,001 s, un paso de
−
tiempo final Tf = 2 s (tiempo para cruzar el puente), y Δ un número total de tiempo se consideran
muestras de 800.

Simulación de Temperatura Para

comprobar la capacidad de la metodología de aprendizaje automático propuesta para superar los
problemas relacionados con los efectos de la temperatura en las señales grabadas, se obtienen diferentes
respuestas bajo diferentes temperaturas ambientales. Esto se introduce en el modelo numérico teniendo en
cuenta la relación entre la temperatura y el módulo de Young del hormigón. El trabajo de Jiao et al. [35] ,
donde se dio una relación lineal entre el módulo de elasticidad y la temperatura:

Ec = −0,125T + 29,13 (19)

R 2 = 0,9852 (20)

Para el presente estudio se toma Ec = 35 GPa a una temperatura de referencia de 20 ◦C, y

la relación se modifica en consecuencia.

Ec = −0,125T + 37,5 (21)

3.4. Resultados y discusión

Como se indicó anteriormente, el objetivo principal de este artículo es proponer y probar la metodología
basada en aprendizaje automático para la detección de daños en puentes que será capaz de distinguir el
daño real de los cambios ambientales y utilizando las vibraciones forzadas debido al cruce del tráfico. Para
simular esas condiciones, se decidió modelar el paso del camión a dos temperaturas diferentes y tanto en
estado dañado como sin daño.
Por lo tanto, en el presente trabajo se eligieron preliminarmente los siguientes escenarios extremos para
la respuesta tiempo­historia debido a la acción del tráfico :
Machine Translated by Google
ffi
f
ffi
Sensores 2023, 23, 5187 12 de 26

1. UND, T = −15 ◦C, D0%; 2. UND, T

= 20 ◦C, D0%; 3. DMG3, T = 20
◦C, D90%; 4. DMG3, T = −15 ◦C,
D90%.

En todos los casos, el daño se introduce en la mitad del tramo izquierdo.

La Figura 5 muestra las aceleraciones obtenidas en el Sensor S01 para los cuatro escenarios considerados.

Figura 5. Aceleraciones Y registradas en S01.

3.4.1. VMD

VMD es una técnica de descomposición de señales con sus propios parámetros experimentales.
Dado que los FMI revelan la información de frecuencia contenida en la señal original, los picos en el espectro de
Fourier de esta señal dan una indicación aproximada del número de FMI que se extraerán de una técnica de
descomposición de señal particular. Por lo tanto, también se analiza el espectro de amplitud unilateral de los FMI
descompuestos.
Hay seis parámetros que se deben configurar para aplicar VMD εa, εr , O, α, τ y K. εa y εr son tolerancia
absoluta y relativa, respectivamente. En este caso de estudio, la tolerancia absoluta es más restrictiva que la
tolerancia relativa, como en la implementación de MATLAB. Por lo tanto, εa = 0,1 y εr = 10−5 .
Se establece un número elevado de iteraciones O = 100.000 para detener el VMD
solo cuando se cumple la tolerancia relativa.
Se ha demostrado la eficacia del método VMD. El algoritmo siempre busca reconstruir
la serie temporal de manera efectiva con el mínimo error. El método VMD garantiza que no
haya mezcla de modos, así como la ortogonalidad de la transformación. Aunque esta sección
se refiere a la descomposición de la señal para el estado sin daños a T = 20 ◦C en el sensor
S­01 (Figura 6), se realiza el mismo procedimiento para todos los sensores y se compara con
los escenarios de daño. Este estudio reveló que la descomposición de la señal es similar para
cada escenario de daño utilizando los mismos parámetros VMD que en el Sensor S01: εa = ,
0,1, εr = 10−5 τ = 0,1, εr = 10−5 y O = 100.000, con la excepción de el número de modos K,
que varía de un sensor a otro, como se muestra en la Tabla 5.
Machine Translated by Google

ε ε −

Sensores 2023, 23, 5187 13 de 26

ε −

Figura 6. Señal de aceleración Y del estado sin daños de S01 en T = 20 ◦C y su VMD.

k
10 10 10 10 10 10
α
Machine Translated by Google

Sensores 2023, 23, 5187 14 de 26

Tabla 5. Parámetros VMD para cada sensor.

Parámetros T01 T02 S03 S04 S05 T06

Número de modos, K
10 10 10 10 10 10
6
Tolerancia relativa, εr α 6 5 6 6 5 10­5
Factor de penalización, α 10­5 10­5 10­5 10­5 10−5 1000
Coeficiente de fidelidad, τ 0.1
Tolerancia absoluta, εa 1000 0,1 0,1 0.1
Número de iteraciones, O 100.000 1000 0,1 0,1 100.000
1000 0,1 0,1 100.000
1000 0,1 0,1 100.000
1000 0,1 0,1 100.000
100.000

Se encuentra que K es 6 para los sensores S01, S03, S04 y S06, que están ubicados41desde el
soportes de resorte, mientras que K se establece en 5 para los Sensores S02 y S05, que se colocan en
la mitad del tramo izquierdo y derecho, respectivamente. En estas amplitudes de señal del sensor,
El segundo modo de flexión es mucho menor que en el resto de sensores, lo que resulta en una mezcla de
los modos asimétrico y simétrico, como se muestra en IMF3 en la Figura 7.

