Investigadores de la Escuela de Ingeniería de la Universidad de Drexel crearon un programa que, gracias a la Inteligencia Artificial y el uso de métodos matemáticos, identifica qué tan colapsada está una estructura de hormigón. ¿Cómo logra esto? Analizando el patrón de sus fisuras.
En algunos casos, determinar el nivel de daño que poseen estructuras de hormigón armado puede resultar en un proceso complejo que depende, en gran medida, del profesional que realice la inspección (que, en gran medida, se realiza de forma visual) y si bien puede ser acuciosa y ceñida a toda la normativa vigente, existen factores que inciden en la objetividad de dicha inspección. Por ejemplo, el intervalo de tiempo entre revisiones o la lectura de criterios -determinadas en manuales y recomendaciones- que haga el inspector.
¿Qué quiere decir esto? Significa que las afectaciones o fisuraciones presentes en elementos de hormigón armado de larga data, cuyo material, diseñado para 20 o 30 años, por ejemplo, se mantiene en uso por el doble de tiempo o más, pueden aumentar de manera visible entre una revisión y otra, lo que permite que el revisor, de acuerdo con las normativas y recomendaciones, califique a la estructura como “insegura”. Sin embargo, esto lo determina el profesional. ¿Qué pasa si se categoriza a la fisura sólo como “superficial”? ¿Y si es una fisura que nace de otra ya registrada? Sólo por mencionar algunos ejemplos.
Y si bien existen recomendaciones que sugieren la aplicación de ensayos no destructivos para llevar a cabo estas revisiones, para agregar criterios no subjetivos, el tiempo es un factor por considerar en la realización de estas pruebas.
Por este motivo, académicos de la Escuela de Ingeniería de la Universidad de Drexel y de la State University of New York at Buffalo desarrollaron una metodología de inspección más eficiente, que combina el uso de Inteligencia Artificial y modelos matemáticos para determinar el nivel de daño de una estructura de hormigón armado.
Cuantificando la inspección: Uso de modelo matemático
“Una misma fisura en una estructura de hormigón armado puede aparecer amenazante o normal, dependiendo de quien la observe”, dijo Pedram Bazrafshan, estudiante de doctorado de la Escuela de Ingeniería de la Universidad de Drexel y parte del equipo liderado por el Doctor Arvin Ebrahimkhanlou, de la misma casa de estudios.
“Sin un proceso objetivo y autónomo para determinar el daño de muchas estructuras de hormigón que están presentes en nuestro día a día, lo más seguro es que veamos más fallas”, agregó el Doctor Ebrahimkhanlou.
Para ello, lo primero que realizó el equipo fue eliminar toda duda o poca certeza en el proceso de revisión, creando un método que cuantifique de manera precisa la extensión de una fisura. Para ello, emplearon un método matemático denominado teoría de gráficos o grafos, que se utiliza mayormente para medir y estudiar redes (en la actualidad, redes sociales) identificando sus características gráficas, como la cantidad de veces que las fisuras cruzan un promedio.
Esta metodología, que el doctor Ebrahimkhanlou desarrolló para crear una suerte de “huella dactilar” para las fisuras en una estructura de hormigón, “es altamente efectiva para cuantificar los cambios en los patrones de las fisuraciones, lo que nos permite conectar la apariencia visual de una fisura con el nivel de daño estructural en una manera que es cuantificable y que puede repetirse de manera consistente, independiente de quién realice la inspección”, aseguró.
Incorporando Inteligencia Artificial en el proceso
Pero eso no es todo, ya que el equipo utilizó algoritmos de seguimiento de pixeles de Inteligencia Artificial (IA) para convertir las imágenes de las fisuras a su correspondiente representación matemática: un gráfico. El proceso de conversión, aseguró Bazrafshan, toma cerca de un minuto, lo que significa “una mejora significativa en comparación con el proceso de inspección, que puede tomar horas o días en realizarse de manera completa”.
Además, el equipo desarrolló un cuadro comparativo gracias al uso de un programa de machine learning que extraía características gráficas de un conjunto de imágenes de muros de corte de hormigón armado de distintas ratios de altura y longitud, que se crearon para analizar los diferentes comportamientos de los muros ante un sismo.
Centrándose principalmente en el grupo de imágenes que mostraron una fisuración moderada (de las que muestran cuando la seguridad de una estructura está comprometida), el equipo entrenó un segundo algoritmo para correlacionar las características del gráfico extraído con una escala tangible que muestre la cantidad de daño en la estructura. Así, mientras más fisuras se crucen entre sí -lo que corresponde a un “grado promedio” de daño más alto, de acuerdo con el gráfico- el daño a la estructura es más serio.
Así, el programa asignó un valor ponderado a cada una de estas características, dependiendo de qué tan cerca era su correlación con los indicadores mecánicos de daño y así, producir un perfil cualitativo contra el cual, el algoritmo podría medir nuevas muestras para determinar la extensión del daño estructural.
Ensayos y precisión del modelo
Para ensayar tanto el modelo como el uso de IA, el equipo realizó pruebas en imágenes de muros de gran escala que se utilizaron en ensayos en la State University of New York at Buffalo y así determinar las condiciones de las estructuras. Por una parte, se utilizaron las imágenes de un lado de cada muro como un set de entrenamiento y luego, se testeó el modelo con imágenes del lado opuesto para probar la habilidad de predecir el nivel de daño de cada muestra. ¿El resultado? Un 90% de precisión.
“Este es sólo el primer paso para crear una poderosa herramienta de evaluación que aprovecha el gran volumen de investigación y conocimiento humano para hacer evaluaciones de estructuras más rápidas y precisas en un entorno ya construido”, subrayó el doctor Ebrahimkhanlou.
Por ahora, el grupo continúa “entrenando” y probando el programa con elementos de hormigón armado más grandes y diversos. Además, buscan automatizar el proceso para poder integrarlo en sistemas de monitoreo estructural.
