Introducción a Machine Learning en Ingeniería Estructural

En los últimos años, la integración del Machine Learning (ML) con la ingeniería estructural ha revolucionado la forma en que analizamos, diseñamos, construimos y gestionamos infraestructuras. Esta combinación de disciplinas permite obtener soluciones más eficientes, seguras y económicas mediante análisis predictivos y automatizados.

Este blog ofrece una introducción clara, técnica y profunda al uso del ML en la ingeniería estructural, destacando conceptos fundamentales, aplicaciones prácticas utilizando Python y ejemplos de investigaciones relevantes

Conceptos básicos de Machine Learning

El Machine Learning es una rama de la inteligencia artificial enfocada en que los sistemas aprendan directamente de los datos para mejorar su desempeño en tareas específicas sin haber sido explícitamente programados para ellas. Esta capacidad adaptativa se logra a través de cuatro pilares fundamentales:

Tipos de aprendizaje

Existen principalmente tres tipos de aprendizaje en Machine Learning, cada uno con características y aplicaciones específicas en la ingeniería estructural:

Aprendizaje supervisado:

• Se basa en aprender de datos previamente etiquetados para comprender la relación entre la entrada y la salida con el fin de clasificar datos o predecir resultados con precisión.
• Aplicaciones: clasificar el spam en una carpeta separada de la bandeja de entrada, entender y detectar factores que pueden derivar en fraude, cuantificar el número de personas en una imagen, crear recomendaciones en plataformas de contenido
• Aplicaciones en Ingeniería Estructural: Predicción de resistencia nominal de elementos estructural, evaluación del daño y clasificación automática de falla en elementos.
• Algoritmos comunes: Regresión Lineal, Árboles de Decisión, Bosques Aleatorios, Máquinas de Soporte Vectorial (SVM) y Redes Neuronales.

Aprendizaje no supervisado:

• No requiere datos etiquetados y busca patrones o agrupaciones naturales, descubren patrones y estadísticas sin ninguna orientación o instrucción explícita. 
• Aplicaciones: Reducción de dimensionalidad, Mejorar la experiencia del usuario con un producto, Análisis de la cesta de la compra, Asociación.
• Aplicaciones en Ingeniería Estructural: Identificación temprana de anomalías estructurales, clasificación automática de tipos de daño, agrupacion de edificios basados en similitudes del sistema estructural y segmentación de datos estructurales complejos.
• Algoritmos frecuentes: Algoritmos de tipo clustering, K-means, DBSCAN, Análisis de Componentes Principales (PCA), Autoencoders.

Por eso te invitamos a visitar el catálogo de nuestra Especialización en Diseño Computacional y Generativo, que esta especialmente a dirigido a introducir a ingenieros civil y estructuristas en el fascinante mundo de la programación utilizando Python y otras herramientas.

Aprendizaje reforzado:

• Modelos aprenden interactuando con su entorno mediante ensayo-error, guiados por recompensas o penalizaciones.
• Aplicaciones: Personalización de marketing, Predicciones financieras, Desafíos de optimización
• Aplicaciones en Ingeniería Estructural: Optimización del diseño estructural, planificación de estrategias avanzadas de mantenimiento predictivo y encontrar la mejor secuencia para reparar una red de agua que minimice la perdida del servicio de agua.
• Algoritmos frecuentes: Algoritmos Q-Learning, Redes Neuronales Profundas de Refuerzo (DQN) y algoritmos evolutivos.

Herramientas esenciales en Python para ML en Ingeniería Estructural

• Pandas y NumPy: manejo eficiente y estructurado de grandes volúmenes de datos estructurados.
• Scikit-learn: creación rápida y evaluación robusta de modelos predictivos y clasificatorios.
• TensorFlow y Keras: desarrollo ágil y eficaz de modelos complejos de redes neuronales y deep learning; Keras simplifica considerablemente la creación de redes neuronales, mientras TensorFlow permite implementar arquitecturas más avanzadas y específicas.
• OpenCV: procesamiento avanzado de imágenes estructurales, crucial para detectar grietas, corrosión y otros daños mediante visión computacional y técnicas de análisis de imágenes digitales.
• Matplotlib y Plotly: visualización interactiva y clara de resultados

Aplicaciones en Ingeniería Estructural

Predicción de resistencia estructural

El ML permite realizar predicciones fiables de la resistencia última y comportamiento bajo carga de elementos estructurales como vigas, columnas, conexiones, muros y losas, mediante modelos entrenados con extensas bases de datos experimentales y numéricas. Algunas investigaciones destacadas:

• Predicción avanzada de resistencia de vigas de concreto reforzado mediante redes neuronales profundas (Deep Learning).
• Estimación precisa de la capacidad resistente de columnas de acero usando algoritmos de regresión en Scikit-learn.

En esta investigacion se utilizó algoritmos como XGBoost, AdaBoost y Random Forest sobre 670 ensayos experimentales, se desarrolló un modelo predictivo que supera en precisión y generalización a las ecuaciones empíricas tradicionales y análisis avanzados por elementos finitos, proporcionando factores fiables para el diseño normativo.

Detección y clasificación de daños estructurales

La detección temprana y precisa de daños estructurales es crucial para evitar fallos críticos. Los modelos de ML permiten identificar automáticamente defectos mediante análisis avanzados de imágenes y señales vibracionales.

• Identificación automática de grietas en puentes mediante técnicas avanzadas de visión computacional con Redes Neuronales Convolucionales (CNN).
• Diagnóstico eficiente de daños estructurales empleando datos dinámicos y algoritmos avanzados de aprendizaje no supervisado.

Esta investigación desarrolla modelos predictivos para estimar con precisión el desplazamiento máximo en sistemas de aislamiento sísmico. Utilizando algoritmos como Random Forest y redes neuronales artificiales (ANN), se logra una alta precisión predictiva, mejorando significativamente la seguridad y eficiencia del diseño estructural antisísmico al prever comportamientos críticos durante eventos sísmicos.

Optimización estructural y gestión inteligente

El ML también impulsa la optimización estructural mediante técnicas avanzadas, ayudando a reducir costos, mejorar rendimiento estructural y prolongar la vida útil de las infraestructuras.

• Optimización topológica de estructuras mediante algoritmos avanzados de aprendizaje reforzado y algoritmos evolutivos.
• Mantenimiento predictivo mediante análisis de datos históricos e implementación de modelos predictivos en Python.

Esta investigación utiliza redes neuronales convolucionales (CNN) para optimizar el diseño conceptual inicial de edificios con muros estructurales. A partir de representaciones visuales, el modelo aprende a identificar configuraciones estructurales eficientes y seguras, facilitando una toma de decisiones rápida y precisa en etapas tempranas del proyecto, y promoviendo soluciones constructivas más efectivas.

🔬Investigaciones destacadas

Algunas investigaciones recientes resaltan el potencial del ML en la ingeniería estructural:

• «Deep learning for structural health monitoring: A comprehensive review«, revisa el uso de redes neuronales profundas en el monitoreo continuo de la salud estructural.
• «Seismic damage prediction of RC buildings using machine learning«, utiliza datos experimentales y numéricos para entrenar modelos predictivos como Random Forest y redes neuronales, demostrando alta precisión en la evaluación temprana del nivel de daño
• «Machine learning based vulnerability analysis of existing buildings«, explora métodos avanzados de ML para la evaluación precisa de vulnerabilidades sísmicas en estructuras existente.