Look-up in Google Scholar
Title: Detección de daños estructurales utilizando un modelo numérico de una viga de concreto armado mediante la metodología de algoritmos de Machine Learning (ML)
Other Titles: Structural damage detection through a numerical model of a reinforced concrete beam using the Machine Learning (ML) algorithm methodology
Advisor(s): Alvarez Miranda, David Humberto
OCDE field: https://purl.org/pe-repo/ocde/ford#2.01.01; https://purl.org/pe-repo/ocde/ford#2.00.00
Issue Date: 20-Jun-2024
Institution: Universidad Peruana de Ciencias Aplicadas (UPC)
Abstract: Actualmente es muy relevante la importancia del conocimiento de la salud estructural de una edificación ya que con este conocimiento se puede detectar los problemas que tiene dicha edificación y tomar medidas correctivas. Teniendo en cuenta que existen factores externos e internos que afectan la salud estructural, en el primer aspecto los sismos ejemplifican claramente a los eventos sísmicos y las consecuencias que estas conllevan a una edificación en mal estado, como factor interno se tiene a las grietas causadas por las diferentes fallas que afectan a una estructura de concreto armado. Por ello, en esta investigación desarrolla un sistema para la detección de daños estructurales (fisuras por flexión y corte) mediante análisis de vibraciones y algoritmos de inteligencia artificial en una viga rectangular empotrada de concreto armado. Utilizando el método de Elementos Finitos (MEF), se determinan las frecuencias de vibración de la viga, y se simulan distintos estados de daño en SolidWorks. Las frecuencias obtenidas se analizan con algoritmos de Machine Learning (ML), específicamente Multilayer Perceptron (MLP), para identificar daños estructurales (grietas). Los resultados indican que la reducción de rigidez en la viga, simulada mediante grietas y remoción de elementos finitos, provoca una disminución en las frecuencias de vibración. Esto confirma que el MLP es efectivo para detectar variaciones de frecuencia y, por ende, daños estructurales en un modelo numérico de una viga rectangular doblemente empotrada. Además, se establece una relación directa entre la magnitud del daño y la variación en las frecuencias de vibración.

Currently, the importance of knowing the structural health of a building is very relevant since with this knowledge it is possible to detect the problems that said building has and take corrective measures. Taking into account that there are external and internal factors that affect structural health, in the first aspect earthquakes clearly exemplify seismic events and the consequences that these lead to a building in poor condition, as an internal factor there are cracks caused by the different failures that affect a reinforced concrete structure. Therefore, in this research, a system is developed for the detection of structural damage (flexing and shear cracks) through vibration analysis and artificial intelligence algorithms in an embedded rectangular reinforced concrete beam. Using the Finite Element Method (FEM), the vibration frequencies of the beam are determined, and different damage states are simulated in SolidWorks. The frequencies obtained are analyzed with Machine Learning (ML) algorithms, specifically Multilayer Perceptron (MLP), to identify structural damage (cracks). The results indicate that the reduction in stiffness in the beam, simulated through cracks and removal of finite elements, causes a decrease in vibration frequencies. This confirms that the MLP is effective in detecting frequency variations and, therefore, structural damage in a numerical model of a doubly embedded rectangular beam. Furthermore, a direct relationship is established between the magnitude of the damage and the variation in vibration frequencies.
Discipline: Ingeniería Civil
Grade or title grantor: Universidad Peruana de Ciencias Aplicadas (UPC). Facultad de Ingeniería
Grade or title: Ingeniero Civil
Juror: Mejia Trejo, Paulo Israel; Galvez Arroyo, Mayra
Register date: 4-Aug-2024



This item is licensed under a Creative Commons License Creative Commons