Investigación sobre identificación de daños estructurales basada en una red de grafo de flujo de potencia temporal

Por qué importa la salud de las grandes estructuras

Puentes, rascacielos y otras grandes construcciones sostienen nuestra vida diaria de forma silenciosa, pero con años de tráfico, viento y clima se van desgastando lentamente. Los ingenieros intentan detectar grietas ocultas o uniones aflojadas antes de que se conviertan en desastres, sin embargo la inspección tradicional puede ser costosa, lenta y, en ocasiones, pasar por alto señales de aviso tempranas. Este estudio presenta una nueva forma de “escuchar” las vibraciones de las estructuras, usando un sistema de inteligencia artificial guiado por la física que puede revelar daños sutiles sin necesidad de ejemplos etiquetados de fallo.

Escuchar las vibraciones como advertencias tempranas

Cuando un puente o un armazón es sacudido por el viento o el tráfico, vibra en patrones complejos. Los ingenieros suelen colocar pequeños sensores de movimiento (acelerómetros) en muchos puntos para registrar esas vibraciones. Los daños como grietas o corrosión suelen alterar la rigidez de un componente, lo que a su vez modifica cómo la energía vibratoria se propaga por la estructura. Muchos métodos recientes usan aprendizaje profundo para analizar esas señales y señalar anomalías. Sin embargo, la mayoría de estas herramientas tratan los datos únicamente como números que ajustar, sin incorporar la física subyacente. Pueden rendir bien con datos limpios de laboratorio, pero en el mundo real —con ruido, variaciones de temperatura y sensores ocasionalmente defectuosos— los mismos modelos pueden producir falsas alarmas o pasar por alto problemas reales.

Convertir una estructura en una red de flujo de energía

Los autores proponen una estrategia distinta: representar la estructura como una red de puntos conectados y rastrear explícitamente cómo fluye la energía de vibración entre ellos a lo largo del tiempo. En su Red de Grafo de Flujo de Potencia Temporal (TPF-GNet), cada sensor se convierte en un nodo del grafo, y cada enlace físico entre componentes es una arista con rigidez y amortiguamiento aprendibles. Al integrar numéricamente las aceleraciones de los sensores, el método recupera la velocidad y el desplazamiento y luego calcula el flujo de potencia instantáneo —cuánta energía mecánica se está moviendo de un nodo a otro en cada instante. Este flujo de potencia se convierte en el mensaje central que se transmite a través del grafo, de modo que el modelo aprende patrones que respetan las leyes del movimiento en lugar de limitarse a ajustar estadísticas.

Enseñar a la red cómo es un estado “saludable”

TPF-GNet se entrena únicamente con datos de una estructura sana, sin ejemplos de daño. En esta fase de entrenamiento, el modelo aprende a reconstruir la historia de vibración de cada sensor objetivo a partir de sus vecinos simulando el flujo de energía a través de la red. Una vez entrenado, el sistema recibe nuevos datos de vibración de una estructura cuya condición se desconoce. Si la estructura sigue sana, el modelo puede predecir el movimiento de cada sensor con bastante precisión y los errores de reconstrucción se mantienen pequeños y con una distribución estrecha. Si se ha producido daño —especialmente pérdida de rigidez en una viga o columna— el flujo de energía real difiere ahora de lo que el modelo espera, y los errores de reconstrucción se vuelven más grandes y más dispersos. Los autores resumen este cambio con un único factor sensible al daño, derivado de lo ancha y plana que se vuelve la distribución de errores, y fijan umbrales usando solo datos sanos.

Pruebas en puentes virtuales y marcos reales

Para probar su enfoque, los investigadores primero usaron un modelo por ordenador detallado de un puente peatonal real, introduciendo distintos niveles y ubicaciones de reducción de rigidez mientras simulaban mediciones de sensores ruidosas. También compararon TPF-GNet con una red neuronal de grafos estándar y con un modelo de series temporales (LSTM) que carecía de física explícita. En treinta escenarios —incluyendo pequeñas pérdidas de rigidez del 5–10% y tipos de ruido desafiantes como deriva de baja frecuencia y perturbaciones no estacionarias— el nuevo método identificó el daño de forma más precisa y con menores tasas de falsas alarmas. En muchos casos, TPF-GNet mantuvo una precisión de detección superior al 90% donde los modelos de comparación caían cerca o por debajo del 70%. El equipo validó luego el método en un armazón de laboratorio a escala equipado con dieciséis sensores, donde pudieron introducir daño controlado en vigas y columnas seleccionadas. De nuevo, los mayores errores de reconstrucción y los factores de daño se agruparon alrededor de los componentes realmente dañados, y el rendimiento mejoró de forma constante conforme aumentaba la severidad del daño.

Qué significa esto para estructuras más seguras

Para un público no especializado, la conclusión clave es que este método fusiona las fortalezas de la física y el aprendizaje automático: no se limita a buscar patrones en los datos, sino que también “sabe” cómo debería fluir la energía a través de una estructura sana. Cuando la realidad se aparta de esa expectativa, el sistema señala las zonas problemáticas, incluso en condiciones reales ruidosas. Al requerir solo datos de referencia sanos, es especialmente apto para los muchos puentes y edificios con años de registros de monitorización pero sin ejemplos etiquetados de fallo. Si se adoptara de forma amplia, enfoques como TPF-GNet podrían ayudar a los gestores de infraestructuras a detectar daños antes, priorizar el mantenimiento de forma más inteligente y prolongar la vida útil segura de las estructuras críticas.

Cita: Wu, X., Lan, C., Zhang, C. et al. Research on structural damage identification based on temporal power flow graph network. Sci Rep 16, 6898 (2026). https://doi.org/10.1038/s41598-026-37356-7

Palabras clave: monitorización de la salud estructural, detección de daños en puentes, IA informada por la física, redes neuronales de grafos, sensado por vibración