Figura 7. FMI 3 de la señal de aceleración Y en estado intacto procedente de S02 a T = 20 ◦C.

3.4.2. Transformada de Hilbert

La transformada de Hilbert se aplica para estudiar las características de diferentes variables que varían en el tiempo.
parámetros obtenidos de escenarios y para obtener características sensibles a daños. En particular,
el objetivo es examinar cada FMI y obtener la frecuencia instantánea en función del tiempo.
Se puede lograr aplicando la transformada de Hilbert (HT) a cada FMI extraída del
Aplicación del método VMD.
Las frecuencias instantáneas fk(t) se obtienen aplicando la transformada de Hilbert
a los k FMI físicamente significativos, por ejemplo, Figura 8 para el Sensor S­01. Se puede notar como
Las condiciones de contorno afectan la respuesta: cuando la carga está en los extremos, sobre el
pilares (instante de tiempo de 0 s y 2 s), se generan oscilaciones mayores en el modelo
debido a la concentración de carga y las propiedades elásticas (sin efectos disipativos) del
modelo numérico. Por lo tanto, se decidió concatenar el análisis en el instante
frecuencias en el intervalo de 0,1 a 1,5 s como señal temporal adecuada para el análisis
(Figura 9).

3.4.3. Aplicación de PCA (Eliminación de Efectos Ambientales)

Cuando se aplica PCA [14,36–38] al conjunto de datos, el primer componente principal (PC1)
representa el factor que crea la mayor variación dentro del conjunto de datos, el segundo
El componente principal (PC2) representa el factor que crea la segunda mayor varianza.
afectando los datos, etcétera.
Según Soo et al. [37], el conjunto de datos debe provenir de dos extremos y opuestos.
situaciones de temperatura para representar con precisión los impactos de las fluctuaciones de temperatura
en PC1. Como resultado, si el conjunto de datos está estandarizado, se mostrarán los casos extremos.
en los lados opuestos del gráfico PC1, indicando valores negativos y positivos de la
diferencia. Por lo tanto, elementos menores adicionales que afectan el conjunto de datos, como la estructura
daños, estarán representados por los demás componentes primarios.
Como se muestra en el diagrama de flujo de la Figura 10, la metodología PCA para filtrar la temperatura
Los efectos que afectan los parámetros de vibración se pueden dividir en ocho pasos principales.
Machine Translated by Google aobservar
los k FMI físicamente
cómo los k FMIsignificativos, por ejemplo, Figura
físicamente significativos, 8 para Figura
por ejemplo, el Sensor S­01.
8 para el Se puede
Sensor S­01.
Se
estápuede
en losobservar cómo
extremos, laslos
sobre condiciones
topes. Lasde contorno afectan
condiciones la respuesta:
de contorno afectan cuando la carga
la respuesta:
cuando
generanlaoscilaciones
carga está en
más losgrandes
extremos,en sobre los topes
el modelo debido (instante de tiempo de
a la concentración de0carga
s y 2 s). , se
y las
propiedades elásticas (sin
carga y las propiedades efectos (sin
elásticas disipativos) de los valores
efectos disipativos) de numéricos
los números de la concentración de
Sensores 2023, 23, 5187 15 de 26
modelo. Por lo
Por lo tanto, setanto, seconcatenar
decidió decidió concatenar el en
el análisis análisis en el modelo
las frecuencias de frecuencia
instantáneas en elinstantánea.
intervalo
de
cies0,1
enael1,5 s comode
intervalo señal
0,1 ade1,5
tiempo
s comoapropiada
señal depara el análisis
tiempo adecuada(Figura
para9).
el análisis (Figura 9).

Frecuencia
Figura 8. Figura instantánea
8. Frecuencia
Frecuencia parapara
instantánea
instantánea para cada cada escenario
cada
escenarioescenarioenenelelS­01.
en el Sensor Sensor
Sensor S­01.
S­01.

Figura 9. Frecuencias instantáneas concatenadas para cada escenario en el Sensor S­01.

El conjunto de datos básico para un PCA típico es una matriz bidimensional, Xn,m, que consta de n observaciones .
(p. ej., variabilidad de temperatura) y m variables medidas (p. ej., modos). La correlación
entre estas variables se examina utilizando el método PCA estándar. Sin embargo, porque
las variables observadas (por ejemplo, frecuencias instantáneas) son continuas en el tiempo en este caso
En el estudio, se agrega una tercera dimensión, k, lo que da como resultado Xn,m,k .

En este estudio de caso, las correlaciones entre una variable medida particular (instantánea
frecuencia) obtenida para cada FMI my se analizan varias observaciones de temperatura, n.
Por lo tanto, cada muestra y cada sensor se tratan de forma independiente. Como una ilustracion,
La Figura 11 muestra el despliegue en el tiempo de muestras del conjunto de datos correspondiente a un sensor.
dando como resultado una matriz de datos tridimensional, Xn,m,k .
Machine Translated by Google
f

16 de 26
Sensores 2023, 23, 5187 f

Figura 10. Diagrama de flujo del método de filtrado basado,, en PCA.

