Ingeniero Civil Mecánico / El objetivo de este trabajo es desarrollar un algoritmo capaz de detectar, localizar y cuantificar daños en una estructura simple en tiempo real, considerando como daño la disminución en la rigidez en uno o más elementos. Para ello se propuso utilizar Redes Neuronales Artificiales (RNA), que son métodos no explícitos utilizados en problemas de aproximación de curvas, clasificación e identificación de parámetros. Se plantea utilizar como información de entrada del algoritmo las frecuencias de antiresonancia, obteniendo como resultado la disminución de rigidez efectiva para cada elemento de la estructura. El entrenamiento y validación de la red neuronal se realiza en cuatro etapas, las que se señalan a continuación: La determinación de las frecuencias características, resonantes y antiresonantes. Generación de patrones de entrenamiento. El diseño y entrenamiento de la RNA. La validación analítica y experimental, del algoritmo de detección de daños. En la realización de este trabajo se ha conseguido entrenar redes neuronales capaces de detectar hasta 2 daños simultáneos entre 20 posibles ubicaciones a lo largo de una viga. Los resultados fueron validados con datos de vigas experimentales, a las que se les introdujo daño de forma artificial. La red utilizada es una red neuronal multicapa de una capa oculta, que presenta un 32,64% de falsos negativos, 8,36% de falsos positivos y un 7.96% de daños mal cuantificados a nivel global. Los posibles usos de redes neuronales en aplicaciones de detección de daños en tiempo real y los resultados obtenidos, motivan futuros estudios que se pueden centrar en la búsqueda de mejores resultados haciendo uso de mejores diseños de redes neuronales o mejores formas de modelar el ruido experimental. También es necesario explorar los modos en que estos algoritmos se puedan aplicar a estructuras más grandes y complejas.

Memoria para optar al título de Ingeniero Civil Mecánico / Conocer la información modal del campo completo de una estructura permite detectar la localización y magnitud de daño en materiales compuestos. Estos datos pueden ser captados usando cámaras estereoscópicas de alta velocidad usando un sistema de correlación de imágenes digitales (DIC). Este sistema permite medir un elevado número de grados de libertad de manera simultánea de forma óptica sin afectar al sistema.\par La información modal recabada es de interés para el desarrollo de indicadores de daño que sean capaces de identificar el daño por delaminación en un panel compuesto tipo panal de abeja usando el sistema anteriormente nombrado.\par Sin embargo, la información obtenida no está exenta de ruido experimental y es mediante la aplicación de metodologías de suavizado, que se reconstruyen datos faltantes y se reduce el ruido experimental. El objetivo de este trabajo de título consiste en desarrollar, implementar y comparar distintas metodologías de reducción de ruido experimental.\par La información modal utilizada consiste en muestras de paneles de geometría plana tipo sándwich con núcleos del tipo panal de abeja, las cuales fueron excitadas en rangos cercanos a sus frecuencias naturales, captadas por el sistema DIC y se identificaron algunos modos de vibración. Las metodologías de reducción de ruido fueron aplicadas a esta información, luego se utilizó un indicador de daño basado en la curvatura y finalmente se compararon los resultados utilizando el algoritmo \textit{Intersection Over Union}.\par El primer método consistió en realizar un suavizado robusto de datos con valores faltantes, el segundo método consistió en realizar un suavizado de datos utilizando procesos Gaussiano y el tercer método consistió en suavizar los datos de desplazamiento utilizando un modelo basado en elementos finitos. Luego de la implementación de cada metodología, se calcularon las curvaturas de los modos utilizando 2 métodos, el primero basado en diferencias finitas y el segundo basado en point least-square (PLS), finalmente se hizo uso de \textit{Gapped Smoothing Method} (GSM) para construir los indicadores de daño.\par Se concluyó que la metodología de suavizado robusto de datos con valores faltantes presenta los mejores resultados, asociando el cálculo de la curvatura al método PLS, ya que mostró ser sensibles al daño, en comparación al método diferencias finitas que mostró ser sensible al ruido. Los resultados fueron abalados por comparación utilizando el algoritmo \textit{Intersection Over Union}.\par / CONICYT

