Las necesidades de inversión en mantenimiento de infraestructuras crecen cada año debido a su envejecimiento creciente y las mayores solicitaciones a las que ven expuestas. Por ejemplo, en Europa este aumento es del 5% anual. Por consiguiente, además de garantizar la seguridad, la optimización de la inversión en mantenimiento debe ser una prioridad para los gestores de las infraestructuras, ya que retrasar las inversiones no hace sino aumentar los costes y los riesgos de una infraestructura cada vez más envejecida.
A día de hoy, la mayoría de los planes de mantenimiento se diseñan en base a las conclusiones de inspecciones visuales tradicionales. La efectividad de estas inspecciones visuales depende enteramente de las habilidades y la experiencia del inspector de puentes, siendo necesario que estos defectos tengan una manifestación visible. Que la transmisión de información al ingeniero evaluador, que tiene la responsabilidad de decidir sobre cualquier acción necesaria, se haga de la manera más precisa y consistente posible también es un factor crítico.
En los últimos años se han desarrollado técnicas no destructivas (NDT) para intentar ampliar el rango de defectos identificables (es decir, tanto visibles como no visibles). Sin embargo, aunque un inspector emplee estos equipos, la inspección sigue teniendo el mismo carácter puntual y discreto que caracteriza y limita la utilidad de las inspecciones visuales tradicionales.
Los sistemas SHM (Structural Health Monitoring systems) surgieron como respuesta a la necesidad de disponer de una información más frecuente, o incluso continua, de la condición del puente.
Muchos puentes en el mundo están monitoreados en base a diferentes objetivos; sin embargo, la gran mayoría de estos sistemas SHM se instalan con el único propósito de monitorear un determinado defecto o deficiencia mediante la instalación de sensores específicos en las inmediaciones de la zona problemática. Así, los datos registrados por los sensores instalados sobre la estructura se procesan y analizan para hacer el seguimiento de un problema aislado que previamente ha tenido que ser identificado.
Si bien tradicionalmente los SHM se han planteado como una herramienta para intentar garantizar la seguridad, es importante que cada vez más se conviertan en una herramienta que permita la planificación óptima del mantenimiento. Para ello, el sistema debe dar información sobre la infraestructura a nivel global, no sólo de defectos o secciones específicas. Así, para capturar información sobre la respuesta estructural y detectar comportamientos anómalos es preciso que los datos registrados por los sensores sean empleados para validar y calibrar modelos numéricos del propio puente.
Sin embargo, no se trata únicamente de que exista un modelo, sino que éste debe estar diseñado de manera que se produzca una actualización continua a partir de los grandes conjuntos heterogéneos de datos bajo una estructura unificada, con el objetivo de que el modelo digital se comporte de la misma manera que la estructura real.
Cuando esto se consigue, hablamos de que se ha generado un Digital Twin (o Gemelo Digital) del puente. La creación de Digital Twins es precisamente uno de los pilares fundamentales de nuestra metodología, aunque como explicaremos a continuación, no es el único.
¿Qué es exactamente un Digital Twin?
Se denomina Digital Twin (DT) a los modelos numéricos que son capaces de representar el comportamiento real de la estructura durante su vida útil. Así, podríamos decir que son una simulación digital “viviente” que reúne todos los datos relativos a su comportamiento, y se actualiza a sí mismo a partir de múltiples fuentes para representar el comportamiento de la estructura real (es decir, de su contraparte física).
Disponer de dicho Digital Twin permite la simulación de escenarios de carga y diferentes tipos de solicitaciones, a la vez que ofrece la posibilidad de extraer conclusiones sobre el comportamiento del resto de la estructura más allá de los puntos exactos donde se han instalado los sensores.
Y es que, el desafío típico asociado con la respuesta estructural del puente es el comportamiento de los componentes no instrumentados, que con este planteamiento se aborda utilizando un modelo tridimensional de elementos finitos totalmente detallado.
Sin embargo, los modelos de análisis de elementos finitos (MEF) no deben confundirse con los Digital Twin. Un valor que distingue a esos modelos de los Digital Twin es la presencia de una conexión bidireccional entre el Digital Twin y su contraparte física. Un Digital Twin puede actualizarse continuamente con los datos operacionales del gemelo físico.