,,.

Figura 11. Despliegue de matriz PCA para un sensor.

Además, se debe añadir una cuarta dimensión, l, a la matriz de datos cuando se examinan
varios sensores. Como resultado, se crea una matriz de datos de cuatro dimensiones Xn,m,k,l con
una gran cantidad de variables conectadas, como se ilustra en la Figura,,,12.
Por un lado, el número de observaciones es n = 9 correspondientes a las 8 temperaturas
extremas (observaciones de casos) para crear la línea base más una nueva observación. El
número de modos, m, representa el número de FMI en los que se descompuso la señal original .
Como se vio en la sección anterior, el número de FMI m varía de un sensor a otro: m = 6 para
los sensores S01, S03, S04 y S06, y m = 5 para los sensores S02 y S05. Como recordatorio,
los parámetros modales instantáneos se obtuvieron para el intervalo de 0,1 a 1,5 s y se
seleccionó una frecuencia de muestreo de 400 Hz para capturar los primeros tres modos de
vibración de flexión, por lo tanto, la dimensión k = 560. La respuesta de aceleración vertical obtenida para
Machine Translated by Google

Sensores 2023, 23, 5187 17 de 26

La condición de temperatura se descompuso mediante el método basado en

,,, VMD con el
siguientes parámetros: α = 1000 εa = 0,1, εr = 10−5 , τ = 0,1, εr = 10−5 y O = 100.000.

Figura 12. Matriz de datos completa para PCA.

A continuación, se presentan los resultados gráficos para las cajas no dañadas y las cajas dañadas
correspondientes a escenarios a una temperatura de 20 ◦C (puntos negros) en las Figuras 13 y 14 .
(sólo para PC2). Estos representan una muestra representativa de los resultados en diferentes
escenarios . Además, para crear la línea de base, cuatro casos extremos a bajas temperaturas de alrededor
−30 ◦C (puntos azules) y cuatro casos extremos con altas temperaturas de alrededor de 70 ◦C (puntos rojos)
son considerados.

= 1000 = 0,1 = 10 =0,1 = 10

(t)

Figura 13.Figura
negativa PCA de13.UND
PCATde= 20
UND◦C,TD0%, S01D0%,
= 20 °C, (puntos
S01negros);
(puntospuntos
negros);azules:
puntostémpera
azules:extremadamente
temperaturas
extremadamente negativas
(­30 °C, ­29 °C, ­28 °C, ­27( °C);
−30 puntos
◦C, −29rojos:
◦C, −28 ◦C, −27 ◦C);positivas
temperaturas puntos rojos: temperaturas
extremas positivas
(67 °C, 68 °C, 69 extremas (67 ◦C, 68
°C, 70 °C).
69 ◦C, 70 ◦C).
Como se mencionó,
relacionada PC1
con el tem. Serelacionado con
determinó la los datosinstantánea
frecuencia muestra la varianza más FMI.
xk(t) de cada alta La figura 13 ilustra
temperatura.
casos Como sin
de escenario los daños
escenarios
de 20considerados son de
◦C para el sensor ­15En
S01. °Clos
y 20 °C, ambos
casos se encuentran
extremos entre
verti, tanto en los seis componentes
condiciones para
dañadas como no los
dañadas, queda claro que en el eje cal PC1, se informa la varianza de los componentes principales (adimensionales). Además,

Se
está puede observar
definitivamente quecon
relacionado la lamagnitud
temperatura.de las observaciones en PC1 es mucho mayor que la de

todos los
Además,
escenarios
es importante
considerados.
señalar que PC2 puede revelar algunos cambios en la estructura PC2 para
respuesta también.PC1
se mencionó, Si serelacionado
dan dos casos con delos condiciones dañadas
datos muestra y no dañadas
la variación más altaarelacionada
T = 20 °C . con
Comoel
temperatura. Como los escenarios bajo consideración son −15 ◦C y 20 ◦C, ambos caen
En comparación (Figura 14), se puede observar la diferencia en PC2.

entre casos extremos, tanto en condiciones dañadas como no dañadas, dejando así claro
que PC1 está definitivamente relacionado con la temperatura.
Además, es importante señalar que PC2 puede revelar algunos cambios en la estructura.
respuesta también. Si dos casos de condiciones dañadas y no dañadas a T = 20 ◦C son
En comparación (Figura 14), se puede observar la diferencia en PC2.
Machine Translated by Google −

Sensores 2023, 23, 5187 18 de 26

Figura 14. Comparación de PC2: (a) UND T = 20 ◦C, D0%, S01 (puntos negros); puntos azules: extremadamente negativo
−
temperaturas ( −30 −
◦C, −29 − ◦C, −27
◦C, −28 − ◦C); puntos rojos: temperaturas positivas extremas (67 ◦C,

68 ◦C, 69 ◦C, 70 ◦C) (b) DMG3, T = 20 ◦C, D90%, S01 (puntos negros); puntos azules: extremadamente negativo
− − − −
temperaturas (−30 ◦C, −29 ◦C, −28 ◦C, −27 ◦C); puntos rojos: temperaturas positivas extremas (67 ◦C,
68 ◦C, 69 ◦C, 70 ◦C).