Ingeniero Civil Mecánico / La necesidad por desarrollar métodos cuantitativos para la detección de daño que puedan ser utilizados en estructuras complejas ha llevado a una continua investigación de métodos basados en los cambios en las características vibracionales de una estructura. Estos métodos son capaces de detectar daños pequeños en cualquier sector de una estructura. Tienen la ventaja que la ubicación del daño no debe ser conocida a priori y tampoco es necesario tener acceso a ella. Un área con potencial y que aún está en investigación, es el uso de las anti-resonancias en la detección de daño. Las anti-resonancias se pueden determinar de manera más precisa que los modos normales (usualmente utilizados), lo que puede resultar en una evaluación más precisa del daño. Este trabajo busca desarrollar un algoritmo de detección de daño utilizando anti-resonancias cruzadas y redes neuronales. Las redes neuronales artificiales son eficientes técnicas computacionales, usadas ampliamente para solucionar problemas complejos en muchos campos del conocimiento. El método se valida mediante datos simulados y experimentales de una viga libre y empotrada en distintas situaciones de daño. El estudio se estructura de la siguiente manera: Se generan los modelos en elementos finitos de las vigas y se crean las bases de datos analíticas de los casos de falla. Con las bases se entrenan las RNAs, luego se validan para después hacer la toma de datos experimentales. Con estos datos se validan experimentalmente las RNAs. Más tarde se procede con la introducción de ruido a los datos analíticos y finalmente se comparan los resultados con los obtenidos anteriormente. Se tratan los casos de una sola falla y dos fallas simultaneas en algún par de los 20 elementos en los cuales se discretizó la viga. Los daños se simulan disminuyendo porcentualmente la matriz de rigidez de alguno de los elementos de la viga. Se logran detectar todos daños inducidos en las vigas, teniendo más éxito en la viga libre debido a que el empotramiento implementado no pudo simular las condiciones de borde completamente, lo que se traduce en que los datos obtenidos no condicen con los datos simulados analíticamente, los cuales obedecen a un empotramiento perfecto. Se estudia la introducción de ruido pseudo-aleatoreo que sigue una distribución uniforme y una normal. Se concluye que el ruido mejora los resultados pero no logra acercarse del todo al caso experimental, por lo que se propone analizar otro método de introducción de ruido.

Ingeniera Civil Mecánica / Toda estructura en ingeniería se encuentra expuesta al daño y deterioro durante su vida útil. La información oportuna del deterioro que presenta puede incrementar la seguridad en su uso y mejorar su confiabilidad, además de reducir significativamente los costos asociados al mantenimiento. El uso de Redes Neuronales Artificiales (ANN en inglés artificial neural network) ha sido considerado en la detección de daño porque luego que la ANN es entrenada, utilizarla implica solo un gasto menor de recursos computacionales, lo que la hace idónea para monitoreo en tiempo real. Sin embargo, en la etapa de entrenamiento es necesaria gran capacidad computacional, la cual crece con la complejidad de la estructura. Además, mientras más elementos se quieran detectar con una red, más difícil se vuelve el entrenamiento y peores son los resultados. Esto último hace que la aplicación directa de redes neuronales en estructuras complejas sea casi imposible. Una solución es dividir la estructura en sub-estructuras y entrenar una red para cada sub-estructura por separado, este método se conoce como sub-estructuración. En el presente trabajo se obtiene un algoritmo capaz de identificar daño en estructuras de barras por medio del método de subestructuras combinado con ANN. Las frecuencias de resonancia y anti-resonancia de la estructura son las variables de entrada sensibles al daño y las variables de salida son factores de reducción de rigidez para cada elemento. El trabajo se divide en dos etapas principales; primero se modela en MATLAB la estructura mediante elementos finitos y se realiza un análisis con daño simulado, y luego se valida el modelo con una estructura experimental. El método de identificación de daño utiliza dos redes neuronales. La primera debe detectar la o las sub-estructura(s) con daño y la segunda debe detectar daños en cada elemento de la sub-estructura identificada por la primera red. De esta forma se reduce el tamaño de cada ANN, y con esto los recursos computacionales necesarios para entrenarlas. El daño en un elemento tiene dos representaciones; a nivel de elementos finitos se considera un factor de reducción de rigidez y a nivel experimental se considerarán cortes en las secciones. El desarrollo de la primera red entrega buenos resultados a nivel numérico y logra detectar las subestructuras dañadas en tres de los cuatro casos de daño experimental. Para su entrenamiento se incluyeron las frecuencias de resonancia y las frecuencias de anti-resonancia de los nodos límite de cada subestructura. Las redes de la segunda etapa, una para cada subestructura, se logran entrenar a nivel numérico dependiendo principalmente del número de entradas disponibles, lo cual permite que tres de las seis presenten resultados muy buenos. La validación con datos experimentales detecta los daños 5 existentes en los casos estudiados, pero sólo logra cuantificar y localizar uno de ellos. Por lo tanto, el uso de un método de sub-estructuración y redes neuronales para la identificación de daño en estructuras de barras, resultó correcto en la etapa de localización de subestructuras dañadas. Sin embargo, para la identificación de elementos dañados en cada sub-estructura es necesario asegurar una cantidad mínima de datos de entrada a la red (frecuencias de anti-resonancia) que permita el correcto entrenamiento de la red neuronal.