Documentos de Académico
Documentos de Profesional
Documentos de Cultura
3.9 6.8
Artículo
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
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
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
(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.
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
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:
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.
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 el parámetro de equilibrio de la restricción de fidelidad de datos, α, también se conoce como factor
de penalización.
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
2 2
ak(t) = {xk(t)} + {H[xk(t)]} (6)
Machine Translated by Google
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).
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
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].
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
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.
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:
+
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.
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.
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
TT
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.
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
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.
R 2 = 0,9852 (20)
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
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 −
k
10 10 10 10 10 10
α
Machine Translated by Google
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.
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).
Frecuencia
Figura 8. Figura instantánea
8. Frecuencia
Frecuencia parapara
instantánea
instantánea para cada cada escenario
cada
escenarioescenarioenenelelS01.
en el Sensor Sensor
Sensor S01.
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
,,.
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
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.
(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 −
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).
Figura 15. Frecuencias instantáneas antes y después de la aplicación de la reducción de dimensionalidad PCA.
Figura 16. Variación de las frecuencias instantáneas de diferentesf escenarios relacionados con S01.
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
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.
Tabla 6. Método para elegir las posiciones iniciales de los centroides del conglomerado.
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
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.
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
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%).
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
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
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.
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.
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
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.