Como siguiente paso, las características sensibles al daño (frecuencias instantáneas) se

reconstruyen utilizando los cinco últimos componentes principales (de PC2 a PC6). Cabe resaltar que
los datos reconstruidos deben reescalarse para que tengan un significado físico. −

En la Figura 15 a continuación, el IF de un escenario representativo (sin daños: −15 ◦C) en S01

Se muestra antes y después de la aplicación de la reducción de dimensionalidad PCA. Vale la pena
observando que el IF a 20 ◦C tuvo un menor
− cambio de magnitud entre, después y antes del
Aplicación de PCA con respecto a −15 ◦C.

Figura 15. Frecuencias instantáneas antes y después de la aplicación de la reducción de dimensionalidad PCA.

La Figura 16 muestra la variación de las frecuencias instantáneas en cada escenario de daño.

desde S01. Como se puede observar, aunque la reducción de dimensionalidad de PCA se aplicó en
frecuencias altas (~48 Hz, ~56,5 Hz, ~98,7 Hz, ~110 Hz), la diferencia entre daño
y los escenarios de temperatura en su valor es visiblemente claro. La aplicación
f del análisis de conglomerados.
a dichos datos no será apropiado, ya que el objetivo de la metodología es distinguir
entre estados dañados y no dañados cuando la influencia de la temperatura no es
fácilmente observado. Además, las señales de S02 y S05 también fueron ignoradas, ya que el
problema de mezcla de modos debido a que el VMD creó la mezcla de datos después del análisis PCA, lo que hace que
frecuencias instantáneas poco fiables.
Machine Translated by Google

Sensores 2023, 23, 5187 19 de 26

Figura 16. Variación de las frecuencias instantáneas de diferentesf escenarios relacionados con S01.

En conclusión, solo se consideraron para el algoritmo de agrupamiento las primeras

frecuencias instantáneas (~15,6 Hz) de S01, S03, S04 y S06.

3.4.4. K­medias
Antes de la aplicación del algoritmo K­means, los datos deben reducirse a tipos más
genéricos y a información menos voluminosa en contraste con los datos clásicos utilizados en SHM.
Las características extraídas sensibles al daño, en este caso la frecuencia instantánea de los
cuatro escenarios con un tiempo total de 5,6 s, se convierten en datos simbólicos utilizando el
intervalo intercuartil. El número total de puntos resultante fue 2240. Se consideró una longitud
de datos simbólica de L = 112 puntos y se construyó un diagrama de caja respectivo para
16.5
cada sensor (Figura 17).

dieciséis

15.5
rF(
aicneuc)zeH

15

14.5
560 1120 1680 2240
tiempo(s)
Machine Translated by Google

Sensores 2023, 23, 5187 20 de 26

16.5

dieciséis

15.5

15
rF(
aicneuc)zeH

14.5
560 1120 1680 2240
tiempo(s)
rF(
aicneuc)zeH

8001

0211

2321

4431

6541

8651

0861

2971

4091

6102

8212

0422
Figura 17. Primera frecuencia instantánea de todos los escenarios para S01 y diagrama de caja correspondiente.

Además, en la implementación del algoritmo K­means en MATLAB, el adecuado

Se debe establecer el método “Inicio” para determinar las posiciones iniciales de los centroides (o semillas) de los grupos.
entre las opciones (Tabla 6).

Tabla 6. Método para elegir las posiciones iniciales de los centroides del conglomerado.

Realizar una fase de agrupamiento preliminar en un 10% aleatorio

submuestra de X cuando el número de observaciones en la
"grupo" la submuestra es mayor que k. Esta fase preliminar es
se inicializó usando “muestra”. Si el número de
observaciones en la submuestra aleatoria del 10% es menor que k,
luego el software selecciona k observaciones de X al azar.

Seleccione k semillas implementando el algoritmo k­means++

“más” (predeterminado)
para la inicialización del centro del clúster.

"muestra" Seleccione k observaciones de X al azar.

"uniforme" Seleccione k puntos uniformemente al azar del rango de X.

No válido con la distancia de Hamming.

Matriz k por p de ubicaciones iniciales de centroides. las filas de

“matriz numérica” El inicio corresponde a las semillas. El software infiere k de la
primera dimensión de inicio , para que puedas pasar [] por k.

Matriz k ­by­p­by­r de ubicaciones iniciales de centroides. las filas

de cada página corresponden a semillas. la tercera dimensión
invoca la replicación de la rutina de agrupación en clústeres. Página j
“matriz numérica” contiene el conjunto de semillas para replicar j. El software infiere
el número de réplicas (especificado por el campo "Réplicas"
argumento del par nombre­valor) del tamaño del
tercera dimensión.

