Damage identification in bridges combining deep learning and computational mechanic

Resumen

Esta tesis investiga la aplicación de técnicas Deep Learning y Mecnánica Computacional en el ámbito de identificación de daños estructurales en puentes. En primer lugar, abordamos técnicas basadas puramente en datos, que emplean únicamente la respuesta estructural adquirida mediante un sistema de instrumentación (sensores). Estas técncias proporcionan un diagnóstico de alerta (daño- no daño). Empleamos un tipo de red neuronal conocido como Autoencoder, al que dotamos de una arquitectura particular que pretende replicar transformaciones afines (como el Análisis de Componenetes Principales) e incorporar transormaciones no lineales de forma interpretable y comprensible. Con el objetivo de alcanzar un nivel más elevado en el diagnóstico, estudiamos una metodología híbrida que incorpora la mecánica computacional como fuente adicional de datos. Mediante el uso de una parametrización de elementos finitos, obtenemos la respuesta estructural sintética ante diferentes escenarios de daño, clasificados por su localización y su grado de severidad. Esta metodología require una calibración previa de la parametrización de acuerdo a un estado de referencia, y los escenarios generados se emplean para entrenar una red neuronal profunda capaz de estimar la localización y severidad de un daño cuando se obtienen nuevas mediciones en el sistema de instrumentación.