Por tanto, el Digital Twin integra modelos/simulaciones multifísicas y multiescala de alta fiabilidad con datos de SHM, historial de mantenimiento y todos los datos históricos disponibles para reflejar la operación de la estructura real.
Nuestra metodología SHM: Digital Twins y algoritmos avanzados para predicción de evolución de daños
Como parte de nuestra metodología desarrollamos lo que hemos definido como Digital Twin, pero no nos limitamos a eso. Mediante el uso de modelos de deterioro específicos y las medidas a tiempo real nos es posible actualizar la predicción de la vida útil de los elementos más relevantes de la estructura.
La única forma en la que un sistema SHM puede convertirse en una herramienta para la verdadera predicción del comportamiento es si tiene asociado una modelización matemática, tanto a nivel global como de la propia evolución de los deterioros, integrando múltiples modelos físicos de diferente naturaleza y basados en datos de simulación para proporcionar el conocimiento suficiente sobre la condición y llevar a cabo las predicciones en base a diferentes escenarios.
Mediante nuestra metodología es posible extraer un mayor valor de la información de los conjuntos de datos de monitorización de los puentes mediante la creación de un Digital Twin de los puentes que se combina con algoritmos probabilísticos para la prognosis, constituyendo un sistema SHM innovador.
Nuestra opinión como expertos
Si hace unos años los sistemas SHM (Structural Health Monitoring) no podían considerarse una opción viable para la mayoría de los puentes, la disminución de costes en la sensórica y el aumento en la capacidad computacional, hacen posible su implementación a gran escala para dar respuesta a la necesidad creciente.
Sin embargo, el cliente debe ser consciente de que la tecnología SHM tiene una potencialidad mucho mayor de la que actualmente están ofreciendo algunos proveedores de servicios SHM en el mercado. En ese sentido, es importante que los clientes conozcan el alcance que realmente se le está ofreciendo y en qué medida este alcance les permite atender de manera correcta sus necesidades e integrarlo dentro de sus prácticas.
Un Digital Twin mantenido a lo largo del ciclo de vida de un puente mediante el proceso de actualización, y fácilmente accesible en cualquier momento, proporciona al propietario/administrador del puente una visión temprana del riesgo potencial inducido por el envejecimiento/deterioro, e incluso frente a los eventos extremos.
A través de mejoras en su funcionalidad, los SHM pueden servir para llevar a cabo la evaluación continua y a tiempo real de la condición del puente y, además, gracias a nuestra metodología, ser capaces de predecir la condición futura en base a la evolución de los deterioros en diferentes escenarios.
Creemos que es necesario que la Ingeniería Civil avance en su digitalización y se apoye cada vez más en los datos para la toma de decisiones. Esto sólo puede conseguirse a través de unir enfoques analíticos basados en modelos físicos y en tratamiento avanzado de los datos.
Con la ayuda del análisis predictivo, big data y los enfoques de aprendizaje automático tipo machine learning, se puede implementar un SHM en puentes que realmente permita garantizar la seguridad durante la operación, apoyar la toma de decisiones del administrador y potenciar la adopción de estrategias para el mantenimiento predictivo de manera que los administradores incorporen el concepto de eficiencia en el ámbito de los recursos humanos, técnicos y financieros utilizados en el mantenimiento.
Referencias
Agdas, D., Rice, J. A., Martinez, J. R., & Lasa, I. R. (2016). Comparison of visual inspection and structural-health monitoring as bridge condition assessment methods. Journal of Performance of Constructed Facilities, 30(3), 04015049.
Kong, X., Cai, C. S., & Hu, J. (2017). The State-of-the-art on framework of vibration-based structural damage identification for decision making. Applied Sciences, 7(5), 497
Omenzetter, P. (2015, September). Frameworks for structural reliability assessment and risk management incorporating structural health monitoring data. In Proceedings of the 1st Workshop, COST Action TU1402: Quantifying the Value of Structural Health Monitoring (pp. 49-63). Cost European Cooperation in Science and Technology.
Sancho, A (2019). A predictive method for bridge health monitoring under operational condition. Modelling for Engineering & Human Behaviour 2019 (1 ed., Vol. 1, pp. 155-159, ISBN:978-84-09-16428-8 (2019)).