Para este estudio, se encontró que el caso “muestra” es un método consistente y apropiado.
para las posiciones iniciales del centroide del grupo.
Como se explicó, el método de detección se basa en el valor de la DC, que es el
diferencia entre conglomerados. Para calcular DC, los grupos de ventanas móviles deben ser
Machine Translated by Google

Sensores 2023, 23, 5187 21 de 26

f
definido. En este trabajo, el tamaño de las ventanas se seleccionó como S = 5 datos simbólicos, cada uno de los
cuales comprende L = 112 puntos de la característica sensible al daño. La Figura 18 muestra una secuencia de
ventanas móviles, mientras que la Figura 19 muestra los valores de DC obtenidos para cada ventana de tiempo.

Figura 18. Secuencia de ventanas móviles.

Figura 19. Valores de DC obtenidos para cada ventana de tiempo.

El número total de datos simbólicos es 20 y el número de ventanas móviles y valores de DC es 16.

Cabe señalar que si la ventana de tiempo aumenta, entonces se obtiene una mayor
sensibilidad para la detección de daños, pero aumenta el tiempo entre la aparición del daño y la
detección del daño. Además, si las muestras dentro de una ventana de tiempo disminuyen, es
posible detectar el daño antes, pero la probabilidad de detecciones falsas aumenta (hay menos
sensibilidad a la detección de daños). Por tanto, es necesario encontrar un equilibrio entre ambos
objetivos: detectar los daños lo antes posible pero obtener una alta confianza en la detección.
Una vez obtenidos los valores de DC , deben probarse estadísticamente mediante el método de confianza.
prueba de límites. CB se define para cada ventana de tiempo que contiene cinco valores de DC.
Finalmente, utilizando los valores DC y CB se calcula el índice de detección original,
DI . Cuando el valor DI es negativo o cero, no hay daño en la estructura, y cuando es
positivo, indica la presencia de daño en la estructura.
La Figura 20 muestra el procedimiento completo para la IF (~15,6 Hz) de S01 para los
escenarios de daño. Se puede observar que el algoritmo de agrupamiento detecta exactamente
TT
el daño (valor positivo de DI) cuando cruza los escenarios entre UND T = 20 ◦C D0% y DMG3 T
= 20 ◦C D90% (marcados con la línea vertical punteada negra). Sin embargo, el cambio de
temperatura ya sea en el escenario sin daños o con daños no crea un valor DI positivo, por lo
que no advierte sobre la existencia de daños (falsa detección).
Una de las desventajas del algoritmo K­means es su dependencia de los valores iniciales.
Como los centroides del grupo inicial se asignan aleatoriamente, pueden crear resultados diferentes
cada vez que se ejecuta el algoritmo. Sin embargo, en este caso, esta desventaja resultó útil para
localizar el daño. En concreto, un aspecto innovador destacado por esta investigación es el
siguiente: K­means proporciona una detección consistente de daños cuando se utilizan los datos
provenientes del sensor S01, el más cercano a DM3. De hecho, como se presenta en la Figura 21,
cuatro pruebas (experimentos) del algoritmo siempre detectan el daño cuando aparece, sin detecciones falsa
Machine Translated by Google

TT
Sensores 2023, 23, 5187 22 de 26

ff

f
Figura 20. Agrupación de K­medias en el primer IF S01 de diferentes escenarios (Línea discontinua en el
diagrama DI: introducción de daños).

Figura 21. Experimentos con DI para S01 (línea discontinua: introducción de daño con 90%
f f de rigidez
reducción).

En el caso del sensor S03 (Figura 22), que es el segundo sensor más cercano al daño,
K­means proporciona una detección falsa temprana en todos los casos. Sin embargo, la verdadera detección de daños es
siempre obtenido.

Figura 22. Experimentos con DI para S03 (línea discontinua: introducción de daño con reducción
ff de rigidez
del 90%).
Machine Translated by Google

Sensores 2023, 23, 5187 23 de 26

Lo que preocupa a los resultados de los sensores S04 y S06 ubicados más lejos del lugar del daño
es que ambos proporcionaron resultados inconsistentes. Con una alta aleatoriedad en su producción, en
sus resultados se puede observar tanto una detección temprana falsa como una ausencia de detección de
daño verdadero (Figuras 23 y 24).

f
Figura 23. Experimentos con DI para S04 (línea discontinua: introducción de daño con reducción de rigidez
f
del 90%).

Centrándonos en los resultados de DI (Figuras 21 y 22), se puede decir que el daño se

ubica en algún lugar entre los Sensores S01 y S03, lo cual es correcto ya que el daño se introdujo
en la mitad del tramo izquierdo. Los resultados no son concluyentes cuando se observan
sensores alejados de donde está presente el daño. Por lo tanto, como una contribución adicional
al presente estudio, la metodología propuesta es adecuada no sólo para la detección de daños,
sino también para su localización.

Figura 24. Experimentos con DI para S06 (línea discontinua: introducción de daños con una reducción
f de
f
rigidez del 90%).

