La confiabilidad de los sistemas de monitoreo estructural a largo plazo es un factor crítico para garantizar la seguridad y durabilidad de los puentes modernos. En ese contexto, una reciente investigación publicada en Scientific Reports presenta un avance relevante: un modelo de inteligencia artificial capaz de reconstruir datos faltantes en registros de sensores, una de las principales debilidades de los sistemas de auscultación estructural en condiciones reales de operación.

El estudio propone un marco de aprendizaje profundo denominado CCF-BiGRU, diseñado para recuperar información de deformaciones perdidas en puentes arco de hormigón. La pérdida de datos suele estar asociada a fallas de sensores, problemas de transmisión o interferencias ambientales, situaciones que pueden afectar seriamente la evaluación del estado estructural y retrasar intervenciones de mantenimiento.

El nuevo enfoque integra de manera simultánea las dependencias espaciales entre sensores y las relaciones temporales de las series de datos, logrando una reconstrucción más precisa y estable.

A diferencia de otros modelos basados en grafos, el sistema desarrollado identifica de forma autónoma las relaciones espaciales relevantes, sin necesidad de definir previamente la conectividad entre sensores. El uso de funciones de correlación cruzada permite captar interacciones retardadas y efectos de propagación de esfuerzos, mientras que la arquitectura bidireccional del modelo mejora la interpretación de la evolución temporal de las respuestas estructurales, incluso en escenarios complejos.

La validación se realizó con datos reales de un puente arco de gran luz en China, instrumentado con más de doscientos sensores y monitoreado durante casi tres años. Los resultados muestran que el modelo mantiene altos niveles de precisión aun con tasas significativas de datos faltantes, superando a otros métodos habituales y con menores costos computacionales. Esta combinación de robustez y eficiencia lo convierte en una herramienta especialmente atractiva para aplicaciones a gran escala y para sistemas que requieren respuestas casi en tiempo real.

Más allá del caso de estudio, el trabajo abre una perspectiva prometedora para el futuro del monitoreo inteligente de infraestructuras. La posibilidad de reconstruir información perdida refuerza la continuidad de los sistemas de control, permite detectar de forma temprana posibles daños y contribuye a una gestión más segura y eficiente de puentes, túneles y otras estructuras críticas.

En un escenario de infraestructuras envejecidas y creciente demanda de confiabilidad, soluciones basadas en inteligencia artificial como esta se perfilan como aliadas estratégicas de la ingeniería estructural contemporánea.

Referencia: Longji, Z., et al. (2025). Imputación de datos con dependencias espaciotemporales para el monitoreo de la salud estructural a largo plazo de puentes arco de hormigón. Scientific Reports, 15, 36218. DOI: 10.1038/s41598-025-20126-2, https://www.nature.com/articles/s41598-025-20126-2

Fuente: https://www.azobuild.com/news.aspx?newsID=23927

Autor del texto original: Muhammad Osama.