Finalmente, la metodología fue probada preliminarmente para el caso con una menor severidad de
daño (30% de reducción de E), considerando únicamente el Sensor S01 y la misma posición de daño ya
simulada para el análisis anterior. En este caso, los resultados son prometedores en cuanto a la detección
de daños, como se reporta en la Figura 25.
Sin embargo, cabe señalar que el porcentaje de reducción del módulo de elasticidad para
simular el daño se aplica a una porción única, bastante estrecha y localizada de elementos
verticales. Así, el daño es bastante acusado en el modelo, mientras que en la realidad el daño,
por ejemplo, por degradación de las propiedades mecánicas de un elemento, suele ser más generalizado.
Además, la capacidad del método para localizar el daño en el puente cuando está cerca de
Machine Translated by Google

Sensores 2023, 23, 5187 24 de 26

el punto de medición sugiere la aplicación de un sistema de monitoreo difuso, como sensores distribuidos
de fibra óptica.

Figura 25. Experimentos con DI para S01 (línea discontinua: introducción de daño con una reducción
f de
rigidez del 30%).

4. Conclusiones
Este artículo se centra en una metodología para la detección y localización de daños en puentes
bajo carga de tráfico y variabilidad ambiental mediante el modelado de diferentes escenarios de daños
y temperatura. La metodología presentada se basa en datos de series de tiempo recopilados a partir de
un modelo de elementos finitos.
Debido a la naturaleza no estacionaria de los datos registrados,
f la transformada rápida de Fourier
no es aplicable. En cambio, las mediciones de aceleración vertical obtenidas de seis sensores
espaciados a lo largo de la estructura similar a un puente se analizaron utilizando la transformada de
Hilbert­Huang con descomposición del modelo variacional.
Para eliminar los efectos de la temperatura de las características sensibles al daño, se aplicó
el análisis de componentes principales con reducción de dimensionalidad. Se observó que el primer
ffi f
componente principal con la mayor varianza en la matriz de datos fue el responsable de los efectos
relacionados con la temperatura. Como resultado, las características sensibles al daño se
reconstruyeron eliminando el primer componente principal.
Finalmente, para detectar y localizar el daño se aplicó un algoritmo de aprendizaje automático (K­
means). Utilizando datos simbólicos para reducir la cantidad de datos, se utilizó una técnica de mover la
ventana de tiempo para funciones sensibles a daños. Se implementó un límite de confianza para evaluar
los valores de los índices de daño para cada ventana y luego se definió un índice de detección para
consolidar un resultado con alta confianza. f
Los resultados mostraron que K­means en combinación con el análisis de componentes principales
con reducción de dimensionalidad puede identificar y localizar daños incluso con temperaturas
cambiantes y analizar vibraciones f no estacionarias debidas al tráfico en el puente. La metodología
demostró su efectividad y confiabilidad en el campo del monitoreo de la salud estructural de puentes y
la detección y localización de daños, tanto bajo cargas inducidas por el tráfico como bajo cambios de
temperatura.
Este artículo es el primer paso en esta dirección, pero en consecuencia, todavía existen varias
limitaciones, como el uso de un ejemplo numérico y no de un puente real debido a la falta de datos de
vibración en condiciones de salud y daño y con temperaturas variables, la modelado sencillo del vehículo
como carga en movimiento, y el cruce de un solo vehículo presente en el puente. Por lo tanto, los pasos
posteriores de la investigación considerarán diferentes niveles y ubicaciones de daños, múltiples estados
de daños y un estudio de caso del mundo real de una estructura de puente ffi ff para probar la metodología
propuesta en diferentes condiciones bajo efectos operativos y ambientales.
ffi
Machine Translated by Google

Sensores 2023, 23, 5187 25 de 26

Contribuciones de los autores: Conceptualización, MD y JRC; Metodología, SN, JRC y RMD; Software, SN y RMD; Validación, SN y RMD;
Análisis formal, SN, MD, JRC y RMD; Investigación, SN, MD, JRC y RMD; Recursos, MD y RMD; Curación de datos, SN; Redacción: borrador
original, SN y MD; Redacción: revisión y edición, SN, MD, JRC y RMD; Supervisión, MD y JRC; Administración del proyecto, MD y JRC Todos
los autores han leído y aceptado la versión publicada del manuscrito.

Financiamiento: Esta investigación no recibió financiamiento externo.

Agradecimientos: Los autores agradecen a Eleni Chatzi, ETH Zurich, por proporcionarnos los datos y la documentación del puente numérico
utilizado en el estudio de caso.

Conflictos de intereses: Los autores declaran no tener ningún conflicto de intereses.

Referencias
1. Gkoumas, K.; Santos, FLMD; van Balen, M.; Tsakalidis, A.; Hortelano, AO; Grosso, M.; Haq, G.; Pekár, F. Investigación e innovación en
mantenimiento, inspección y monitoreo de puentes: una perspectiva europea basada en el Sistema de información de monitoreo de
investigación e innovación en transporte (TRIMIS); Oficina de Publicaciones de la Unión Europea: Luxemburgo, 2019.
2. Rania, N.; Coppola, I.; Martorana, F.; Migliorini, L. El colapso del puente Morandi en Génova el 14 de agosto de 2018: un evento traumático colectivo y su impacto emocional vinculado al
lugar y la pérdida de un símbolo. Sostenibilidad 2019, 11, 6822. [CrossRef]
3. Rytter, A. Inspección basada en vibraciones de estructuras de ingeniería civil; Departamento de Tecnología de la Construcción e Ingeniería Estructural,
Universidad de Aalborg: Aalborg, Dinamarca, 1993.
4. Malekloo, A.; Ozer, E.; Al Hamaydeh, M.; Girolami, M. Descripción general del aprendizaje automático y el monitoreo de la salud estructural con tecnología emergente y fuentes de datos
de alta dimensión. Estructura. Monitor de salud. 2021, 21, 1906–1955. [Referencia cruzada]
5. Zhang, FL; Yang, Y.; Xiong, J.­H.; Yu, Z. Monitoreo de la salud estructural de un edificio súper alto de 250 m y modal operativo
análisis utilizando el método rápido bayesiano FFT. Estructura. Controlar el monitoreo de salud. 2019, 26, 23–83. [Referencia cruzada]
6. Yesilyurt, I.; Gursoy, H. Estimación de parámetros elásticos y modales en compuestos mediante análisis de vibraciones. J. Vib. Control 2015, 21, 509–524. [Referencia cruzada]

7. Chen, B.; Zhao, SL; Li, P.­Y. Aplicación de la transformada de Hilbert­Huang en el monitoreo de la salud estructural: una revisión del estado del arte.
Matemáticas. Problema. Ing. 2014, 2014, 317954. [Referencia cruzada]
8. Yi, TH; Li, HN; Sun, HM Método de diagnóstico de daños estructurales en varias etapas basado en la teoría del daño energético. Estructura inteligente. Sistema.
2013, 12, 345–361. [Referencia cruzada]
9. Gurley, K.; Kareem, A. Aplicaciones de las transformadas wavelet en ingeniería sísmica, eólica y oceánica. Ing. Estructura. 1999, 21,
149–167.

10. Xu, YL; Chen, B. Control integrado de vibraciones y monitoreo del estado de estructuras de edificios mediante amortiguadores de fricción semiactivos.
Parte I: Metodología. Ing. Estructura. 2008, 30, 1789–1801. [Referencia cruzada]
11. Chen, B.; Xu, YL Control integrado de vibraciones y monitoreo del estado de estructuras de edificios mediante amortiguadores de fricción semiactivos.
Parte II: Investigación numérica. Ing. Estructura. 2008, 30, 573–587. [Referencia cruzada]
12. Mostafa, N.; Di Maio, D.; Loendersloot, R.; Tinga, T. Extracción de las resonancias dependientes del tiempo de la interacción entre un vehículo y un puente.
sistema mediante transformada sincronizada wavelet. Estructura. Controlar el monitoreo de salud. 2021, 28, e2833. [Referencia cruzada]
13. Santos, J.; Cremona, C.; Orcesi, AD; Silveira, P. Análisis estadístico multivariado para la detección temprana de daños. Ing. Estructura. 2013, 56,
273–285. [Referencia cruzada]

14. Wah, WSL; Chen, Y.­T.; Elamin, A.; Roberts, GW Detección de daños en condiciones de temperatura utilizando PCA: una aplicación
hasta el Puente Z24. Proc. Inst. Civilización. Ing. Estructura. Construir. 2022, 175, 890–902.
15. Tenelema, FJ; Delgadillo, RM; Casas, JR Detección y cuantificación de daños en puentes bajo efectos ambientales mediante Análisis de Componentes Principales. En Actas de la 1.ª
Conferencia de la Asociación Europea sobre Control de Calidad de Puentes y Estructuras: EUROSTRUCT 2021, Padua, Italia, 28 de agosto a 1 de septiembre de 2021; Serie LNCE;
Springer: Cham, Suiza, 2022; Volumen 200, págs. 183­190.

16. Delgadillo, RM; Casas, JR Detección de daños en el puente mediante EMD de conjunto completo mejorado con ruido adaptativo y
Algoritmos de aprendizaje automático. Estructura. Controlar el monitoreo de salud. 2022, 29, e2966. [Referencia cruzada]
17. Wang, X.; Gao, Q.; Liu, Y. Detección de daños en puentes bajo cambios de temperatura ambiental mediante un método híbrido.
Sensores 2020, 20, 3999. [CrossRef] [PubMed]
18. Huang, H.­B.; Yi, TH; Li, H.­N.; Liu, H. Método de advertencia de rendimiento basado en deformaciones para vigas principales de puentes en condiciones variables
Condiciones de operación. J. Puente Ing. 2020, 25, 04020013. [Referencia cruzada]
19. Meixedo, A.; Santos, J.; Ribeiro, D.; Calçada, R.; Todd, M. Detección de daños en puentes ferroviarios mediante dinámica inducida por el tráfico.
respuestas. Ing. Estructura. 2021, 238, 112189. [Referencia cruzada]
20. Meixedo, A.; Santos, J.; Ribeiro, D.; Calçada, R.; Todd, MD Detección no supervisada en línea de cambios estructurales mediante tren–
respuestas dinámicas inducidas. Mec. Sistema. Proceso de señal. 2022, 165, 108268. [Referencia cruzada]
21. Zhang, S.; Wang, Y.; Yu, K. Modelo de línea base de datos en estado estacionario para datos de monitoreo no estacionarios de puentes de vigas urbanas.
Sostenibilidad 2022, 14, 12134. [CrossRef]
Machine Translated by Google

Sensores 2023, 23, 5187 26 de 26

22. Wang, Y.; Yang, D.­H.; Yi, T.­H. Método basado en errores del modelo de desplazamiento para el rendimiento de puentes atirantados simétricos
Advertencia después de eliminar los efectos de carga variable. J. Civilización. Estructura. Monitor de salud. 2021, 12, 81–99. [Referencia cruzada]
23. Dragomiretskiy, K.; Zosso, D. Descomposición en modo variacional. Traducción IEEE. Proceso de señal. 2014, 62, 531–544. [Referencia cruzada]
24. Bagheri, A.; Ozbulut, EO; Harris, KD Identificación de sistemas estructurales basada en modo variacional. J. Vibración de sonido. 2018, 417,
182–197. [Referencia cruzada]

25. Muñoz, FJT Identificación de daños en puentes bajo variabilidad operativa y ambiental. Tesis de Maestría, Departamento de
Ingeniería Civil y Ambiental, UPC, Barcelona, España, 2020.
26. Zhang, M.; Jiang, Z.; Feng, K. Investigación sobre la descomposición del modo variacional en el diagnóstico de fallas de rodamientos de múltiples etapas.
bomba centrífuga. Mec. Sistema. Proceso de señal. 2017, 93, 460–493. [Referencia cruzada]
27. Liu, S.; Tang, G.; Wang, X. Método de análisis de tiempo y frecuencia para fallas mecánicas rotativas basado en un modo variacional mejorado
descomposición. J. Vib. Ing. 2016, 29, 1119–1126.
28. Wu, S.; Feng, F.; Zhu, J.; Wu, C.; Zhang, G. Un método para determinar el número de función del modo intrínseco en modo variacional
Descomposición y su aplicación al procesamiento de señales de vibración de rodamientos. Vibración de choque. 2020, 2020, 8304903. [Referencia cruzada]
29. Pinos, D.; Salvino, L. Monitoreo de la salud de estructuras unidimensionales mediante descomposición en modo empírico y Hilbert
Transformación de Huang. Proc. SPIE Internacional. Soc. Optar. Ing. 2002, 4701, 127–143.
30. Cohen, L. Análisis de tiempo­frecuencia; Prentice Hall: Hoboken, Nueva Jersey, EE. UU., 1995.
31. Santos, JP; Cremona, C.; Calado, L.; Silveira, P.; Orcesi, AD Detección on­line no supervisada de daños precoces. Estructura. Control.
Monitor de salud. 2016, 23, 1047–1069. [Referencia cruzada]
32. Xu, D.; Tian, Y. Un estudio completo de algoritmos de agrupación. Ana. Ciencia de datos. 2015, 2, 165–193. [Referencia cruzada]
33. Santos, JP Técnicas inteligentes de monitoreo de la salud estructural para la identificación de novedades en estructuras de ingeniería civil. Doctor.
Tesis, Universidad de Lisboa, Lisboa, Portugal, 2014.
34. Tatsis, K.; Chatzi, E. Un punto de referencia numérico para la identificación de sistemas bajo variabilidad operativa y ambiental.
En Actas de la 8.ª Conferencia Internacional de Análisis Modal Operacional (IOMAC 2019), Copenhague, Dinamarca, 13 a 15 de mayo de 2019.

35. Jiao, Y.; Liu, H.; Wang, X.; Zhang, Y.; Luo, G.; Gong, Y. Efecto de la temperatura sobre las propiedades mecánicas y la identificación de daños de
Estructura de hormigón. Adv. Madre. Ciencia. Ing. 2014, 2014, 191360. [Referencia cruzada]
36.MATLAB . Agrupación de k­medias. Disponible en línea: https://it.mathworks.com/help/stats/kmeans.html#d123e555240 (accedido en
1 de enero de 2023).
37. Wah, WSL; Chen, Y.­T.; Roberts, GW; Elamin, A. Separar los daños de los efectos ambientales que afectan a las estructuras civiles para
Detección de daños casi en tiempo real. Estructura. Monitor de salud. 2018, 17, 850–868.
38. Mujica, LE; Rodellar, J.; Fernández, A.; Guemes, A. Medidas basadas en PCA con estadística Q y estadística T2 para la evaluación de daños en estructuras. Estructura. Monitor
de salud. 2011, 10, 539–553. [Referencia cruzada]

Descargo de responsabilidad/Nota del editor: Las declaraciones, opiniones y datos contenidos en todas las publicaciones son únicamente de los autores y contribuyentes individuales
y no de MDPI ni de los editores. MDPI y/o los editores renuncian a toda responsabilidad por cualquier daño a personas o propiedad que resulte de cualquier idea, método, instrucción
o producto mencionado en el contenido.